**全球首例：人形机器人完成“骑马射箭”挑战**
近日，一项突破性的技术演示展示了人形机器人（humanoid）在复杂动态环境下的高超操控能力。在这一实验中，一台人形机器人成功跨上机械马并完成了复杂的“骑马射箭”动作。
该任务对机器人的平衡控制与精细操作提出了极高要求。为了实现这一目标，研发团队采用了先进的运动控制（locomotion）算法与灵巧（dexterous）抓取技术，确保机器人在动态晃动的座驾上保持重心稳定。同时，通过复杂的动力学建模，机器人能够精准协调肢体动作，完成从跨骑到瞄准射击的连贯动作链。
这一突破不仅是具身智能（embodined intelligence）在复杂场景下的实战演练，更标志着人形机器人在非结构化环境中的操作能力大幅跨越。该技术的成功应用，预示着机器人将能够进入更多高难度、多变的任务场景，为未来自动化作业提供更强的灵活性与适应性。
**人形机器人完成“首场自由搏击”：实战演练中的高难度动作突破**
在近期于中国举行的“全球首场自由搏击”演示中，一款人形机器人成功执行了高难度的“高踢腿”动作。这一突破标志着具身智能（Embodied Intelligence）在复杂动态环境下的运动控制能力取得了显著进步。
该机器人在实战模拟过程中展现了极高的稳定性与灵活性。其核心技术涵盖了复杂的运动控制（Locomotion）算法，能够实时处理高速移动中的重心平衡与关节协同。通过先进的端到端（End-to-end）模型训练，机器人能够精准捕捉对抗中的动态变化，并做出快速反应。这种从复杂动作到稳定执行的跨越，验证了当前具身AI在处理非结构化环境下的操作（Manipulation）能力。
此次实战演练不仅是技术层面的展示，更预示着人形机器人在复杂交互场景中的应用前景。随着运动控制与感知能力的融合提升，人形机器人正从实验室走向复杂的真实场景，有望在安保、应急救援等高动态要求的领域实现大规模商用。
**三星整合机器人团队，加速布局人形机器人核心技术**
三星（Samsung）正通过整合内部机器人研发团队，旨在构建统一的硬件与软件生态，并计划设立专门针对人形机器人（humanoid）的HX部门。此举意在通过整合底层算法与上层应用，加速具身智能（embodied intelligence）技术的落地。
在技术路径上，三星聚焦于融合多模态基础模型（foundation model）与端到端（end-to-end）控制架构。通过强化学习（reinforcement learning）优化运动控制（locomotion），并结合视觉-语言-动作（vision-language-action）模型提升机器人的交互能力。此外，三星正致力于提升复杂环境下的灵巧操作（manipulation）与抓取（grasping）精度，旨在突破现有自动化设备在非结构化场景中的局限性。
此举标志着三星从消费电子巨头向通用机器人领域的深度跨越。通过整合资源，三星旨在建立涵盖感知、决策与执行的完整技术栈，推动人形机器人从实验室走向工业制造与服务领域的实际应用。
Figure AI 展示了两个 humanoid（人形机器人）进行高强度对抗的演示，即便在遭受头部踢飞等剧烈冲击下仍能保持动作连续性。该视频展示了机器人在复杂物理交互中的鲁棒性，而非简单的预设轨迹。这标志着具身智能从受控环境向非结构化、强对抗场景跨越。通过提升机器人对动态干扰的容错能力，此技术将加速人形机器人在物流仓储及危险作业等高动态环境中的实操落地。
Agility Robotics 在弗里蒙特（Fremont）开设了面积超过 60,000 平方英尺的训练中心，用于训练其人形机器人 Digit。该设施旨在通过大规模实地环境提升机器人的运动控制与操作能力。这标志着具身智能从实验室走向工业化规模化训练，通过提供更复杂的物理场景，加速人形机器人在复杂环境中的鲁棒性进化，为商用领域的部署提供关键的技术支撑。
1X推出专为NEO人形机器人设计的25自由度（DoF）腱驱动机器人手，旨在突破硬件限制以实现类人灵巧操作。该产品包含22个指部/掌部关节及3个腕部关节，具备力控、可反驱动特性和高分辨率触觉传感，支持从组装乐高到插拔USB-C接口等多种复杂任务。其电机置于前臂并配合专用腱结构，确保轻量化与高抓取力，且具备IP68防水等级。1X计划在今年生产多达10,000只该机器人手。这一突破为具身智能提供了更接近人类能力的硬件基础，推动人形机器人从实验室演示走向真实复杂环境的工业应用场景。
现代汽车集团（Hyundai Motor Group）已获得Boston Dynamics的全部所有权，旨在加速其机器人技术的商业化落地。此次收购涵盖了包括Spot、Stretch等在内的核心产品线，并整合相关技术用于工业自动化与物流场景。通过将Boston Dynamics领先的运动控制和平衡算法与现代汽车的制造能力结合，该举动将推动具身智能（embodied intelligence）从实验室走向大规模工业应用，加速人形机器人及协作机器人（cobot）在复杂环境下的实操落地。
一种新型机器人手能够通过单电机驱动在多种抓取器之间切换，显著提升了复杂环境下的灵巧（dexterous）操作能力。该设计突破了传统机械结构对多电机驱动的依赖，支持在不同任务间快速切换抓取工具。这一技术进步为具身智能（embodied intelligence）提供了更高效的硬件方案，降低了高性能机器人手的制造复杂度。它将推动工业场景中通用型协作机器人（cobot）的普及，让机器人在无需频繁更换硬件的情况下处理更多样化的物体操作任务。
Foundation Future Industries 正致力于研发具备致命能力的 humanoid（人形机器人）超级士兵，旨在将具身智能技术应用于军事领域。该公司已获得由 Eric Trump 投资支持，并计划在未来几个月内展示相关武器系统。其核心产品 Phantom MK1 已在乌克兰战场进行实测，且公司通过收购 Boardwalk Robotics 等机构获得了涉及国防领域的政府合同。此举标志着人形机器人正从民用场景向高风险军事领域快速渗透，推动具身智能在复杂地形下的自主作战与侦察能力落地。
研究者提出一种基于主动评估框架，旨在解决通用机器人策略在复杂多变环境下的性能评估难题。该方法将评估视为序列实验设计问题，通过概率代理模型在物体位姿、相机视角等任务因子空间中进行自适应采样。在涵盖3项任务及3种因子变化的实测中，该框架相比随机测试可减少20%-40%的试验次数。这为具身智能领域的部署提供了更高效的验证路径，能显著降低真实硬件评估成本，并精准识别机器人操作中的潜在失效区域。
研究团队提出一种基于行为基础模型（BFM）的通用人形机器人控制框架，旨在通过大规模行为数据提升机器人的全身协调与泛化能力。该方案结合了运动追踪学习范式、多样化的参考动作以及名为Humanoid Transformer的扩展架构。实验证明，该方法在仿真与实测中显著提升了控制精度：相比现有控制器，其在局部模式下的MPKPE降低超过10%，而在全局模式下降低幅度高达82%。这为构建具备通用能力的具身智能提供了可扩展的技术路径，推动人形机器人从特定任务操作向通用行为泛化跨越。
Monumental完成由Khosla Ventures领投的3200万美元B轮融资，旨在通过自动化机器人解决全球建筑领域严重的劳动力短缺问题。该公司已在荷兰和英国部署超过150台具备毫米级精度的自动施工机器人，并利用Atrium AI平台驱动机器进行砌砖等复杂任务。目前已有超过100座房屋及公共设施由其机器人完成建设。这一进展标志着具身智能正从实验室走向高门槛的基建领域，通过将自动化技术引入传统低效率行业，直接解决建筑成本高昂和工人数不足的痛点。
研究者提出一种基于游戏引擎逻辑的交互式世界模型（World Model），旨在解决当前视频生成模型在长程一致性和实时规则遵循方面的缺陷。该研究构建了一个针对《黑神话：悟空》（Black Myth: Wukong）的大规模数据引擎，包含超过90小时的对齐玩家动作、真实游戏状态及视觉观测数据。这种将“动作-状态-观察”循环引入模型的方法，为具身智能提供了更稳定的环境模拟手段。这有助于机器人从单纯的视频预测转向具备逻辑一致性的交互式决策，提升复杂场景下的任务规划能力。
研究者基于LeWorldModel构建了一个包含1800万参数的潜在世界模型（Latent World Model），旨在解决地球观测（EO）中的云层遮挡预测难题。该模型在EarthNet2021数据集上通过整合多光谱图像与气象因子，将下一时刻图像可用性的准确率从基准的约50%提升至最高88.7%。相比于LightGBM等传统算法，该模型在连续晴空回归和精确恢复时间预测上表现更优。这为具身智能中的环境感知提供了新思路：通过世界模型预测动态环境的可观测性，能显著优化机器人或自动化系统在复杂多变天气下的任务规划与决策效率。
研究者提出一种分布鲁棒且安全的模仿学习（Imitation Learning, IL）框架，旨在解决模型在面对分布偏移时的安全性风险。该方案结合泰勒级数模仿学习（TaSIL）缓解策略诱导的偏差，并利用分布鲁棒自适应控制处理不确定性导致的偏差。实验在无人机（UAV）避障任务中得到验证，证明了系统能在复杂环境下同时优化性能与安全约束。这一进展为具身智能中的运动控制提供了更稳健的算法保障，有助于提升机器人在非结构化环境中的可靠性，降低因数据分布不一致导致的碰撞或失效风险。
研究者提出一种名为“operator-on-F”的新型诊断指标，旨在解决基于模型强化学习（MBRL）中世界模型评估的局限性。在TD-MPC2模型测试中，传统的奖励预测误差仅在0.028到0.091之间波动，难以区分不同规模模型的性能差异；而“operator-on-F”指标的误差范围跨度达0.28到2.62，且与回报损失的相关性高达-0.90。该诊断工具能有效识别潜在空间中的规划相关错误。这为具身智能领域的模型评估提供了更精准的判别标准，有助于开发者在训练复杂机器人任务时，更准确地筛选出具备高可靠预测能力的世界模型。
研究团队提出 Mechanistic World Models（机制世界模型）框架，旨在将 AI 从单纯的预测映射转向具备可解释性的科学发现。该模型融合了机械可解释性、因果表示学习及方程发现等多个技术路径，构建起以“可重复利用的机制”为核心的计算蓝图。不同于现有仅追求预测准确率的基础模型，该框架强调知识组织结构。这为具身智能提供了一种从“感知-预测”到“理解-推理”的跨越，有助于机器人通过理解物理规律而非单纯拟合数据来完成复杂的任务规划与科学探索。
DMS正式加入旨在推动人形机器人（humanoid）早期社会应用的组织“J-HRTI”。该机构联合多方力量，致力于将具身智能（embodied intelligence）技术从实验室推向物流、制造等实际工业场景。通过整合跨领域的资源，J-HRTI旨在加速复杂任务中的抓取（grasping）与操作（manipulation）技术的落地。此举意味着人形机器人正从单纯的学术研究转向标准化生产流程，将加速推动具身智能在自动化仓储及制造业中的大规模商业化部署。
Unitree（宇树科技）推出具备高度灵巧性的G1人形机器人，并在一项首创研究中成功执行模拟手术操作。该机器人在复杂环境中展现了高精度的抓取与操控能力，通过集成视觉-语言-动作（VLA）模型与端到端学习框架，实现了从感知到动作的无缝衔接。这标志着具身智能从基础的运动控制向精密工业/医疗级操作跨越，为人形机器人在手术室等高精度要求的垂直领域落地提供了技术验证。
Unitree（宇树科技）通过整合视觉-语言-动作模型（VLA）与端到端学习，旨在提升人形机器人的复杂任务处理能力。公司在技术路径上融合了模仿学习、强化学习以及从仿真到现实（sim-to-real）的迁移技术，重点攻克灵巧操作（dexterous manipulation）与运动控制（locomotion）两大核心难题。这标志着具身智能正从单一的导航移动向高自由度的复杂交互演进，推动人形机器人从实验室原型走向具备通用能力的工业级应用场景。