**软银预测：到2040年，全球将有10亿台人形机器人投入使用**
软银集团（SoftBank）创始人孙正义预测，到2040年，全球将有超过10亿台人形机器人（humanoid）进入市场。这一宏大愿景的核心驱动力源于具身智能（embodied intelligence）技术的爆发式增长，特别是基础模型（foundation model）与视觉-语言-动作模型（VLA）的融合，正赋予机器人在复杂环境中的自主决策能力。
在技术层面，通过端到端（end-to-end）学习架构，机器人能够整合感知与执行逻辑，实现从运动控制（locomotion）到灵巧操作（dexterous manipulation）的跨越式进化。结合强化学习（reinforcement learning）与仿真到现实（sim-to-real）技术，人形机器人的泛用性正显著提升。
这一趋势预示着机器人将从工业领域的特定工位走向通用服务领域。大规模部署不仅意味着生产力革命，更将推动人形机器人成为重塑全球劳动力结构、解决人口老龄化挑战的关键基础设施。
**【头条】机器人格斗赛“REK”登陆日本：实机人形机器人对战上演**
美国机器人格斗赛事“REK”正式登陆东京秋叶原，展示了高性能人形机器人（humanoid）之间的实机对抗。
在技术层面，参赛机器人在高强度的动态博弈中展现了极高的运动控制（locomotion）稳定性与物理交互能力。这些机器人并非简单的预设程序，而是通过复杂的算法实现对对手动作的实时响应。这种高频次的物理碰撞与对抗，是检验具身智能（embodied intelligence）在复杂多变环境下的鲁棒性的核心手段。
此次实战展示不仅是技术的炫技，更具有重要的行业意义：通过模拟格斗等极端动态场景，可以极大地加速机器人抓取（grasping）、平衡控制及复杂操作（manipulation）的算法迭代。这种高强度的实机对抗数据，将为提升人形机器人在非结构化环境中的泛化能力提供关键支撑，推动具身AI从实验室走向实际应用场景。
**Agility Robotics 拟通过 6.2 亿美元业务合并计划上市**
机器人领域的领军企业 Agility Robotics 宣布将通过一项价值 6.2 亿美元的业务合并（business combination）完成上市。此举旨在为公司提供充足资金，加速其在具身智能（embodied intelligence）及人形机器人（humanoid）领域的研发与规模化生产。
Agility Robotics 的核心技术聚焦于高性能运动控制（locomotion）与复杂环境下的操作（manipulation）。其旗舰产品采用先进的平衡算法与感知系统，能够实现在非结构化环境中稳定行走并执行任务。通过整合先进的模仿学习（imitation learning）与强化学习（reinforcement learning），该公司的机器人展现出极高的灵活性，旨在替代人类在物流、仓储等高重复性或危险场景中的工作。
此次上市不仅是资本层面的里程碑，更标志着人形机器人从实验室走向大规模商业应用的转折点。随着资金注入，Agility Robotics 有望加速推动具身智能技术在工业自动化领域的渗透，成为重塑现代物流与制造链条的关键力量。
1X Technologies推出搭载25个关节的Neo人形机器人手，旨在通过高自由度设计突破复杂任务中的灵巧操作（manipulation）瓶颈。该产品采用端到端（end-to-end）架构结合视觉-语言-动作模型（VLA），显著提升了抓取（grasping）精度与动态适应能力。这标志着具身智能（embodied intelligence）正从简单的移动控制转向精细的灵巧操作，为人形机器人进入非结构化工业环境、替代人类执行高难度装配任务提供了关键硬件支撑。
中国机器人初创企业获投2亿美元，旨在加速具身智能（Embodied Intelligence）技术的商业化落地。该融资将重点投入于人形机器人（Humanoid）的研发，特别是通过端到端（End-to-end）架构整合视觉-语言-动作模型（VLA），提升机器人在复杂环境下的抓取（Grabbing）与操作（Manipulation）能力。这标志着资本正从基础算法转向具身智能的实操环节，推动机器人从简单的物流搬运向具备高灵巧度、能执行复杂任务的通用智能体进化。
Acumino 获 1170 万美元种子轮融资并加入 Google DeepMind 的欧洲机器人加速器。该公司专注于通过视觉-语言-动作（VLA）模型和端到端学习，提升人形机器人的灵巧操作与运动控制能力。相比传统基于规则的程序，其技术路径更接近具身智能（Embodied Intelligence）的核心逻辑。这标志着具身智能领域正从单一的移动机器人（AMR）向具备复杂交互能力的通用机器人进化，加速了基础模型在真实物理世界中的落地应用。
MIT Technology Review 将与 1X Technologies 的研究负责人 Sam Sinha 共同探讨世界模型（world model）如何赋能机器人领域。该讨论聚焦于通过构建物理世界的逻辑模型，解决当前 AI 在处理复杂物理环境时的能力短板。目前，具身智能正从单纯的感知转向对真实物理规律的理解。若世界模型能够有效落地，将为下一代智能机器提供更强的空间推理与决策能力，推动机器人从简单的自动化任务向复杂的自主操作进化。
研究人员通过对流匹配模型 $\pi_0$ 进行实验，证实了 LoRA 微调在工业机器人操作中的高效性。在涉及 UR5e 机械臂的四项精密组装任务中，当 LoRA 秩（rank）达到 32 时，性能已趋于饱和且与全参数微调无显著差异。该方法能将静态峰值显存从 36.2 GiB 降低至 10.8 GiB。这一发现为具身智能提供了一条低成本路径：通过特定的 LoRA 配置即可在有限算力下实现高效的视觉-语言-动作（VLA）模型适配，显著降低工业级机器人部署的硬件门槛。
三菱电机（Mitsubishi Electric）宣布将于2026年7月推出人形机器人Highlanders，旨在通过高度复杂的运动控制与操作实现工业应用。该机器人在2023年已完成初步开发，并计划在2027年实现1000台规模的量产目标。与此同时，丰田（Toyota）正加速强化AI学习能力以提升自动化水平。汽车制造商的深度介入意味着人形机器人正从实验室原型走向大规模工业化生产，将推动具身智能在物流、制造等实操场景中的快速落地。
Google DeepMind 推出的视频-动作世界模型（video-action world model）通过整合视觉、语言与动作，显著提升了机器人的决策能力。该模型支持机器人从简单的抓取到复杂的任务规划，并能有效处理长程操作中的不确定性。相比传统方法，该模型利用端到端架构融合了基础模型与世界模型，增强了具身智能在复杂环境下的泛化性能。这标志着具身智能正从单一的运动控制向具备高层逻辑推理的通用机器人进化，为实现能够自主处理多步骤任务的人形机器人提供了关键技术路径。
研究团队通过端到端模仿学习（imitation learning）实现了软机器人血管内导航的自动化。该框架基于Transformer架构，结合目标条件和相对动作输出，在36种不同分支几何结构中生成了647条模拟透视演示数据。实验显示，该策略在未见过的血管几何结构中达到83%的成功率，并在真实的患者衍生几何结构中达到75%。这一进展为复杂医疗场景下的具身智能提供了新路径，通过克服软机器人建模难、控制复杂的痛点，提升了介入手术中的操作精度与安全性。
Oriental Motor（东方电机）推出搭载新型伺服电机的芯片搬运演示，旨在提升自动化生产线的精密操作能力。该系统采用支持3.5kHz脉冲响应、具备26位编码器的伺服电机，并配合EtherCAT通信协议实现高速同步控制。在实际应用中，该技术可支撑高达4000N的抓取力，且能精准处理直径仅为13mm至42mm的微小零件。这标志着工业自动化正向高精度、高动态响应方向演进，为具身智能中的精密操作（manipulation）和精细抓取提供更可靠的底层硬件支撑。
研究团队开发出一个低成本的AIoT（人工智能物联网）实测基准平台，旨在量化强化学习中的仿真到现实（sim-to-real）差距。该平台采用商用组件构建，总成本低于400美元。实验显示，在模拟环境中训练的智能体在真实环境部署后性能下降达1160%，而直接在实地进行DQN算法训练可在1000万步后达到人类水平约38%的成绩。该平台为评估AIoT系统中的强化学习鲁棒性提供了标准化工具，有助于缩短具身智能从虚拟仿真走向真实工业场景的转化周期。
研究团队提出 FedKAD 框架，旨在解决资源受限的 IoT 设备在处理非独立同分布（non-IID）数据时的异常检测难题。该方法摒弃了高耗能的深度学习模型，转而利用轻量化的 Koopman 表示法来建模时间序列动态，并通过 Stiefel-ADMM 算法在联邦学习架构下实现低秩共识。实验表明，FedKAD 在保持同等甚至更高检测性能的同时，比神经网络基准模型快 2100 倍的训练速度、减少 80 倍通信量，并降低 79 倍推理延迟。这为边缘计算场景下的实时异常监测提供了极具效率的替代方案。
PHINN-EEG通过引入拓扑时间序列分析框架，显著提升了基于脑电图（EEG）的梦境内容识别精度。该研究利用动态贝蒂曲线（Dynamic Betti Curves）捕捉神经活动的几何结构而非单纯的能量特征，在包含1462次唤醒记录的DREAM数据库测试中，将预测AUC从现有技术的0.70提升至0.82-0.90。通过拓扑约束的流匹配模型，该技术实现了更精准的梦境状态信号合成。这标志着神经科学从频谱能量分析转向相空间几何建模，为未来可穿戴脑机接口（BCI）监测特定认知状态提供了关键的技术路径。
CAAD框架通过引入格兰杰因果关系（Granger causality）一致性校验，显著提升了工业复杂系统的多变量时间序列异常检测精度。该模型将外生变量建模为残差，并结合多尺度对齐与基于梯度的矩阵技术，从动态演变和关系拓扑两个维度捕捉细微的因果偏移。在真实工业数据集测试中，CAAD的表现优于多数现有基准模型。这一突破意味着具身智能系统在复杂工业环境中的鲁棒性将大幅提升，能够更精准地识别潜在故障并保障自动化生产线的运行安全。
AnythingReality 推出一种融合在线高斯泼溅（Gaussian Splatting）与 SLAM 的新架构，旨在实现鲁棒的 VR 场景探索。该系统结合 ORB-SLAM3 位姿估计与在线重建技术，在 TUM-RGBD 数据集上显著提升图像质量（PSNR 提升 11.7%），并实现 88% 的 VLM 物体识别率。通过将语音指令转化为语义描述，该方案解决了真实世界噪声数据下的三维重构难题。这为具身智能中的多模态交互提供了更稳定的环境感知基础，助力机器人在复杂、动态的非结构化环境中进行精准的空间理解与导航。
一种新型软体漂浮机器人（Soft floating robot）通过在室内空间中平稳滑行提供陪伴功能，旨在突破传统移动机器人的结构限制。该机器人采用柔性材料设计，能够适应复杂的居家环境并与人类互动。相比于传统的AGV或AMR，这种软体设计降低了碰撞风险并提升了交互的安全性。这标志着具身智能（embodined intelligence）正从刚性机械向更具亲和力的形态演进，为家用陪伴机器人提供了一种非传统路径的技术方案。
学术界提出“可持续机器人（Sustainability Robotics）”新学科，旨在建立涵盖环境、社会与经济维度的统一框架。该体系将机器人发展划分为两个维度：一是减少材料消耗与能源损耗的“可持续机器人设计”，二是解决气候变化及医疗教育等挑战的“面向可持续性的机器人解决方案”。该框架强调低侵入性、普惠性和共生性三大原则。这标志着具身智能领域正从单纯追求技术突破，转向更具社会责任感的规范化发展，将推动行业在材料选择、能源效率及公平准入等方面建立统一的科研与政策标准。
研究人员利用计算机视觉技术开发出机器人裁判，旨在消除棒球比赛中针对明星球员的判罚偏见。该系统通过实时分析投球轨迹与击球动作，提供比人类更客观的判定标准。相比传统人工裁决，机器人裁判能够确保规则在不同知名度球员面前的一致性。这一应用展示了具身智能在复杂运动场景中的决策公正性，为体育竞技中自动化判罚系统的落地提供了技术路径，推动机器人在高精度、强实时要求的专业领域替代人类执行重复性任务。