**【技术突破】研究团队提出“共享具身智能”（Shared Embodied Intelligence）架构，旨在通过融合协同智能与具身认知（Embodied Cognition），实现人形机器人与人类的高效协作。**
该架构的核心在于将人机交互建模为硬件配置与物理智能的函数。在技术层面，研究团队不仅优化了机器人的运动控制算法，还将人体模型嵌入到机器人的物理智能中，确保其在执行任务时符合人类工程学指标。作为该理论的实物载体，研发团队推出了人形机器人 ergoCub。该机器人通过对形态学和控制逻辑的双重优化，能够更自然地与人类进行物理交互，并在复杂的协作场景中提供更高的安全性。
这一突破为工业制造及辅助护理领域的机器人应用提供了新框架。通过在硬件设计和底层智能层面同时兼顾“人的因素”，ergoCub 等人形机器人能够在原本为人类设计的环境中，实现超越单一机器人的协同能力，推动具身智能从实验室走向实际应用场景。
**从智能边缘到具身智能：Renesas 押注人形机器人新赛道**
随着人工智能进入“具身智能（Embodied Intelligence）”时代，人形机器人正成为连接数字世界与物理世界的关键载体。Renesas（瑞萨电子）正通过强化底层算力支撑，推动机器人从简单的自动化作业向复杂的自主决策演进。
在技术层面，Renesase 聚焦于支持复杂任务的端到端（End-to-end）架构，旨在提升机器人的感知与执行能力。其芯片方案旨在优化 SLAM（即时定位与地图构建）、运动控制（Locomotion）以及基于视觉-语言-动作模型（VLA）的决策逻辑。通过集成高性能处理器，系统能够更高效地处理多模态数据流，实现从复杂环境识别到灵巧操作（Manipulation）的无缝衔接。
这一转型标志着半导体技术正从传统的智能边缘计算迈向物理 AI 领域。随着人形机器人进入工业制造、物流配送等高价值场景，高性能芯片将成为支撑具身AI落地、提升自动化生产力的核心基石。
**Physical Intelligence 拟以 110 亿美元估值开启 10 亿美元融资，加速具身智能落地**
AI 机器人初创公司 Physical Intelligence 正式启动新一轮融资，目标金额为 10 亿美元，届时公司估值将达到 110 亿美元。该公司致力于通过基础模型（foundation model）赋能机器人，旨在让机器人在复杂多变的现实环境中具备更强的通用性。
在技术路径上，Physical Intelligence 聚焦于构建能够理解复杂指令并执行精细动作的视觉-语言-动作模型（VLA）。通过整合模仿学习（imitation learning）与强化学习（reinforcement learning），该公司旨在打破单一任务驱动的局限，实现从感知到操作的端到端（end-to-end）能力。其核心目标是让机器人能够完成复杂的抓取（grasping）、灵巧（dexterous）操作以及跨场景的通用任务。
此次融资将加速公司在具身智能（embodied intelligence）领域的布局，推动人形机器人从实验室走向工业与服务场景。通过构建更强大的世界模型（world model），Physical Intelligence 旨在降低机器人的部署门槛，为自动化生产、物流配送等领域提供具备高度泛化能力的通用机器人大脑。
Boston Dynamics 展示了多台 Atlas（人形机器人）同步执行复杂动作的演示，展示了其在运动控制与协同作业方面的技术突破。通过高度同步的群体协作，Atlas 展现了超越单一机器人的灵巧性与稳定性。这标志着具身智能从单体技能演进到集群协同的关键跨越，为未来工厂自动化和多机器人协同作业提供了可落地的工程范式。
Mantis Robotics（螳螂机器人）计划于2027年推出双臂MR-X机器人，旨在通过集成视觉-语言-动作（VLA）模型提升机器人的灵巧操作能力。该产品由Agility Robotics支持，核心技术涵盖了从运动控制到复杂抓取的端到端学习路径。MR-X的量产将推动具身智能从简单的物流运输转向复杂的工业制造场景。这标志着人形机器人正从单纯的移动平台向具备高自由度操作能力的协作机器人（cobot）演进，加速通用机器人基础模型的落地应用。
加州大学圣地亚哥分校（UC San Diego）研发的Surgie人形机器人成功在普通手术室完成猪胆囊切除术。该实验包含两例成功的实操，通过远程操作技术让医生能够操控具身智能设备执行微创手术。与Da Vinci等高度专业化的多臂手术机器人不同，这种通用型人形机器人的灵活性使其具备进入偏远社区或极端环境（如搜救现场）提供医疗支持的潜力。这标志着人形机器人从特定工业场景走向复杂医疗协作，为解决医疗资源分布不均问题提供了新的技术路径。
宇树科技（Unitree）正式进入人形机器人关节组件的早期量产阶段，旨在通过规模化生产降低硬件成本。该公司在产品线中涵盖了从AGV、AMR到具身智能领域的多种机器人产品。此次量产不仅能加速人形机器人的工业化落地，更意味着供应链端的标准化将推动相关领域从实验室原型向大规模商用迈进，为通用人形机器人的普及提供关键的硬件支撑。
Holiday Robotics 获 1.55 亿美元（约 1550 亿韩元）A 轮融资，旨在加速人形机器人（humanoid）在韩国工厂自动化领域的应用。公司核心技术聚焦于通过端到端（end-to-end）模型提升机器人的灵巧（dexterous）操作与运动控制能力。这标志着具身智能（embodied intelligence）正从实验室走向大规模工业生产线，推动人形机器人替代传统 AGV 或协作机器人（cobot），成为解决复杂制造场景中非结构化任务的关键力量。
1X Technologies 的研究负责人 Sam Sinha 将与 MIT Technology Review 探讨世界模型（world model）如何赋能机器人理解并操作物理空间。不同于仅处理文本的 LLM，世界模型旨在构建 AI 对真实世界的认知框架。这一技术的突破将推动具身智能从单纯的指令遵循转向复杂的环境感知与决策。对于行业而言，世界模型的成熟意味着机器人能够跨越模拟到现实（sim-to-real）的鸿沟，在复杂多变的物理环境中实现更高级的自主操作。
世界模型（world models）正成为继大语言模型后的核心研究方向，旨在为AI系统提供模拟物理世界的底层能力。MIT、Runway及World Labs等机构的专家指出，不同于以对话界面切入的LLM，世界模型目前正从机器人、科研和资产生成等具体应用场景反向驱动技术演进。该技术的突破将为具身智能（embodied intelligence）提供更强的物理规律模拟能力，帮助机器人跨越单纯语言逻辑到复杂物理操作的鸿沟，解决当前LLM在处理真实物理交互时的局限性。
一项针对老年人行走引导的研究揭示了机器人触碰对用户心理与行为的影响。研究人员邀请24名68-88岁的受试者，在10米路径上由TIAGo Pro（人形机器人）提供四种不同模式的导引：无接触、握住手腕、挽手以及前臂支撑。实验通过心电图和皮肤电活动等多模态评估发现，虽然交互会导致压力水平轻微上升，但高接触力（如握手或前臂支撑）能显著提升用户的信任感与安全感。这为具身智能在养老护理领域的落地提供了关键设计依据：相比无接触式互动，提供稳定且温和的物理触碰是提升老年人对辅助机器人接受度的核心路径。
AgenticFocus 提出一种混合现实合成管线，旨在将普通第一人称视角（FPV）视频转化为可供人形机器人训练的演示数据。该技术通过修复遮挡的物体几何结构并重构完整手部动作，解决了传统数据中存在的遮挡严重、运动简化等问题。实验显示，AgenticFocus 在 SPARC 评分上优于跨具身基准模型（-5.18 对比 -5.56 和 -6.05），且具备更低的轨迹误差和更平滑的腕部运动。这为具身智能提供了低成本、高保真的数据扩充路径，降低了构建高质量抓取与操作数据集对专业采集设备的依赖。
半导体巨头 STMicroelectronics 参股意大利机器人公司 Oversonic Robotics，旨在加速其核心产品 RoBee 的工业化与全球扩张。RoBee 是首款获得认证、可在复杂工厂环境运行的认知人形机器人（humanoid）。此次融资引入了 Fondazione ENEA Tech Biomedical 及 SpotInvest 等战略伙伴，重点布局医疗护理及食品加工等细分领域。此举标志着具身智能从实验室走向工业实操，通过跨界资本整合加速人形机器人在制造、医疗等真实场景的落地应用。
一项全新的测试基准旨在评估人形机器人（humanoid）在真实物理环境中的受力处理能力。该测试通过模拟复杂动态负载，衡量机器人在执行抓取（grasping）与操作（manipulation）任务时对外部扰动的鲁棒性。不同于以往仅关注视觉识别的指标，此基准聚焦于物理交互中的动力学反馈。这标志着具身智能（embodied intelligence）从“感知驱动”向“力觉协同”跨越，将推动人形机器人从实验室环境走向复杂的工业制造与物流场景。
MIT（麻省理工学院）研究团队研发出一种超声波腕带，通过实时捕捉肌肉和肌腱运动，将佩戴者的手部动作精准映射至机器人或虚拟环境。该技术利用AI算法解析超声波图像，实现了对五指及掌心的精确控制，支持远程操作机器人弹钢琴、投篮等复杂任务。这一突破为具身智能提供了海量多样化的手部动作数据，旨在解决人形机器人在灵巧抓取与精细操作领域的训练难题，有望替代传统追踪技术成为VR/AR交互及工业协作的核心方案。
大成建设（Taisei Corporation）与FANUC合作开发基于AI的混合产品托盘拣选系统，旨在解决物流领域中非标准化物品识别与抓取的难题。该系统利用深度学习技术实现对不同形状、尺寸及材质产品的精准识别，并结合高精度机械臂完成自动化搬运。项目计划于2026年7月在实际生产线投入应用。此举推动了工业场景下从单一规则驱动向智能感知驱动的转变，为复杂环境下的具身智能落地提供了实战案例，显著提升了物流分拣的灵活性与自动化水平。
研究者通过挖掘模型阶数缩减（MOR）领域的经典理论，揭示其与现代世界模型（World Model）在功能架构上的高度一致性。该研究指出，基于本征正交分解（POD）的低维模型早在数十年前就已具备处理复杂环境动态的能力，并提供关键的验证层以确保闭环控制中的预测可靠性。相比于纯数据驱动的端到端模型，融合物理约束与可验证性的MOR技术能显著提升电力、热力等高可靠场景下的系统稳定性。这为具身智能从实验室走向工业级严苛环境提供了关键的技术路径：通过引入物理先验和误差边界，解决当前世界模型在安全性要求极高的领域难以部署的痛点。
DriveMA 框架通过引入可验证的元动作（Meta-Actions）解决了驱动视觉-语言-动作模型（Driving VLA）中的语言与动作鸿沟问题。该系统利用轨迹锚定的标注流程，将复杂的车辆运动转化为紧凑的语言意图，并通过基于规则的投影进行校验。在 Waymo Open Dataset 评测中，DriveMA 使用 2B 模型达到 8.060 的评分，4B 模型提升至 8.079。这一突破证明了可验证的元动作接口能有效对齐高层决策与底层规划，为具身智能中的复杂长程任务提供更可靠的端到端控制路径。
研究者通过引入自然语言对话通道，探索具身智能（Embodied AI）中的多智能体协作与世界模型对齐。实验基于PARTNR基准测试，在涉及家庭机器人的任务中，通过对话让具有部分观测能力的机器人共享信息。实验结果显示，对话能显著降低40%至83%的动作冲突，但由于当前大模型仍存在能力局限，其任务成功率反而低于静默协作。这表明当前的具身智能系统在实现深层世界模型对齐方面仍面临挑战，未来的突破点在于如何让机器人通过真实沟通建立一致的认知空间，而非仅仅进行表层的指令对齐。
GATS框架通过结合基于UCB1的树搜索与三层世界模型（Layered World Models），在消除推理过程中LLM调用的情况下显著提升了智能体规划性能。实验显示，在包含代码工作流、网页导航等12种复杂场景的压力测试中，GATS实现了100%的成功率，远超LATS（88.9%）和ReAct（23.9%）。该框架将单任务LLM调用次数从LATS的37次降至零。这标志着具身智能领域可摆脱对昂贵且具有随机性的LLM实时推理依赖，通过构建结构化的世界模型实现确定性、低成本的高效路径规划。