π0.7 与机器人数据公司的误区
文章批评了仅靠堆砌人类数据解决机器人问题的观点，深度解析了 Physical Intelligence 的 π0.7 论文。π0.7 通过拒绝仿真数据、利用子目标图像作为引导（Affordances）、以及增加详细的任务元数据（如子目标、子任务指令）来解决数据冲突，实现了跨具身迁移和更好的指令遵循。作者指出，机器人数据公司应通过自建机器人并提供高质量注释来创造价值，而非单纯销售原始数据。
相关文档
Language Will Eat Robotics, Slowly, Then Suddenly
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。
Alignment Unlocks Scaling：Qwen-Robot Suite 的设计原理和背后的思考
文章介绍了Qwen团队推出的Qwen-Robot Suite，包含Qwen-RobotNav、Qwen-RobotManip和Qwen-RobotWorld三项工作。核心思想是通过解决具身智能中异构数据的对齐问题，实现模型的规模化扩展，并在多项基准测试中取得SOTA结果。
翻译：李飞飞关于世界模型的分类
本文基于李飞飞的观点，深入探讨了“世界模型”这一AI术语在当前语境下的定义与功能。文章通过强化学习中的POMDP框架，将世界模型系统分为三类：输出视觉观察的“渲染器”、输出物理状态的“模拟器”以及输出行动指令的“规划器”。作者指出，尽管渲染器目前商业应用最成熟，但模拟器作为连接视觉与行动的桥梁，是实现空间智能和通用机器人的关键。文章最后预测，这三类功能的边界将逐渐坍缩，最终融合为一个统一的、能够理解并交互物理世界的基础模型。
Abundance 2029：机器人时代的富足与失业困境
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。
AI 落地的四道坎 -- 本体、评估、信任、维护 | 峰会洞察 02
本文是硅谷101 Alignment 峰会 Day 1 下半场的深度纪要，总结出 AI 落地的四道坎：本体、评估、信任、维护，且四道坎都不在模型本身。机器人领域模型大小被物理参数封顶，数据质量与多样性之争可统一为数据金字塔，触觉数据与跨本体抽象是关键；世界模型定义仍在发散，AMD 收购 World Labs 释放垂直整合信号，评估工具的缺失是最大短板；Agent 的真正瓶颈是信任而非模型，企业需渐进开放权限，云端 agent 基础设施有大量脏活，交互范式需摆脱聊天框。作者结合一线信号给出创业与投资判断。
把硅谷和北上杭深的机器人公司放到 5 张地图上，城市之间的差异一下就出来了
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。
美国机器人公司物理地图和市场地图
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。
机器人研发开源算法与工具全景图（含资源）
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。
手机卷到头了，下一个让人忍不住掏钱的新物种，长这样
文章介绍了启元机器人发布的两款C端消费级机器人：启元T1和启元Q1。T1是一款可变形机器人，室内为轮足人形、户外自动切换四足形态，支持跟拍运镜等实用功能；Q1是可装入书包的全身力控人形机器人，具备22个自由度，支持二次开发和3D打印定制外壳。作者认为手机和新能源汽车行业已接近天花板，AI加持下的消费级机器人将成为下一个变革方向。启元还与腾讯、京东健康等合作构建应用生态，强调机器人作为人的伙伴而非替代者的理念。
GPT-6 Astra 在 RoboDojo 中的具身智能评测
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。
The Physical AI Value Stack: Mapping the 11 Layers of Robotics
作者提出了以任务为起点的Physical AI技术栈框架，将机器人系统划分为11个功能层：末端执行器、执行器、电源、控制、规划、感知、策略、数据、计算、仿真与评估等。文章通过分析各层的作用、关键问题和典型公司，说明如何用该框架定位系统瓶颈、理解公司竞争位置及价值归属。文中以GPT-6 Astra控制机械臂绘制金门大桥为例，展示瓶颈往往在控制与执行接口层而非模型本身。
Reward AI 发布机器人基础模型 OM-1：直接从人类操作数据学习
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。
