机器人与物理 AI

WorldToken 将每个决策时刻的多视角图像、本体感知和任务条件融合为一个世界令牌，再用因果 Transformer 建模时间序列。实验显示，目标域数据和较长历史上下文对模仿学习表现尤其重要。

PhysCaP 为代码即策略机器人引入物理信息驱动的主动感知机制，使机器人不再只依赖视觉观察，而是通过有针对性的交互判断物体的质量与刚度。该方法在减少无效探索的同时，提升了复杂桌面操作任务中的决策能力。

由游戏数据驱动的AI初创公司General Intuition正洽谈新一轮融资，投前估值或达60亿美元。公司计划将资金投入通用模型、算力和机器人应用。

DeepMind提出EXIMO，用视觉语言模型规划长时任务，再结合模仿学习与残差离策略强化学习，高效微调视觉-语言-动作策略。该方法试图减少昂贵的遥操作数据需求，并提升机器人学习新任务的样本效率。

τ₀-VLA 为长程机器人操作引入世界模型引导的测试时计算，使高层策略能够在不确定时生成并比较多个候选子任务，再交由低层 VLA 执行。

九识智能与宇通联合推出无人轻卡Z20，额定载重4.2吨、货厢容积19.32立方米，面向工厂、园区和大型仓储中心的高频接驳。它释放出的信号是：L4自动驾驶正在从末端配送走向更高运力的产业物流。

Generalist发布机器人基础模型GEN-1.5，尝试将大模型的上下文学习能力带入物理世界。模型在不更新参数的情况下，仅凭3至12秒动作示范即可执行部分新任务。

Zetta 提出一种闭环具身智能框架：在冻结基础策略的前提下，在线进化运行时批评器与恢复技能。它将动作级干预、回合级复盘和验证式更新结合起来，提升机器人在复杂环境中的执行可靠性。

这项工作提出了一条把第一人称人类操作视频转换为机器人训练数据的流水线，目标不是做单个任务的演示复刻，而是为具备泛化能力的视觉-语言-动作模型提供大规模预训练数据。研究同时给出了更系统的泛化评测框架。

这篇论文指出，自动驾驶 VLM 在用链式思维监督训练时，如果提前看到真实未来轨迹，可能学到的是事后合理化，而不是真正基于场景证据推理。作者提出 AD-MCQ 与 DEFT-RLVR，把轨迹从决策前提示改为决策后验证目标。

N₀-TWAM 尝试为接触密集型操作建立触觉原生的世界-动作模型：它不只预测未来画面，也预测未来接触，并据此生成动作。

SGTP 面向多车自动驾驶竞速中的高强度交互，把博弈论推理与 GPU 加速的采样式轨迹规划结合起来，在实时性、安全约束和策略多样性之间寻求平衡。

ITMO University 等作者提出 Collective-State JEPA，用去中心化方式让群体中的每台机器人形成对共同未来状态的预测。论文重点展示了该方法在少量全局标签、拓扑变化和规模变化下的泛化能力。

RL²-VLA 提出一种面向视觉-语言-动作模型的自适应测试时引导框架：不改动原有 VLA，只在模型可能失败时引入离线强化学习策略来扩展动作选择。

N_0-VTLA 试图补上当前视觉-语言-动作模型在“接触丰富”操作中的短板：让机器人不仅看见物体，也能利用触觉反馈做细微调整。论文还提出 ALTER，用已有部署数据继续离线改进策略。

WAIC 2026 的热闹不只来自大模型和机器人展台，更来自一个更现实的问题：AI究竟在哪些场景已经进入生产，哪些仍停留在Demo和叙事中。

旧金山初创公司 Tau Robotics 推出人形机器人保洁服务，收费约 30 美元/小时。它能擦台面、拖地、倒垃圾，但关键细节是：当前主要依赖远程操控。

ACE-Data-0 试图补上具身智能训练中的“完整经验”缺口：它把第一视角、多机位视频、全身与手部动作、物体轨迹、声音和触觉同步记录在真实家庭任务中。

Google DeepMind 发布 Gemini Robotics ER 2，定位为面向机器人的高层“具身推理”模型。它重点强化了实时视频理解、任务编排和多机器人协作，让机器人更接近可在真实环境中连续执行复杂任务的物理智能体。

TurboVLA 试图绕开 VLA 模型中常见的“大语言模型中转站”，改用更直接的视觉与语言到动作映射。在 LIBERO 基准上，它以 0.2B 参数、0.9GB 推理显存实现 32Hz 级别的实时控制表现。

物理 AI 的瓶颈正在从模型结构转向高质量真实世界数据。Encord 与 Zander Labs 尝试把脑电信号纳入机器人训练数据，以捕捉人的意图、惊讶和出错状态。