**【头条】Unitree发布UnifoLM-X2-1.0：世界模型驱动具身智能跨越式进化**
Unitree推出的UnifoLM-X2-1.0模型，通过引入世界模型（world model）显著提升了机器人在复杂动态环境中的决策能力。该模型不再仅仅依赖于简单的指令执行，而是赋予机器人更强的预测能力与逻辑推理能力。
在技术架构上，UnifoLM-X2-1.0融合了视觉-语言-动作模型（VLA）与强大的世界模型构建。通过大规模数据的预训练，模型能够理解复杂的物理规律和因果关系，显著提升机器人在非结构化环境中的操作（manipulation）精度。相比于传统的端到端（end-to-end）学习，这种架构让机器人能更从容地处理长程任务规划，有效克服了传统算法在复杂场景下的逻辑断层。
这一突破标志着具身智能（embodied intelligence）正从“感知驱动”转向“认知驱动”。通过强化世界模型的理解力，人形机器人能够更好地适应真实世界的变数，大幅降低对高精度预设路径的依赖，为工业自动化与通用服务机器人的大规模商用铺平道路。
**【头条】具身智能进入“基础模型”时代：从通用动作到工业实战的跨越**
随着具身智能（Embodied Intelligence）技术的演进，机器人正从单一任务执行转向基于大模型的通用能力进化。近期行业聚焦的核心突破在于机器人动作基础模型（Robot Action Foundation Models）的建立，通过整合视觉-语言-动作（VLA）模型，赋予人形机器人（Humanoid）在复杂多变环境下的泛化操作能力。
技术层面，研究重点正从单纯的运动控制（Locomotion）转向复杂的灵巧抓取（Grasping）与精细操作（Manipulation）。通过强化学习（Reinforcement Learning）与模仿学习（Imimitation Learning），结合高效的仿真到现实（Sim-to-Real）迁移技术，机器人能够跨越不同场景的技能鸿沟。同时，融合制造数据与世界模型（World Model）的端到端（End-to-End）架构，正显著提升机器人在工业生产线上的稳定性。
这一变革预示着机器人将从特定工位的自动化工具转变为具备通用能力的协作机器人（Cobot）。随着基础模型的成熟，具身智能将大幅降低企业部署复杂制造流程的门槛，推动制造业从“自动化”向“智能化”跨越式发展。
**Boston Dynamics 衍生公司押注“有性格”的机器人：赋予具身智能情感交互能力**
Boston Dynamics 的衍生公司正致力于通过赋予机器人“个性”，提升其在复杂环境中的交互能力。该公司旨在超越单纯的任务执行，让机器人在与人类互动时具备更自然的表达和反应。
在技术路径上，该公司重点布局具身智能（embodied intelligence），通过集成先进的视觉-语言-动作模型（VLA）和基础模型（foundation model），赋予机器人理解复杂指令并进行自主决策的能力。相比于传统的预设程序，这种基于端到端（end-to-end）学习的架构，让机器人在执行抓取（grasping）与操作（manipulation）等任务时，能够更灵活地应对非结构化环境中的变数。
这一转变标志着机器人从“工具”向“伙伴”的进化。通过赋予机器人独特的性格特征，不仅能显著提升协作机器人（cobot）在服务业和零售领域的用户体验，更将推动具身智能从工业生产线走向更复杂的公共服务场景，构建更自然的“人机共生”生态。
中国监管机构拟提高人形机器人相关企业的上市门槛，旨在强化对该领域的审慎监管。针对涉及核心技术的企业，监管层将更严格审查其技术壁垒及市场地位。目前，人形机器人正从简单的工业自动化向具备复杂操作能力的具身智能（embodied intelligence）演进，融合了VLA模型、端到端学习与灵巧抓取等前沿技术。此举意味着相关企业必须在追求技术突破的同时，建立更稳健的合规体系。这不仅是对资本市场的规范，也将倒逼国内人形机器人产业链从单纯的技术竞赛转向更符合监管要求的商业化落地路径。
Panasonic Connect推出Robo Sync系列服务，旨在通过统一的软件平台协同控制自主移动机器人（AMR）与协作机器人（cobot）。该系统包含两个核心模块：Robo Sync for Mobility提供基于SaaS架构的导航与路径规划，计划于2026年9月正式商用；Robo Sync Planner则专注于通过AI算法优化生产线的任务分配与协同逻辑，预计于2026年7月推出。该方案打破了移动机器人与协作机器人的技术壁垒，推动工厂自动化从单一设备操作转向高度协同的集群式智能作业。
Antioch 获 Greylock 领投的 3200 万美元 A 轮融资，旨在通过物理 AI 模拟技术加速具身智能（Embodied Intelligence）的研发。该公司专注于构建高保真度的仿真环境，支持机器人进行复杂的抓取（Grabbing）、操作（Manipulation）以及从仿真到现实（Sim-to-Real）的迁移。这为人形机器人和协作机器人（Cobot）提供了大规模、低成本的训练场，能够显著缩短基于强化学习（Reinforcement Learning）和模仿学习（Imitation Learning）的算法迭代周期，推动具身智能从实验室走向工业应用场景。
研究者提出一种名为Continual Policy Consolidation (CPC) 的框架，旨在解决机器人学习过程中新旧技能冲突导致的“灾难性遗忘”问题。该架构采用教师-学生模型，通过强化学习训练独立的专家教师，再利用带优先经验回放的Transformer混合专家（MoE）架构将技能蒸馏至通用学生模型中。实验证明，该方法能让学生模型在保持近乎零遗忘的同时，恢复大部分教师性能。这为构建具备多任务能力的具身智能（Embodied Intelligence）提供了一种可扩展的技术路径，支持机器人持续学习并整合多样化的操作技能。
研究团队在UCF UrbanTwin Sim2Real LiDAR Challenge中提出一种针对城市环境的3D目标检测方案。该方法仅使用合成数据训练，通过RangeLDM采样多样化、稀有类别复制粘贴等技术构建包含3万条记录的训练池，并在50帧真实LiDAR帧上完成测试。最终模型在Realism Score上达到0.9035，并实现3D mAP@0.5为0.1258。该方案通过多层级的Sim-to-real技术对齐合成数据与现实环境的差异，为自动驾驶领域解决低成本模拟数据训练高精度感知模型提供了可落地的工程路径。
IBM发布Granite Time Series PatchTST-FM-r2模型，通过提供高性能的零样本（zero-shot）预测能力，降低企业构建多样化时间序列预测系统的门槛。该模型拥有约3.85亿参数，支持高达8192的上下文长度及概率性预测，并在GIFT-Eval基准测试中位列可复制、零样本类别的第二名。采用Apache 2.0等商用友好协议授权，意味着企业无需为每个特定数据集训练独立模型即可处理需求预测、能源负载等复杂场景，推动时间序列基础模型在工业级生产环境中的广泛落地。
研究者通过系统性研究揭示了层级式视觉-语言-动作模型（Hi-VLA）在复杂机器人操作中的设计原则。该研究将多种代表性Agent统一到Options风格的控制框架下，并在短程、长程及高推理要求的任务中对比不同规划器与控制器连接机制的影响。实验涵盖仿真环境及真实的ALOHA机器人平台，证明了基于特定设计的层级结构在性能上显著优于扁平式VLA或简单堆叠的架构。这为构建更稳健的具身智能系统提供了工程指南，有助于解决复杂任务中的长程规划与精细操作协同难题。
研究团队推出PAINT框架，通过解耦意图理解与运动控制，实现四足机器人（Legged Robots）在复杂环境下的协作运输。该系统利用负载耦合的本体感知历史来推断交互力矩，无需额外的力/力矩传感器或载荷追踪设备即可识别合作伙伴意图。实验证明其支持异构团队协同及去中心化多机器人运输。这一技术突破为具身智能提供了物理层面的通用接口，降低了协作机器人的硬件门槛，推动多机器人系统在非结构化环境中的协同作业能力。
研究者提出一种基于傅里叶辅助头（Fourier auxiliary head）的训练方法，旨在解决JEPA风格世界模型在动态环境中出现的“物理表征懒惰”问题。该技术通过引入轻量级辅助监督，强制潜在空间结构符合物理规律，且不增加推理成本。实验证明，该方法显著提升了复杂环境下的规划成功率，并在低数据样本情况下展现出更高的训练效率。这为具身智能提供了一种在无需额外计算资源的前提下，通过增强模型对真实物理属性的感知来提升机器人复杂任务决策可靠性的技术路径。
研究人员提出一种基于梯度的模型捷径检测方法，旨在识别深度神经网络在时间序列分类（TSC）任务中依赖虚假相关性的问题。该方法无需测试数据或纯净训练类即可识别内部偏差行为，并在UCR时间序列数据集上完成了验证。目前大多数研究仅关注外部属性导致的偏差，而此项工作聚焦于时序数据的内在逻辑缺陷。这为提升模型在复杂动态环境下的泛化能力提供了技术路径，有助于构建更鲁棒的具身智能感知系统，减少机器人因误判环境噪声而产生的错误决策。
XDOF 在走出隐身模式仅三个月后，即获估值 12 亿美元的 B 轮融资洽谈。作为具身智能领域的活跃玩家，XDOF 正通过整合视觉-语言-动作（VLA）模型与端到端技术，推动人形机器人从简单的运动控制向复杂的灵巧操作进化。高估值反映出资本市场对融合基础模型与物理交互能力的极高认可。这预示着具身智能正从单一的感知算法走向全栈式的通用智能，加速商用机器人在复杂环境下的自动化部署。
Interesting Engineering 展示了中国研发的“海滩狗”机器人，该机器人在沙滩等复杂环境中执行垃圾清理任务。该机器人通过复杂的运动控制实现稳定行走，并具备特定环境下的抓取与操作能力。相比于传统的 AGV 或 AMR，这种具备高度灵巧性的设计能够应对非结构化环境中的挑战。这标志着具身智能从实验室走向复杂现实场景，推动人形机器人在特种作业领域的工程化落地。
中国医疗机构成功完成全球首例由AI辅助超声机器人执行的先天性心脏手术。该系统通过集成先进算法辅助医生进行精准操作，在复杂的临床场景中实现了高精度的影像引导。这一突破将具身智能（embodied intelligence）与精密医疗器械深度结合，证明了端到端技术在极高容错率要求的医疗领域具备实操可行性。这标志着机器人技术正从工业制造向高门槛的医疗手术领域跨越，推动具身智能在复杂环境下的精准操作能力走向临床落地。
一项新研究提出了一种追踪AI在人机协作中扮演具体角色（如辅助编辑或创意生成）的识别方法。该方法通过将提示词中的潜在角色嵌入到概率生成过程中，实现在仅有文本输出的情况下还原AI参与的本质。实验涵盖了“作为辅助代理进行内容编辑”与“作为创作代理从简短概念生成新内容”两种典型场景，并证明了该模型在区分角色、抗干扰性及保持语言质量方面的有效性。这为解决AI内容的透明度问题提供了技术路径，有助于建立更清晰的伦理标准，确保AI在自动化与增强功能中被公平且透明地使用。
ICE计划采购Boston Dynamics（波士顿动力）生产的四足机器人。该机构旨在将这些具备高动态平衡能力的机器部署于复杂环境中的物流与巡检任务。通过引入Boston Dynamics成熟的运动控制技术，ICE能够显著提升非结构化环境下的作业可靠性。这标志着工业领域正从传统的AGV（自动导引车）向更具灵活性、能应对复杂地形挑战的四足机器人转型，推动具身智能在极端或多变场景中的实战落地。
Unitree（宇树科技）在IPO上市后股价暴跌53%，引发市场对机器人硬件供应链估值的剧烈波动。尽管面临资本市场的压力，Unitree仍持续推进人形机器人与四足机器人的研发，并致力于将基础模型应用于具身智能领域。此次股价大幅回调反映出当前机器人行业正从单纯的资本热捧转向技术落地验证期。对于具身智能行业而言，这预示着投资者开始更严苛地审视硬件厂商在复杂操作（manipulation）与运动控制（locomotion）等核心技术的真实突破能力。
XPeng（极越）推出人形机器人IRON，已在公司自有生产线展示自主行走能力。该机器人在量产前夕展现出稳定的运动控制性能，标志着从实验室原型向工业级应用迈进的关键跨越。通过整合自研技术，IRON的实测表现证明了其在复杂工厂环境中的可靠性。这预示着人形机器人正加速进入大规模量产阶段，将推动具身智能（embodied intelligence）从概念验证转向自动化生产线的实际部署，成为工业制造领域的关键生产力工具。