#机器人

ACE Robotics 把 Mundo 世界模型和机上技能拼成了一套酒店洗衣机器人，失败案例能反哺技能改进，单轮 18.6 秒。想看世界模型怎么在真实场景落地的，这篇比纯实验室 demo 有参考价值，做具身智能的可以细看。

官方一手Pandaily@[email protected] (Pandaily)原文

AMD 收了 World Labs 之后两位 CEO 第一次公开聊，聊的都是干货：机器人怎么把算力需求从云端拉到边缘、大模型在机器人上到底够不够用、NAIRR 和学术算力怎么解决。做机器人和边缘计算方向的工程师值得看看两家接下来的布局思路。

机器人靠人类视频学动作，视频标签全靠 AI 自动打，标签错了机器人就学废了。Perceptron AI 搞了个 EgoHome 基准专门测这个，GPT-6 Astra 拿了第一。做具身智能或数据标注 pipeline 的团队应该看看。

rohanpaul_ai@rohanpaul_ai原文

Tech in Asia 把东南亚 35 家 physical AI 创业公司整理成一张图，累计融资 4.965 亿美元，从机器人本体到部署服务都有。想找区域合作机会或看这个市场怎么落地的，这张地图省去你自己查的功夫。

Tech in Asia@Techinasia原文

Waymo 自己搞的科普视频系列第二季，主持人是 Vincent Vanhoucke，边开车边聊 VLA、foundation models 和机器人安全。想了解自动驾驶公司怎么讲自己的技术路线，可以直接看预告片决定追不追。

官方账号Waymo@Waymo原文

NVIDIA 把机器人开发全链路都开源了：模型权重、10 万小时数据、仿真引擎、硬件设计全给。演示里 GR00T 2 真手做化学实验还是 1 倍速无剪辑。搞具身智能的团队真该去看看，省多少从头造轮子的功夫。

官方账号Jim Fan@jimfan原文

Runway 把自家机器人模型 Praxis-1 和 GPT-6 Astra 放在同一个工作站上比，结果快了 15.6 倍，每个任务还便宜 51 倍。做机器人或自动化的开发者可以关注这种专用模型和通用 LLM 的选型对比。

官方账号Runway ML@runwayml原文

Robbyant 用近 5000 小时触觉数据训出的 LingBot-Touch，把各家传感器信号统一成一套表征，Meta 和国内传感器公司也在做同一件事但标准互不兼容。做具身智能、机器人感知的团队可以看看它怎么处理触觉数据碎片化的问题。

Asia Tech Daily@AsiaTechDaily Writer原文

Google DeepMind 给机器人厂商的模型升级了，任务成功率和完成速度都比老版本好，还加强了物理安全控制。做具身智能或机器人部署的团队可以关注一下，看看能不能接上自己的硬件。

Tech in Asia@Naomi Li Gan原文

北京给具身智能机器人企业上了“专属保姆服务”：上市有人一对一对接，还定了 2026-2028 三年内培育 200 家专项企业的目标。做机器人整机、零件、VLA 模型的团队值得关注，政策红利含金量不低。

内存进车里得先过安全认证这道门，SK hynix 的 LPDDR5X 拿下了。做 ADAS、车载娱乐系统或机器人硬件的团队选料时可以关注，和美光、三星的车规内存属于同一竞争赛道。

Tech in Asia@Diya Lal原文

Hedra 搞了个给机器人、制造业做定制模型的工作台，用的是你自己的设备数据。换硬件后成功率掉到 0% 也能不重训拉回 100%，做工业自动化的可以看看。

TestingCatalog@testingcatalog原文

Nvidia 这次把机器人训练的数据来源换成了 40 万小时人类视频，不用人工遥操作逐个示范了。不过成功率从 10% 到 80% 不等，离稳定可用还有距离。做机器人或具身智能的团队值得对比一下自家数据管线，看看视频学习路线能不能省成本。

官方账号Decoder@Maximilian Schreiner原文

机器人 demo 里总是一把成功，真实世界却会手滑，Memories Upload 从第一人称视频里抠出人无意识的小修正动作当训练数据。做具身智能或数据标注的团队值得对比一下它和遥操作采集的成本差异。

kimmonismus@kimmonismus原文

Google DeepMind 把 Gemini 拿来干体力活了，200 多项任务里连系蝴蝶结这种精细活都能做。做机器人、具身智能方向的朋友值得看看它的任务列表，跟自家硬件怎么配合是关键。

kimmonismus@kimmonismus原文

苹果没训练任何机器人模型，只把 Claude Opus 5.5 接上摄像头和机械臂，RoboLab-120 上零样本就拿到 85.6%，比专门训过的 VLA 高了近一倍。做机器人或具身智能的值得看看这个思路，缺点是实时性还跟不上。

rohanpaul_ai@rohanpaul_ai原文

NVIDIA 把机器人模型连数据带硬件设计全开源了，10 万小时训练数据随便用。想搞具身智能的团队可以省下从零造轮子的成本，直接在 GR00T 2 上微调自己的机器人。

官方账号Jim Fan@jimfan原文

机器人要学动手，靠的是大量真人手部操作视频。这家公司雇人录第一人称画面，按左右手动作逐帧打标签，做成能按动作搜索的训练数据卖给机器人实验室。做具身智能或模仿学习的团队可以直接关注这种数据源。

rohanpaul_ai@rohanpaul_ai原文

机器人圈常怪模型不行，这个团队反而去拍 20 多个行业里人类干活的视频，连手部动作都逐帧标注，已经有 3 家头部机器人实验室拿去训练了。做具身智能或关注数据瓶颈的都该看看这个思路。

AI Breakfast@AiBreakfast原文

Google DeepMind 把机器人基础模型升级到 2.5，同一套模型能叠衣服、端糕点还能在产线分拣汽车零件。和 Physical Intelligence、Figure 这些玩家正面竞争。做机器人和工厂自动化的朋友可以看看演示视频。

官方账号Google DeepMind@GoogleDeepMind原文

机器人真要走进家庭和工厂，光会干活不够，还得躲开人和危险物。DeepMind 这次把危险识别、避人、防越狱测试直接做进 Gemini Robotics 2.5 模型里。做机器人部署或安全评估的团队可以看看它的具体做法。

官方账号Google DeepMind@GoogleDeepMind原文

做机器人交互的可以看看智元这个 WITA-Omni：全双工架构把响应压到 400 毫秒左右，还带触觉输入和表情输出，跟纯语音模型思路不一样。7 月它还拿过 DailyOmni 榜单第一，关心具身智能路线的团队和开发者都值得对比研究。

迪士尼拉着 Field AI 这家 2023 年才成立、团队出身 DeepMind 和特斯拉的公司，做了个会眨眼、带机械臂的停车引导机器人。不是人形路线，走的是《汽车总动员》式场景设计。关心机器人落地场景和成本账的人可以看看。

DARPA 出钱、Caltech 做的太空机器人，真的在轨道上把零件拼成了一个桁架。以前 Canadarm2 只能搬运预制大部件，这次是从小零件开始搭。不过地面每天就 15 分钟窗口盯着调，说明离全自动还早，适合关心太空制造的人看。

三家欧洲芯片厂的老大难得一起出来表态，说的不是数据中心 GPU，而是机器人、工厂设备这类真实场景里的芯片生意。他们手里握着功率芯片和微控制器的优势，还签约在马耳他工厂放了人形机器人。关注机器人供应链和欧洲制造的人可以看看。

这条只有链接没有正文，我没法替你概括它说了什么。把原文贴过来，我可以按同样标准写出摘要、分类和标签。

The Rundown AI@therundownai原文

NVIDIA 在首尔办了场开发者活动，2000 多人到场，能现场玩智能体和机器人 demo，还有韩国开源模型的应用分享。

官方账号NVIDIA AI@NVIDIAAI原文