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。
荣耀的人形机器人“闪电”在北京半马跑出50分26秒，比乌干达选手基普利莫保持的人类纪录（57分20秒）快了将近7分钟。它身高1.65米，腿长约0.9米，中途撞上护栏摔倒，靠人扶起来后继续跑完。去年最快的机器人成绩是2小时40分42秒，今年直接压缩到不到三分之一，进步幅度很大。俄勒冈州立大学的机器人教授费恩认为，这主要说明中国在机器人硬件工程和系统稳定性...
推荐理由：这条消息的钩子很直接：一台人形机器人半马跑进50分26秒，比人类纪录快将近7分钟。我会先打个折——它中途撞护栏摔了，是在人帮忙扶起来之后才完赛的，所以不是完全自主跑完全程。但数字本身还是说明工程成熟度在往上走，去年同类最好成绩还要2小时40分，一年压缩到三分之一的时间，进步幅度值得盯。正文没披露控制方案和比赛规则细节，所以别急着往AI能力跃迁上解读，更多是机电、步态和系统集成的提升。对从业者来说，这条消息的参考价值在于一个可量化的性能标尺，而不是一篇公关稿。
高德在2026年亦庄人形机器人半马上展示了一只叫“图图”的四足机器人，完成了一段开放环境下的导盲避障演示。官方说全程没有预设路线，也没有人遥控。背后的技术栈叫ABot，分两块：ABot-N0负责导航，在7个导航基准上拿了SOTA，其中SocNav得分88.3%，说明在社交场景里避让行人的能力不错；ABot-M0管操作，在Libero-Plus上拿了80...
推荐理由：HKR 三项都站得住：半马导盲这个设定本身就新鲜，技术栈和关键成功率数字也给了，而且场景选得够狠，天然带话题。分数维持在 80 不往上加，是因为正文没提导盲实测到底覆盖了哪些路况、有没有出过安全事故、什么时候能商用——这些缺口让判断得先打个折。
高德这次公开的 ABot 是一套想让机器人真正干活的全栈技术体系，分视觉感知、物理世界模型和视觉语言动作模型几块。ABot-3DGS 能用厘米级地图数据重建上万平米的三维场景，ABot-PhysWorld 则是一个 140 亿参数的扩散模型，用 300 万条真实机械臂操作视频训练，让机器人先在大脑里模拟动作再执行。文章说横扫 15 项 SOTA，但具体...
推荐理由：高德这次公开的 ABot 体系，我会先打个折——15 项 SOTA 具体是哪些基准、跟谁比，正文没列，挑战赛名称也没给，这点先别太激动。但能聊的东西确实有：ABot-3DGS 拿厘米级地图和轨迹数据生成了上万组 3D 场景，号称覆盖率 99%，如果属实，等于用地图老本行给具身训练铺了一条低成本数据管道；ABot-PhysWorld 用 14B 的 DiT 加 300 万条真实操作视频做物理判别训练，规模不小。真正该盯的是他们把世界模型和 VLA 闭环绑在一起做的思路，不是单点炫技。开源范围和时间表都没披露，落地成色还得等。
高德在 2026 亦庄机器人半马上展示了 ABot-Claw 智能体系统和四足机器人 Tutu，主打自主导盲。ABot-M0 在 Libero-Plus 上拿了 80.5%，比 Pi0 高出近 30 个百分点，说明在复杂操作任务上进步明显；ABot-N0 在 7 个导航基准上刷到了 SOTA。他们开源了一个叫 UniACT 的数据集，包含 600 万条...
推荐理由：我会先打个折：半马名次、商业化时间和价格正文都没提，所以别当量产信号看。真正值得盯的是 Map as Memory、云边协同和闭环纠错这套工程思路——它试图把导航、操作和记忆揉成一个能在线纠错的系统，而不是单点 demo。Libero-Plus 80.5% 的成功率比 Pi0 提升近 30 个百分点，说明操作端确实有进步；7 项导航 SOTA 和 600 万条开源轨迹则给复现留了口子。但所有这些数字都来自他们自己的评测，没有第三方验证，这点先别太激动。整体看，这是一次把具身智能拉到开放环境里遛一遛的尝试，工程整合的价值比单项指标更大。
智元在4月17日的APC 2026上把2026年定义为“部署态元年”，核心案例是龙旗南昌工厂的Genie G2机器人：完成2283次上料任务，成功率超99.5%，单次节拍18到20秒，连续运行8小时。这些数字是公司自己公布的，正文没提有没有第三方审计。更值得看的信号是规模：智元称2025年出货超5100台，到2026年3月累计出货1万台，龙旗那边计划部...
推荐理由：HKR三条都踩中了。'Demo秀终结'这个角度有传播力，文章给出了工厂实测数据——8小时连续运行、2283次上下料、成功率超99.5%、单工序18-20秒，不是实验室摆拍。没给P1是因为这些数据全来自企业自报，正文没披露第三方审计或跨厂复现结果，我会先打个折。真正值得盯的是量产条件：2025年出货超5100台、2026年3月累计下线1万台，龙旗计划近千台部署，这些数字如果兑现，比单次Demo有分量得多。
2025年人形机器人拿到的投资是61亿美元，是2024年的4倍。钱突然涌进来，不是因为造出了C-3PO，而是机器人学习的方式彻底变了。以前靠人手写规则，比如叠衣服要定义领口、袖口、折叠角度，情况一多规则就爆炸。2015年前后，前沿做法改成在仿真里用奖励信号让机器自己试错，跑几百万次来学会一个动作。2022年ChatGPT出来后，思路又跳了一步：把大模型...
推荐理由：这篇不是新发布，更像一篇梳理，所以放在 featured 偏低的档位。我会先打个折：正文在案例部分被截断了，后续公司细节没披露，这点先别太激动。但它的价值在于把 61 亿美元的热钱和两条技术路线讲清楚了——仿真试错那套从 2015 年就在跑，2022 年后多模态动作模型开始让机器人直接输出动作，本质是用数据换掉手写规则。对做具身智能的人来说，这个框架比单点新闻更有用。
大语言模型能靠读书学知识，但具身机器人得在真实世界里摸爬滚打才能攒数据。觅蜂说现在全球高质量机器人训练数据加起来也就 50 万小时，跟大模型用的 100 万亿 token 完全没法比。他们这次推了一套叫 MEgo 的“无本体采集”硬件，就是让人戴着轻量夹爪和头戴设备直接记录动作，不用每次都搬昂贵的机器人本体。夹爪重 480 克，能 1080P 60fp...
推荐理由：我会先打个折：这还是一家公司的单次发布，正文没披露客户规模、定价和实际训练效果，所以分数没往上拉。但信息量够实在——觅蜂不卖本体，卖的是物理AI数据，智元自己拿数据也得走市场化下单。两款采集硬件参数也给了：夹爪480克、头显7个摄像头超300°视野、亚毫秒级同步。对盯着数据瓶颈的从业者来说，这些数字和商业模式比单纯秀机器人更有参考价值。
FT 这篇报道的标题说 Uber 要砸 100 亿美元转向无人出租车，但文章内容完全在付费墙后面，只显示了订阅引导页。正文没披露这笔钱是分几年花、投给自研还是外部采购、有没有锁定具体的自动驾驶公司或试点城市。100 亿这个数字看着很大，但不知道花钱节奏的话，更像一个战略表态而不是可验证的落地计划。这点先别太激动，等看到具体预算分配和合作伙伴再判断 Ub...
推荐理由：FT 只给了一个标题和一句摘要，正文是空的，所以信息密度极低。唯一能抓住的就是“100 亿美元”这个数字，够硬，也够模糊——没写是一次性投入还是多年总和，没写是自研、合资还是采购第三方车辆。我会先打个折：标题里的“战略转向”听起来像公关叙事，真正要盯的是后续资本开支怎么落地。目前没有时间表、没有合作方、没有落地城市，验证几乎为零，所以重要性卡在 79 是合理的，放在 featured 里当个信号看，别当定论。
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型升级版，强化了空间推理与多视角理解，并新增仪表读数能力。
推荐理由：原文给出新模型在空间推理、多视角与仪表读数上的能力变化和开放入口，可据此判断机器人高层推理的进展。
Psibot 说他们的 Psi-R2 模型在 AllenAI 的 MolmoSpace 基准上排到了第一，但正文没披露具体任务设置和完整对比基线，所以这个“第一”的含金量得先打个折。他们同时放出了一个 100,889 小时的操作数据集，其中 95,472 小时是人类数据，5,417 小时是机器人数据，目前只开源了 1,000 小时。数据覆盖 294 个...
推荐理由：我会先打个折：正文说“成功率高近10倍”，但没交代任务设置、基线模型全名和统计细节，这个第一的含金量暂时没法核实。不过数据集的规模和构成是实打实的——近10万小时人类数据加真机数据，还混了失败样本进去，这对训练机器人操作模型是个值得跟的信号。推理延迟压到100毫秒内，说明工程上做了不少优化。整体看，信息量够、有讨论空间，但榜单那部分先别太激动，等更多细节放出来再说。
腾讯混元与Robotics X联合发布了HY-Embodied-0.5，核心是一个叫MoT-2B的模型。它总参数量4B，实际干活时只激活2B，在22项具身智能评测中拿了16项第一。训练数据量不小：用了超过1亿条具身数据、600B以上的预训练token、3000多万条中期训练样本，还引入了视觉隐空间token、双向注意力、RFT、强化学习和在线蒸馏。这模...
推荐理由：我会先打个折：这还是一次模型发布，不是那种当天就改变行业格局的大事，所以分数没拉到 85 以上。但它的钩子够强——腾讯说 MoT 比 MoE 更适合具身，而且一个激活参数只有 2B 的模型在 22 项评测里赢了 16 项，数字和训练细节也给得实在。对做端侧机器人的从业者来说，这套专门为具身重做的架构和训练链路比通用模型微调有意思得多，所以 H、K、R 都站得住。
Micro1 这家公司雇了 50 多个国家的几千名零工，让他们把 iPhone 绑在头上，拍自己叠被子、洗碗、做饭的视频，再把这些真实动作数据卖给做人形机器人的公司。一个尼日利亚的医学生时薪 15 美元，在当地算高收入，但他觉得每天重复熨衣服很无聊。文章说 2025 年人形机器人拿到的投资超过 60 亿美元，机器人公司每年花在买这类数据上的钱超过 1 ...
推荐理由：这篇我会放进 featured。在家拍家务视频这个画面本身就够抓人，而且文章给出了规模、薪酬和支出的具体数字，不是空谈。更值得盯的是它把一条隐藏的数据管线摊开了：工人知道视频是给机器人训练用的，但正文没披露这些数据怎么存、跟谁共享、能不能删。这种治理上的模糊，比融资数字更说明行业现在还处在野蛮生长阶段。
帕西尼宣布完成超10亿元人民币的B轮融资，估值突破百亿，领投方是黄浦江资本、凯泰资本和信安资本。公司自称是全球具身感知领域估值最高的企业。这笔钱的一个核心用途是训练他们自研的VTLA大模型，训练数据号称是“全球唯一百亿级实采全模态数据”。不过正文没披露这个模型的具体架构、参数量、实际任务表现，也没说数据具体包含哪些模态、怎么采集和标注的。百亿级数据听起...
推荐理由：这条消息核心就一件事：帕西尼拿了笔大钱，估值站上百亿。金额和估值数字本身有冲击力，但正文对模型能力、客户落地、量产进度一概没提，所以分数停在76，不往上调。百亿级实采数据是个值得盯的点，不过现在只能当个信号看，别急着下结论。
中科第五纪在2026年初一个月内完成了Pre-A和Pre-A+两轮融资，总额数亿元，红杉中国、东方富海、芯能创投等机构参与。它同时拿到了宇树科技“核心生态合作伙伴”的身份，从2025年起就作为宇树机器人的“大脑”模型供应商，进入电力巡检和工业搬运场景。创始人刘年丰说，现在投资人不再只看机器人能不能干各种杂活，更在意它能不能在具体场景里被客户复购。他们的...
推荐理由：具身智能加宇树供应链这个组合，天然有话题性和产业信号，所以H和R都成立。文章里公司自己报的数字——3到5条示范、97%成功率、按单机收费——虽然没第三方复现，但至少是可核对的硬信息，K也站得住。没给更高分是因为融资额只说“数亿元”比较模糊，而且所有性能数据都来自公司自述，没有独立验证。
Waymo 无人出租车乘客下车后没关好门，车就走不了。这家公司没做远程关门功能，而是在外卖平台下单，花 6.25 美元叫小哥跑一公里去关门，完事再加 5 美元。新闻点不是关门本身，而是程序在自动调动人力完成自己搞不定的环节。外卖员自带 API，已经接入了软件系统，成了可以被程序随时调用的“自动化人力”。这件事说明，AI 模型一旦跟人力打通，就不只是操作...
推荐理由：这不是一手爆料，但 6.25+5 美元这个案例把“人变成 API”这件事讲得很实在。HKR 三项都踩中了，分数留在 featured 的低位，因为正文是评论，Waymo 的系统规模、调用频率和正式产品方案都没披露，判断先别拉满。
这篇文章的核心判断是：中国把 AI 用进了工厂车间，美国还在把 AI 当实验室项目。中国已建成 3 万多家智能工厂，2024 年全球新装的工业机器人超过一半进了中国工厂。极氪宁波工厂用了 800 多台机器人，小米北京工厂每 76 秒就能产一辆车，美的荆州工厂用 AI 把产线响应时间从几小时压到几秒。这些 AI 不是写诗画画，而是做视觉质检、生产调度和预...
推荐理由：这篇不是讲模型，是讲工厂里机器人、调度和质检的落地差距。我会先打个折：正文没披露3万多家智能工厂的具体认定标准，也没说美国18%这个数字的样本来源，所以数据力度要留个心眼。但极氪800多台机器人、小米76秒节拍这些车间数字是实的，对比美国三分之二试点推不向量产，差距感很直观。对看产线落地的人，这篇比模型跑分更有参考价值。
穹彻智能刚完成数亿元A轮融资，领投方是C资本，跟投的还有东南亚互联网平台Sea Limited、普华资本，老股东Prosperity7 Ventures也追加了钱。这家公司2023年11月成立，核心产品叫Noematrix Brain，相当于给机器人装一个能理解指令、自己规划步骤、适应环境变化的“大脑”。目前这个大脑已经用在轮式单臂、轮式双臂和人形双臂...
推荐理由：HKR 三项都踩中了：融资标题本身有海外加注的钩子，正文又补了真机数据量和落地场景，比单纯报一轮钱更有信息量。我会先打个折——估值、收入和客户数都没披露，所以放在 featured 的低位。
黄仁勋在达沃斯论坛上把 AI 产业链拆成五层：能源、芯片与算力基建、云数据中心、模型、应用。他说 2025 年全球风投砸了超过 1000 亿美元，大部分钱流向了 AI 原生公司，重点在应用层和基建层。他举了个具体例子：美国护士缺口大概 500 万，AI 可以先把病历记录和转录这类活接过去。对从业者来说，他传递的信号是瓶颈不只在模型本身，整条基建和人力链...
推荐理由：这篇是黄仁勋在达沃斯的发言，不是产品发布或论文，所以分数不会给到顶。但他说的事够具体：1000 亿美金风投、五层栈结构、500 万护士缺口，而且把 AI 讨论从模型竞赛拽回基础设施和劳动力替代，对从业者有参考价值。我会先打个折，因为终究是高管讲话，不是可复现的结果，但信息量和切入角度都到位，80 分合理。
英国高级研究与发明署（ARIA）从 245 份提案里挑了 12 个项目，给每个团队约 50 万英镑（大概 67.5 万美元），让他们在九个月内做出能独立跑通“提假设—做实验—分析结果—再迭代”这套完整科研闭环的 AI 系统。ARIA 管这叫“AI 科学家”，说白了就是让大模型调用现有工具去干活，人类只负责定方向和监督。这次资助金额比 ARIA 平时给的...
推荐理由：英国 ARIA 这次不是撒概念，是真金白银选了 12 个团队做“AI 科学家”——系统要能自己提假设、设计实验、跑实验、分析结果再循环迭代。我会先打个折：目前获资助的项目主要还是调用现成工具，离全自动实验室还远。正文引了一项外部研究，说大模型代理跑完整科学流程的失败率有 75%，这点先别太激动。真正值得盯的是有没有团队做出可复现的实验闭环，而不是新闻稿里的热度。
这期节目是硅谷101在 CES 现场录的。嘉宾傅盛和硅谷徐老师聊了聊今年展会上的人形机器人热潮。官方数据显示，38 家人形机器人参展商里，有 21 家来自中国。Boston Dynamics 在展会上宣布，Atlas 产品版 2026 年开始交付，计划到 2028 年实现年产 3 万台。但傅盛直接质疑这个量产数字的意义，他认为宣布量产不等于找到了真实买...
推荐理由：这期节目没跟着 CES 人形机器人热潮喊口号，而是拿现场数据和厂商时间表来反问商业化到底走到哪了。我会先打个折，因为这是二手评论，不是一手产品发布，但 H、K、R 三个点都踩中了：标题有反差感，数字能当参考，ROI 的质疑对做机器人落地的人有实际提醒。