Physical AI 日报

统计时段：2026-05-21 09:00 至 2026-05-22 09:00（北京时间）

一、论文进展

从像素到词元：VLA 潜在动作监督的系统性研究
原名：From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models
作者/机构：中国人民大学信息学院团队
arXiv：2605.04678
摘要：VLA 训练数据天然异构——来自不同机器人平台与人类演示视频的动作空间语义不兼容，直接混合训练会导致性能退化。潜在动作（Latent Action）作为中间表征有望统一监督信号，但现有集成方式碎片化、缺乏系统比较。团队在统一 VLA 基线（基于 Qwen3-VL-2B）下，从"基于图像的潜在动作正则化轨迹"与"基于动作的潜在动作统一目标空间"两个视角，实例化并对照了四种代表策略（隐式对齐 LA-Align、显式直接解码 LA-Direct、条件解码 LA-Cond、动作到词元 LA-Tok）。结论：图像型潜在动作利于长时推理与场景泛化，动作型擅长复杂运动协调，而直接监督 VLM 预测离散潜在动作词元（LA-Tok）取得最优性能。
看点：不发新模型，而是把"潜在动作到底怎么用"这个工程选型问题在统一基线上做对照实验，给出"看任务类型选监督方式"的清单——对正在搭 VLA 训练管线的从业者是直接可用的决策依据。

解读来源：具身智能观察室 公众号 · 原文

JEPA-VLA：视频预测式嵌入对 VLA 是必需的
原名：JEPA-VLA: Video Predictive Embedding is Needed for VLA Models
作者/机构：清华大学 × 华为诺亚方舟实验室
arXiv：解读未给出 arXiv 编号（⚠️ arXiv 原文未独立核验，注意勿与另一篇 VLA-JEPA / arXiv:2602.10098 混淆）
摘要：论文将 VLA 样本效率低、泛化差的根因归结到一个长期被忽视的组件——预训练视觉表征。作者指出：DINO 系自监督表征"无差别"保留与任务无关的背景细节，CLIP/SigLIP 对比学习只盯文本提及的实体而忽略隐含任务信息，且两类方法都缺乏时间动态建模与策略先验。方案是引入在视频上预训练的预测式嵌入 V-JEPA 2——其预测目标天然聚焦可预测的运动相关因素、编码时序规律，对光照/背景干扰更鲁棒。JEPA-VLA 以"最小侵入"方式将冻结的 V-JEPA 2 表征自适应集成进现有 VLA，并给出适用于从零训练的前融合与适用于已预训练模型的后融合两种策略。
看点：把"换视觉骨干"作为提升 VLA 的抓手，主张视频预测式表征优于图文对比/图像自监督；轻量集成、不破坏已有 VLM 先验，工程上易迁移。

解读来源：敢敢AUTOHUB 公众号 · 原文

UAV-Flow Colosseo：首个语言引导无人机精细控制真实基准
原名：UAV-Flow Colosseo: A Real-World Benchmark for Flying-on-a-Word UAV Imitation Learning
作者/机构：Xiangyu Wang et al.（北京航空航天大学、新加坡国立大学、香港中文大学 MMLab、杭州北航国际创新研究院）
arXiv：2505.15725（项目主页）
摘要：现有语言引导无人机研究多聚焦高层规划与长距离导航，忽视低层精细轨迹控制。团队提出 Flying-on-a-Word（Flow）任务范式——无人机模仿专业飞手轨迹，执行"绕树飞行""桥上悬停""从右侧穿过"等原子化、短距、反应式动作。配套发布 UAV-Flow 基准：30,692 条真实飞行轨迹（由 800+ 小时经验飞手用 DJI Mavic 3T RTK 在 3 个校园、超 100 小时采集）外加万余条仿真轨迹，并提出地空协同部署框架解决机载算力不足问题。实验显示 VLA 范式（OpenVLA/Pi-0 改造）在精细控制上显著优于传统 VLN 方法。
看点：把无人机的语言控制从"飞得更远"的导航转向"飞得更好"的反应式微操；3 万条真机轨迹的数据规模对该细分方向有基建意义。⚠️ 作者宣称为"首个开放环境下语言引导无人机 VLA 真机部署"，"首个"属作者表述。

解读来源：3D视觉工坊 公众号 · 原文

CoFreeVLA：基于 VLA 与风险估计的无碰撞双臂操纵
原名：CoFreeVLA: Collision-Free Dual-Arm Manipulation via Vision-Language-Action Model and Risk Estimation
作者/机构：广东智能科学与技术研究院、BoardWare、新加坡国立大学、上海人工智能实验室
arXiv：2601.21712
摘要：双臂 VLA 落地的核心瓶颈是安全——现有模型缺乏对机械臂之间、臂与所抓物之间"自碰撞"的精细物理建模。CoFreeVLA 在端到端 VLA 上加一个轻量级短时域"自碰撞风险估计器"，融合本体感知、视觉嵌入与计划动作在线预测碰撞概率，超阈值即拦截危险指令，并用风险梯度引导机械臂平滑恢复而非简单停机。团队在配 PiPER 机械臂的双臂平台上设 5 项高碰撞风险任务（双臂交接、交叉轨迹搬运、密集空间装配等）评测。
看点："安全网关"式外挂模块的思路对双臂/协作场景工程化有参考价值。⚠️ 据论文，相比 RDT、APEX 等可拦截 >85% 潜在冲突、碰撞次数降近一个数量级、成功率提升 15–30%，对比与数字均为论文自报。

解读来源：具身智能与空间感知 公众号 · 原文

其他今日论文：另有"动力学预训练＋解耦表示学习"方向的 VLA 论文合集解读（覆盖安全、海量视频、微操三主题），可作延伸阅读（JOJO极智算法）。

二、融资与交易

临界点（智元孵化 · 灵巧手） | 新一轮融资 | 数亿元人民币 | 估值突破 10 亿美元（约 70 亿元人民币）
领投/跟投：多家顶级机构联合参与，老股东超额加注（具体名单未披露）
业务：灵巧手与夹爪研发商，被视为具身落地物理世界的"最后 1 厘米"；bucket：embodied 上游核心零部件。公司称累计交付灵巧手 8000 余台、夹爪逾万台，其中千余台灵巧手已在工业/物流/服务场景常态化作业。
意义：灵巧手作为可跨整机厂、跨场景复用的核心部件成为资本焦点；临界点成立不足 5 个月、连完四轮密集融资跻身独角兽，是智元"1+5+N"拆分孵化的代表。
来源：华芯资本
核查：⚠️ "新一轮超 10 亿美元"为华芯资本口径；交付数量、估值为公司自报，本轮金额披露为"数亿元"。

灵心巧手 Linker Hand（灵巧手） | 拟港股 IPO | — | 传估值约 60 亿美元
领投/跟投：据传已聘招银国际、中信证券、汇丰安排香港上市
业务：高自由度灵巧手厂商；bucket：embodied 上游。创始人周永称累计订单破 1 万台、单月最高产量超 4000 台，宣称占全球高自由度灵巧手 80% 以上份额，并以"做物理世界的 Anthropic"自我定位。
意义：灵巧手赛道 IPO 竞速——与临界点等形成上游核心部件的资本化竞赛。
来源：小马看AI
核查：⚠️ IPO 进展为传闻（"被传"已聘投行）；估值、市占率、订单量均为传闻或公司自报，尚无官方招股材料佐证。

擎天租（机器人租赁 RaaS） | A 轮及 A+ 轮 | 累计数亿元 | 投后估值 70 亿元
领投/跟投：多家机构参与（含黄晓明个人参投，名单未完整披露）
业务：机器人即服务（RaaS）平台，成立不足半年，已接入智元、宇树、加速进化等品牌；正从文旅/商演/展会的展示型场景，转向工业制造、园区运营、仓储物流；近日与京东集团达成战略合作。bucket：adjacent（服务/运营层）。
意义："机器人即服务"模式获资本认可，号称首个机器人租赁独角兽——但成立半年即冲到 70 亿估值，盈利与利用率尚待验证。
来源：中国基金报
核查：⚠️ 金额仅披露"数亿元"，估值与"首个独角兽"为公司及报道口径。

Hark | A 轮（Series A）| 7 亿美元（超募）| 投后 60 亿美元
领投/跟投：Parkway Venture Capital 领投，NVIDIA、AMD Ventures、Intel Capital、Qualcomm Ventures、Salesforce Ventures、ARK Invest、Brookfield、Greycroft 等跟投
业务：Figure.AI 与 Archer 创始人 Brett Adcock 于 2025 年末自投 1 亿美元创立，做"人与机器之间的通用接口"——多模态 agentic AI 系统 + 原生硬件设备；团队约 70 人，已落地一座 NVIDIA B200 数据中心，模型计划今夏开放早期访问。bucket：adjacent（个人 AI 硬件，与具身生态相邻）。
意义：Figure 创始人的新一注，叠加 NVIDIA/AMD/Intel/Qualcomm 同台，凸显"AI 原生硬件"成为新融资风口。
来源：TechCrunch
核查：✅ 已证实（TechCrunch、Bloomberg、Business Wire 等多家一手媒体）。

灵猴机器人（苏州） | B+ 轮 | 数亿元 | —
领投/跟投：国家级基金中网投基金领投，古玉资本跟投，金鼎资本、中芯聚源、厚为资本、国泰君安创新投资、银杏谷资本等老股东追投
业务：具身智能量产方向；三个月内累计融资近 5 亿元。bucket：industrial/embodied。
意义：国家级与产业资本密集加注具身量产环节。
来源：晓言辉语
核查：⚠️ 单方披露，金额为"数亿元"区间。

云深处 Deep Robotics（四足/轮足） | 拟科创板 IPO | 拟募约 25 亿元 | —
领投/跟投：—（IPO 募资）
业务：四足及轮足机器人厂商，本次冲刺科创板；招股口径显示人形机器人收入占比仅 0.26%。bucket：embodied。
意义：具身公司"讲故事—拿融资—冲上市"路径的又一例；收入结构暴露行业当前商业化仍以四足/工业为主、人形占比极小。
来源：数智研究社
核查：⚠️ 募资额、收入占比为报道口径，以正式招股说明书为准。

三、产业动态

自动驾驶

Waymo 暂停高速公路 Robotaxi 服务，并因洪水暂停 Atlanta/San Antonio 运营
Bucket：autonomy
内容：Waymo 暂停了旧金山、洛杉矶、凤凰城、迈阿密四城的高速公路载客，称在修复车辆通过特定施工区的表现；同时因多辆车在 Atlanta 驶入积水路段、一辆被困约一小时（一个月内第二起涉水事故），暂停了 Atlanta 与 San Antonio 服务。公司此前已召回 3,791 辆车，修复"检测到不可通行积水车道仍继续行驶"的软件缺陷。
来源：TechCrunch（另见 Reuters、Bloomberg）
核查：✅ 已证实（多家一手媒体报道，含召回数字）。

小鹏首款量产 L4 Robotaxi 下线
Bucket：autonomy
内容：小鹏发布国内首款前装量产、全自研的 L4 级 Robotaxi，基于 GX 平台打造，下半年可试乘。厂商称搭载 4 颗自研图灵 AI 芯片、整车有效算力约 3000 TOPS；同期小鹏第二代 VLA 落地，智驾负责人称"拉开差距的时刻到了"。
来源：汽车产业前线观察
核查：⚠️ "国内首款""3000 TOPS"等为厂商口径；量产规模与试乘开放时间待落地验证。

人形机器人 / 量产

特斯拉 Fremont 工厂 Model S/X 收官，原产线规划转产 Optimus
Bucket：humanoid
内容：特斯拉副总裁陶琳 5 月 21 日称，加州弗里蒙特工厂的 Model S/X 签名版完成最后一次下线，这条产线规划用于量产机器人。海外媒体另报道 Optimus 完成"水杯抓取-交接"演示，时点在 Fremont 产能爬坡前数周。
来源：超预期的交易室（水杯交接演示见 Tech Times）
核查：⚠️ 产线转产为公司表态；"水杯抓取-交接"是能力演示，非量产或生产力指标，不等同稳定良率/介入率。

智元机器人跨过万台量产门槛，文博会落地导览
Bucket：humanoid
内容：智元称"远征 A3"已跨过万台量产门槛，进入汽车总装零件抓取、3C 精密装配、仓库分拣搬运等"干活"环节；其灵犀机器人在深圳文博会上海展区充当智能向导。另据报道，智元因劳动争议纠纷被起诉，案件 7 月开庭。
来源：成长加油站
核查：⚠️ "万台量产"为公司口径，具体下线/交付明细未独立核验；劳动争议为诉讼受理阶段。

湖北极佳视界发布"全国首个家庭通用机器人"
Bucket：humanoid
内容：湖北极佳视界联合湖北人形机器人产业联盟、创新中心发布家用人形机器人，宣称可叠衣、做饭、收拾餐桌、陪伴老人聊天；境外报道（SCMP）称最早 2027 年可用。
来源：小学科学教学
核查：⚠️ 单方发布且"全国首个"为厂商表述；家务能力为演示项，量产/可用时间表（2027）尚未兑现。

优必选称全球首条万台级人形机器人自动化产线在广东启用
Bucket：humanoid / industrial
内容：报道称优必选在广东启用"万台级"人形机器人自动化产线，对比其 2024 年全尺寸人形机器人交付仅 3 台、均价约 350 万元的起点。
来源：檀岛中文录
核查：⚠️ 单一来源、"万台级"为产能宣称，非实际下线量，待一手/IR 信息核实。

世界模型

Google DeepMind 将街景接入 Genie 世界模型，生成可交互真实街道仿真
Bucket：embodied / world model
内容：Google DeepMind 把 Street View 数据与 Project Genie 世界模型整合，使其能够生成可交互的真实街道仿真环境——指向用世界模型为自动驾驶/具身体提供可控、可探索的训练与评估场景。
来源：遇见硅基（每日 AI 速报）
核查：⚠️ 经二手 AI 速报转述，DeepMind 官方博客细节未独立核验。

基础设施

川崎重工携手 NVIDIA 布局物理 AI，圣何塞设联合机器人中心
Bucket：industrial / adjacent
内容：川崎重工（Kawasaki Heavy）将与 NVIDIA 合作开发"机器人 + 物理 AI"方案，并在加州圣何塞共建联合开发中心，首批聚焦医疗与移动机器人（含面向医护的助手、四足载人移动机器人 Corleo，用 NVIDIA 仿真与 AI 做控制与环境识别）；中心还将联合 Analog Devices、微软、富士通。同期 NVIDIA 公布季度营收超预期，并宣布设立新加坡研究中心。
来源：Nikkei Asia
核查：✅ 合作与建中心已由 Nikkei 报道并多家转载；Corleo 等产品仍在开发中（非量产）。

✅ 已证实 / ⚠️ 单方声明待核实