Reward AI（脱胎于斯坦福 DexCap 项目）发布机器人基础模型 OM-1，核心创新是仅从人类操作数据中学习，无需遥操作和机器人专属数据。通过 7 自由度可穿戴设备 Omnibody Hand 采集视觉、触觉、力度等多模态数据，训练后可直接部署到桌面机械臂、工业机械臂和人形机器人，无需针对硬件微调。这与 π0、Helix 等依赖遥操作数据的主流方案路线不同，大幅降低数据采集成本。演示显示 OM-1 能完成四臂协作包装手机、调酒、叠衣、拔网线等精细任务，学习新任务仅需不到 30 分钟人类演示数据，并展现自发补偿与重试行为。目前处于研发展示阶段。
文章提出机器人产业链正从传统制造业的金字塔结构演变为沙漏形态：整机端价格持续下探（宇树、优必选降价，本土份额升至57%），零部件端已现过剩（谐波减速器产能利用率仅一半），而腰部的主控芯片与基础模型环节集中度最高、利润最厚——英伟达占据69%的机器人主控SoC市场，基础模型类公司吸走具身智能领域44.9%的资金。作者分析腰部靠资本门槛与工具链生态锁定，但指出技术路线（如VLA）和数据瓶颈尚未收敛，沙漏腰部还未硬化，价值正向中间流动但最终形态仍不确定。
文章作者以其公司 microagi 计划部署十亿台机器人为引，探讨机器人普及将带来物质极大丰裕的"富足世界"，从根本上消除经济学赖以成立的资源稀缺假设。但同时指出，通用机器人将取代大量体力劳动岗位，若经济制度不变，数百万人将失去收入、地位与人生意义。作者认为机器人界回避了这一困境：若不解决分配问题，公众与政府将联合阻止机器人部署，富足将无法实现。文章回顾机器人技术的快速进展（Figure AI、Generalist、Gemini Robotics 等），并指出当前可验证任务最易被自动化，最后以欧洲为焦点讨论三种未来路径。
作者用 5 张地图对比了硅谷与北上杭深的机器人产业格局：硅谷 67 家、深圳 36 家、北京 32 家、上海 25 家、杭州 25 家。各城市产业结构差异明显：北京依托高校与 AI 公司，具身智能和人形机器人集中；上海偏工业与制造，国际厂商与本土公司并存；杭州生态集中、产品化速度快；深圳覆盖从零部件到整机的完整链条，人形机器人公司数量国内最高。硅谷擅长定义未来，中国城市正以不同方式把未来造出来。
作者整理了一份美国机器人公司的物理地图和市场地图，按业务类别系统梳理了约40家机器人公司的进展，包括人形/通用机器人与基础模型类（Figure、1X、Physical Intelligence、Skild AI等）、自动驾驶/移动机器人类（Tesla、Waymo、Zoox、Skydio等）、工业/物流/仓储机器人类（NVIDIA、Dexterity、Nimble等）、农业/建筑/专业场景类以及平台/软件/硬件类。每家公司附带融资规模、估值、CEO及官方X账号等信息，方便跟踪研究美国机器人行业的发展动态。
文章指出机器人研发正处于开源红利期，个人开发者可借助成熟开源框架在数周内跑通从仿真训练到真机部署的完整闭环。作者按技术栈分层整理了经过工程验证的开源项目：足式强化学习（rsl-rl、AMP、TienKung-Lab、unitree_rl_gym）、模仿学习（ALOHA-ACT、Diffusion Policy）、VLA 具身大模型（OpenVLA、Octo、LingBot）、一站式框架 LeRobot、传统动力学求解库（Pinocchio、Acados）、MuJoCo 仿真模型库，以及 Awesome 学习资源清单，并给出四步最简上手顺序建议。
RoboDojo 团队对 GPT-6 Astra 作为具身智能体进行了全面评测，涵盖 RoboDojo 仿真与真实环境（对比 GPT-5.5 和 DeepSeek-Flash）、人形机器人高层控制、灵巧钢琴演奏（RoboPianist）以及上下文学习（ICL）的系统性研究。关键结论：GPT-6 Astra 展现出极强的语义与空间理解能力以及出色的上下文适应能力，但物理常识仍是明显瓶颈，揭示了理解世界与真正推理物理规律之间的重要差距。完整报告与演示发布于 robodojo-benchmark.com。
作者基于两年与机器人OEM合作部署的经验，讨论人形机器人从演示走向真实商业部署的差距。作者指出，演示视频只能证明可能性，而真实部署需要可靠性、速度和成本达标；许多场景下四足机器人或成熟专用方案比人形机器人更实际。文章区分了模块化技术栈与VLA通用模型、POC验证与商业交付，并以Skild AI突破1亿美元ARR为例，强调部署应纳入研究反馈循环，通过真实环境的评估数据推动通用机器人模型迭代，最终实现规模化。
Skild AI 创始人 Deepak Pathak 宣布公司实现 1 亿美元 ARR，并阐述部署为何是机器人研究的隐藏支柱。文章指出机器人无法像 LLM 那样先研究后部署，演示视频会掩盖真实准确率，部署中必须同时考虑速度、精度和对变化的适应能力。这些实践催生了 S1 模型——通过单视频上下文学习即可掌握新任务而无需微调。作者还探讨了演示文化与部署文化的冲突，并提出物理 RSI（递归自我改进）路线：将各专业部署的数据反哺通用基础模型，形成持续改进的飞轮。
作者分析OpenAI通用模型Astra对机器人领域的启示：Astra在视觉场景理解、空间推理和可执行代码生成上表现突出，如BenchCAD评测中达95.9%几何重合度，远超GPT-5.6。作者提出核心问题：专用机器人模型所需的空间智能有多少将来自通用模型？结合Dyna-2百万小时人类视频预训练、Code as Policies以及Anthropic机器人实验等证据，作者认为推理与代码可组织陌生任务，而学习型动作策略提供快速精确执行，通用基础模型与机器人模型正走向融合，应继续扩大机器人数据规模。
文章讲述了前祥峰投资合伙人、现SevenUp Capital创始人赵楠投资宇树科技的经历。2020年3月，赵楠初次见到王兴兴，被其务实的量产能力打动，两个月后推动祥峰以投前1.5亿元估值参与宇树Pre-A轮融资。赵楠复盘了当年判断王兴兴能'统治地面机器人'的逻辑：看重创始人的vision、技术积累、履约能力和生态延展性。他还揭示了王兴兴'nerd'外表下的成熟商业认知，以及2023年果断进军人形机器人的决策力。文章同时探讨了VC圈以结果论英雄的现象、非共识投资方法论，并展望宇树成为'机器人领域的苹果'的潜力。
作者抓取了Figure、1X、Agility、Apptronik、Skild AI和Physical Intelligence六家人形机器人公司的412个公开职位并进行逐一分析，破除了常见误解：PhD并非必需（仅0.5%的职位硬性要求），39%的职位完全不提学历要求；ROS的重要性远低于新手教程宣传，Python才是最普遍的技能要求（50%），其次是C++（32%）。文章还揭示了公开薪资数据：中位薪资区间为15万-25万美元，AI岗位可达20万-40万美元，并指出从时薪25美元的操作员到40万美元工程师之间存在清晰的职业阶梯和多种入行路径。
本文是 Saturday Robotics 读书会第33期的观点总结，主讲人 Tonghe Zhang（CMU）提出：当 GPT-6 Astra 等前沿语言模型能力'溢出'后，机器人学的经典瓶颈将不再是研究问题，而是编码智能体可解决的工程循环。文章总结12个核心观点：灵巧性本质是奖励问题、上下文学习免费获得、硬件即代码、Sim-to-Real 是优化问题、验证是关键货币、低层控制无需思维链等。核心论断是端到端方案在可行处总是胜出，结构化只是临时脚手架，语言模型将缓慢而突然地'吞噬'机器人学。
