AI 走进物理世界：人形机器人、具身基础模型与真实环境操作能力的进展追踪。
两部门联合启动 2026 年度人形机器人与具身智能实景实训专项行动，目标是到 2026 年底，人形机器人等重点产品要在工业、服务、特种等代表性场景里完成应用验证，并进入常态部署的“作业模式”。通知要求凝练出 100 个以上高价值应用场景，带动万台级的落地能力。具体任务包括：各省份至少选 20 个、央企至少选 10 个真实场景单元做实训空间；由用户单位和...
推荐理由：这条政策给了人形机器人一个很具体的交卷时间——2026年底要常态部署，不是再搞几台演示。我会先打个折：正文没披露预算怎么出、试点单位是谁、万台落地靠采购还是租赁，这些缺口让“万台”听起来更像目标而非订单。但亮点在于场景数量（100+）和实训空间要求（每省至少20个），说明这次是想把机器人塞进真实产线和服务现场去磨，不是实验室里跑分。对从业者来说，时间表和规模数字比“支持”“鼓励”实在，所以放在 featured 低位。
这期有三件事值得看。第一，一个新基准 SocioHack 测试了 AI 在现实规则里找漏洞的能力，比如刷信用卡积分、在学校刷分，用强化学习训出来的模型在历史漏洞上复现精度超过 90%。第二，Anthropic 自己发了一篇报告，说 2026 年合并进代码库的代码量是 2021 到 2024 年的 8 倍，他们认为一种比较朴素的“递归自我改进”可能已经开...
推荐理由：这期三个条目都有实打实的数字撑腰。SocioHack 那个基准测的是模型在现实规则里钻空子的能力，90% 以上的复现精度说明强化学习训出来的模型确实会系统性找漏洞，不是偶然行为。Anthropic 自己报的代码合并量 8 倍增长，等于用内部数据承认了一种朴素的递归自我改进已经在发生，这个披露本身比数字还重要。无人机 RL 把延迟压到 11 毫秒，意味着端侧强化学习在物理系统上能跑实时了。唯一的小折扣：这是 newsletter 汇总，不是一手发布，每条单独拎出来都能过线，合在一起信息密度很高。
高德搞了个叫 ABot-Earth0.5 的模型，号称是全球第一个原生 3D 的城市世界模型。它已经覆盖了 190 多个国家和地区。用起来很简单，你扔给它一张卫星图或者一段文字描述，它就能在普通消费级显卡上，大概 10 分钟给你生成一大片公里级的 3D 城市场景。出来的素材是 3DGS 格式，能直接拖进 Unity、虚幻引擎这些软件里接着用。按他们算的...
推荐理由：高德这个ABot-Earth0.5把3D城市生成的门槛压得很低：消费级显卡、10分钟、公里级、直接出可编辑资产。我会先打个折，正文没披露生成精度和几何一致性有多高，也没给实际案例对比，所以“全球首个原生3D城市世界模型”这个说法先别太激动。但即便只做到七八成，对需要大量3D场景的团队来说也挺省钱。H/K/R三条都踩实了，重要性给80合理。
狮子山 AI 实验室在 ICRA 2026 LeHome 挑战赛的真机决赛里拿了第一。他们用一套叫 LiOS 的系统，把训练、部署、轨迹采样和 Real2Sim 遥操作串成一个数据循环，让机器人学会叠衣服这类软物操作。不过文章正文被微信环境验证挡住了，具体技术细节、比赛数据和对比成绩都没看到，只能从标题和现有摘要知道结果。
推荐理由：我会先打个折：正文被微信环境验证挡住了，技术细节、比赛数据和对比成绩都没看到，只能从标题和摘要知道结果。叠衣服拿第一确实抓眼球，LiOS 的 Real2Sim 遥操作循环听起来也靠谱，但信息缺口太大，没法判断这套方案的泛化能力和真实成本。这点先别太激动，等看到完整论文再下结论。
这篇推文本身因为微信环境验证没抓到正文，我只能根据标题和已有英文摘要来说。PhysX-Omni 是一个 3D 生成框架，特点是生成出来的模型不是只能看，而是直接带物理属性，能区分刚体、软体和带关节的物体，扔进仿真器就能跑。配套的数据集 PhysXVerse 有超过 8700 个物理 3D 资产，覆盖 2900 多个类别。对做机器人仿真的人来说，省掉了手...
推荐理由：标题说打通全链路，但正文没抓到，只能按摘要判断。PhysX-Omni 解决的是仿真资产从能看升级到能跑的问题，省掉了手动标物理属性的脏活。8700+ 资产和 2900+ 类别说明数据集有一定覆盖面，不过没披露资产质量、仿真精度和实际跑分，效果还得等模型放出来再看。大晓机器人和南洋理工的组合在机器人圈有认知度，但放到整个 AI 圈声量中等，所以卡在 featured 门槛上。
蔚蓝科技的四足机器人已经卖出2.5万台，覆盖295个城市，其中家庭用户占了九成。他们新发布的BabyAlpha A3算力比上一代提升了1000倍，能在机器上直接跑一个70亿参数的大模型。不过正文因为环境异常没加载出来，具体的技术细节和价格信息暂时看不到。
推荐理由：HKR三项都过了：标题抓人，数据有料，话题踩在家庭机器人和端侧大模型的竞争神经上。不过正文因为环境异常没加载出来，技术细节和价格都看不到，信息主要来自公司单方面口径，不是独立验证的行业突破，所以放在featured的低位。
这篇推文本身被微信的环境验证挡住了，正文内容没抓到。从标题和已有的英文摘要看，MetaFine 是一个诊断式的元评测框架，专门拆开看机器人在精细操作上的理解、感知和行为三个环节，而不是只给一个“成功/失败”的二元结果。研究团队说，传统只看最终成功率的评测方式，对精细操作能力的评估会虚高最多 70%。具体怎么测的、用了哪些任务和模型，正文没披露，没法展开。
推荐理由：标题和摘要抛出的 70% 虚高数字很有冲击力，MetaFine 的三轴诊断思路也确实比只看成功率进了一步。但正文被微信环境验证挡住，具体任务、模型和实验细节全是缺口，没法核实。所以它是一篇有钩子、有新知但信息不完整的二次评论帖，放在 featured 门槛上刚好，不宜再拔高。
姚顺雨在腾讯云 AI 产业应用大会上说，混元 3 把预训练和强化学习的基础设施重做了一遍，数据和评估方式也换了，还把最强的后训练人员先调去改进元宝。他点名代码 agent、多模态和具身智能是腾讯接下来的重点方向。
推荐理由：这是一篇大会发言和路线图信号，不是带规格、跑分或上线日期的新模型发布。信息增量在于腾讯把后训练精锐先押在元宝上，以及重做基础设施这个表态，但缺少可验证的指标。放在 featured 低位，是因为它给中国大厂 AI 战略更新提供了一个有争议锚点的注脚，而不是一个硬核技术首发。
蔚蓝科技的BabyAlpha系列机器狗已经卖出25397台，其中九成是家庭用户买回去用的。他们最新的A3机型能在本地跑一个70亿参数的大模型，官方给出的推理速度是每秒280个token。不过正文因为环境验证问题没加载出来，具体配置、价格和实际体验细节暂时看不到。
推荐理由：HKR 三项都过：有明确的走访对象和销量数据，有端侧推理的具体指标，话题也切中中美算力差距和效率竞赛。但正文因为环境问题没加载出来，缺少配置、价格和实际体验细节，本质上还是一篇带有观点的产品进展评论，不是模型发布或平台级事件，所以放在 featured 档的偏上位置。
一群美国科技分析师在 5 月走访了 14 家中国 AI 和机器人公司，带回来一些观察。最核心的矛盾是算力：他们估算到 2025 年底，美国的 AI 算力大概是中国的 8 倍，中国公司能拿到的英伟达高端显卡数量比美国对手少一个数量级。但中国模型并没有因此落后几年，反而只差几个月，因为被芯片限制逼出来的计算效率很高——单位算力产出的智能是简单堆算力的 4 ...
推荐理由：这篇不是一手发布或产品大事件，属于实地走访的评论稿，但信息密度够高。我会先打个折：它引用的算力倍数和效率倍数来自分析师估算，正文没披露具体测算方法，这点先别太激动。不过它把芯片限制逼出来的工程取舍讲得很清楚——中国模型没落后几年，只差几个月，靠的是在有限显卡上榨出更高智能。对关注中美 AI 竞赛节奏的人来说，这比单纯喊安全口号有料。
Alex Imas 和 Phil Trammell 聊了一个很根本的问题：当机器人和 AI 能把大多数东西都造出来之后，经济里还有什么会保持稀缺。他们给出的核心判断是，只要人还在意“这件事是人做的”，那人的参与本身就变成了稀缺品。比如芭蕾舞表演、咖啡馆里的真人服务，机器可以复制一万个，但芭蕾舞演员的数量是固定的，这种“人给人服务”的体验就成了价值锚点。...
推荐理由：HKR 三项都站得住。H 强在用一个反直觉的例子把 AGI 后的稀缺性讲活了；K 有具体的筛查机制，但信息缺口明显——没量化、没法案细节，所以判断只能停在“机制成立但缺数据”上；R 切中安全监管和劳动力分工的焦虑。整体属于评论类文章，信息密度够但落地程度不足，放在 featured 档合理。
亚马逊发布了新版 Proteus 仓库机器人，核心变化是工人不用再通过专用软件下指令，直接说话就能给它派任务，像跟同事沟通一样。Proteus 最早在 2022 年亮相，外形像个大号扫地机，负责在仓库里搬重货、推大车。这次升级主要是交互方式从代码/软件切到了自然语言，但正文没披露具体部署了多少台、单台成本多少，也没说语音指令在嘈杂仓库里的准确率怎么样。...
推荐理由：我会先打个折：Amazon 只说了 Proteus 能听懂人话，没给任何规模数据，所以重要性卡在 featured 门槛附近。亮点是交互方式从编程界面直接跳到口语对话，对一线工人上手门槛降得明显；但没披露部署量，效果和稳定性都还是未知数。如果是真的跑通了，省培训成本、提响应速度都说得通，这点先别太激动。
小鹏在 CVPR 2026 上公开了他们的世界模型技术栈，包含 X-World、X-Foresight 和 X-Cache 三个部分。X-Cache 能砍掉约 70% 的重复计算，相当于让模型推理时少做无用功。第二代 VLA 模型用了超过 4 万亿个 token 训练，这个量级说明训练数据投入很大。车端推理延迟压到了 80 毫秒，对实时驾驶决策来说这个...
推荐理由：我会先打个折，这毕竟是小鹏在顶会上的技术展示，不是独立验证过的第三方评测，所以分数没给到 85 以上。但选题确实抓人：CVPR 舞台上让北美自动驾驶三巨头听一家中国公司讲物理 AI，本身就制造了对比。信息量也够，X-Cache 的七成重复计算缩减、4 万亿 token 的训练规模、80 毫秒的车端延迟，都是能直接拿来讨论的指标。正文没披露 X-Cache 具体在什么场景下测出这个节省比例，也没说 80 毫秒是平均还是 P99，这点先别太激动。整体看，对做自动驾驶和端侧模型的人有参考价值，也踩中了中美技术竞争的神经，所以放在 featured 位置。
这三篇论文都进了 CVPR。GraspGen-X 用 20 亿次模拟抓取训练，让机械手能处理没见过的物体，但正文没披露真实世界的抓取成功率。LCDrive 把自动驾驶的推理 token 砍了大约一半，靠的是让模型直接输出轨迹而不是先写文字再转成动作，延迟更低，不过没提极端场景下的安全性验证。NitroGen 在 1000 多个游戏里跑了 4 万小时的交...
推荐理由：NVIDIA 在 CVPR 放出的三篇论文，每篇都带着实打实的数字：GraspGen-X 用 20 亿次模拟抓取训练机械手，LCDrive 把自动驾驶模型的推理 token 砍掉一半，NitroGen 在 1000 多款游戏里攒了 4 万小时交互数据来训游戏 agent。我会先打个折——这是厂商研究打包发布，不是新模型或产品上线，所以重要性停在 78 分。但信息密度够高，对做机器人、自动驾驶和游戏 agent 的人有直接参考价值，尤其是用合成数据替代真实采集、降低推理延迟这两条思路，正文没披露具体硬件环境和延迟数字，这点先别太激动。
蚂蚁灵波和港科大搞了个叫 LingBot-VA 的模型，把“预测画面接下来怎么变”和“判断该做什么动作”合到一个自回归框架里。论文说，每个任务只用 50 条真实世界的演示数据微调，在 RoboTwin 2.0 的简单和困难设定下，成功率分别到了 92.0% 和 91.1%。不过原文因为微信环境异常没抓到，具体实验细节和泛化边界暂时看不到，这个成功率数字...
推荐理由：标题的“50条数据”是个强钩子，对数据成本敏感的从业者吸引力很大。文章把自回归因果世界模型的机制讲得比较清楚，就是让模型先预测画面变化再决定动作，不是黑箱。但全文只有一篇论文发布，没看到开源代码、实物测试视频或跟主流基线（比如扩散策略）的量化对比，验证强度不够。所以重要性给78，属于值得关注但别急着全信的研究发布。
这个框架叫PhysX-Omni，目标是让生成的3D模型直接能进物理仿真跑起来，不用再手动修。它把刚体、软体和关节体三类物体的生成统一到一个流程里，省掉了以前要分开处理的麻烦。配套的PhysXVerse数据集有8700个资产，覆盖2900个类别，规模不小。评测基准PhysX-Bench从几何、尺寸、材质、可交互性、运动学和文字描述六个维度打分，但正文没披...
推荐理由：统一物理 3D 生成这个钩子很清晰，数据集和评测基准的规模也给了实锤，对做机器人仿真的团队确实有用。不过正文没提开源、没提落地案例，也没说生成质量跟现有方案比到底好多少，所以分数先不打满，78 分合理。
这篇文章的正文被微信环境验证挡住了，实际内容没抓到。从标题和摘要看，Banafsheh Rafiee 和 Richard S. Sutton 提了一个叫“生成认知”的框架，给 AI 立了四根柱子：经验、感知与行动不可分、自主性、具身性。说白了就是主张智能不能光靠看数据，得在跟环境互动的过程中长出来。但具体怎么实现、有没有实验，正文没披露，这点先别太激动。
推荐理由：这篇是 Sutton 和 Rafiee 的新论文解读，核心是提出“生成认知”框架，主张智能体得靠经验、感知和行动绑在一起、自己定目标、还得有身体去试错。我会先打个折：正文没披露实验、代码或可复现的测试，目前还停在概念层。但 Sutton 的名气和四个支柱的提法，让它有资格进 featured，属于研究评论向的必读。
NVIDIA 把 Cosmos 3 系列模型挂上了 Hugging Face，这次发了两个尺寸：Nano 版 160 亿参数，Super 版 640 亿参数。它是个全模态世界模型，输入可以混着来——文字、图片、视频甚至动作轨迹都行，输出也不止视频，还能直接吐图片、音频和下一步的动作指令。不过 Reddit 原帖的正文被网络策略挡了，实际跑起来的硬件门槛...
推荐理由：我会先打个折：正文没披露 benchmark 分数、许可证和训练细节，所以不能直接断定它比现有方案强。但 NVIDIA 把 16B 和 64B 两个规格的世界模型公开放在 HF 上，这件事本身就值得从业者看一眼——至少多了一个能本地跑、能接动作输出的多模态基座选项。对做机器人仿真和视频生成的人来说，输入支持动作轨迹、输出能直接给动作指令，说明它不只是生成漂亮画面，而是想往物理交互方向靠。这点先别太激动，因为没看到在真实机器人任务上的验证，但方向对，且开源降低了试错成本。
英伟达在台北电脑展上放出了一波开源模型和硬件。Cosmos 3 是一个能同时处理文字、图片、视频、音频和动作的“世界模型”，用了混合 Transformer 架构，把负责推理和负责生成的两个模块拼在一起。它分 Nano（16B）和 Super（64B）两个尺寸，其中 Super 微调后的文生图和图生视频能力，在开放权重模型里直接冲到了第一。Nemotr...
推荐理由：这次发布把视觉世界模型、大语言模型和本地推理硬件捆在一起推，信息密度高。Cosmos 3 的 MoT 架构和两个具体尺寸（16B/64B）给了明确的技术锚点，Nemotron 3 Ultra 的 550B-A55B 开放权重对想自己部署大模型的人是个实在消息。不过正文没给出具体 benchmark 对比或价格，实际效果和性价比还得等上手。整体影响面广，但还没到前沿实验室发新基础模型那种震动级别。
NVIDIA 在 GTC Taipei 把 Cosmos 3 完全开源了，模型权重、代码和数据集都放了出来。它被叫做首个物理 AI 全能模型，意思是能直接看懂真实世界、预测接下来会发生什么，并给出机器人该做的动作。这次发了两个尺寸：Super 版 320 亿参数，Nano 版 80 亿参数。正文没提具体跑分和硬件门槛，实际部署成本还得自己测。
推荐理由：HKR 三项都成立：钩子是 NVIDIA 开源物理 AI 模型，知识增量是 32B/8B 双版本加全套开放物料，受众是机器人、仿真方向的从业者。正文信息很薄，没给基准测试、没提许可证细节，所以分数压在 78–84 区间，不往上拔。