Physical AI 日报

统计时段：2026-05-22 19:44 至 2026-05-23 19:44（北京时间，近 24 小时聚合）

一、论文进展

今日的研究主线高度收敛于一场路线之争：NVIDIA 具身负责人 Jim Fan 在红杉 AI Ascent《Robotics: Endgame》演讲中"宣告 VLA 终结"，主张"与其预测下一个 token，不如预测下一个物理世界状态"，把"世界动作模型（World Action Model, WAM）"推上风口；多篇当日被解读的工作（综述、CVPR 2026、达摩院）正沿这条线展开。

世界动作模型（WAM）：具身 AI 的下一个前沿
原名：World Action Models: The Next Frontier in Embodied AI
作者/机构：复旦大学可信具身智能研究院 / 上海创智学院 / 新加坡国立大学（NUS）
arXiv：2605.12090（项目：OpenMOSS/Awesome-WAM）
摘要：首篇系统梳理 WAM 的综述。它给出统一定义并与既有范式对比：VLA 仅建模 p(a|o,l)（由观测与指令直接出动作）、world model 仅建模 p(o'|o,a)（预测未来状态），而 WAM 在同一模型里联合建模 p(o',a|o,l)，让"预测世界会怎样变化"直接参与"该如何行动"。论文把现有工作分为 Cascaded WAM（先想象后行动，含显式视频生成+逆动力学/几何提取、与隐空间两条路线）与 Joint WAM（自回归与 diffusion 两大端到端路线），并梳理训练数据、评测方式与开放问题。
看点：恰逢 Jim Fan 的"VLA 已死、WAM 当立"言论，本文把今年最热的路线之争落到了可引用的定义与分类框架上，是入门该范式的"导航地图"。需注意：Jim Fan 的"终结论"是观点立场而非定论，VLA 仍是当前主流落地范式，宜读作"范式演进方向"。
解读来源：机器之心 · 原文

HiF-VLA：以 motion 为中心的"边想边做"世界动作模型
原名：HiF-VLA: Hindsight, Insight and Foresight through Motion Representation for Vision-Language-Action Models
作者/机构：蔺明慧 et al.（西湖大学 MiLAB / 浙江大学 / 西湖机器人；通讯黄思腾(达摩院)、王东林(西湖大学)）
arXiv：2512.09928（CVPR 2026 接收，代码开源）
摘要：针对 VLA 长程任务的"因果混淆"以及"堆叠多帧导致显存爆炸/延迟暴增"，HiF-VLA 放弃像素级多帧输入，改用视频编解码器（H.264/MPEG-4）从历史帧提取低维 Motion 向量作为动态先验，并在"历史调制的联合专家"模块中同步完成"未来视觉 Motion 预测 + 高精度动作序列生成"。在 LIBERO-LONG、CALVIN ABC-D 长程评测上成功率显著超 SOTA；同等历史窗口下峰值显存从 63.6GB 降到 31.4GB。
看点：把"想象未来"压缩成 motion 表征而非完整视频，在保持恒定低延迟的同时逼模型理解"动作→世界变化"的因果，是 WAM 路线里兼顾效果与部署成本的务实一支；团队前作 ReconVLA 获 AAAI 2026 最佳论文。
解读来源：机器之心 · 原文

RynnVLA-002：统一 VLA 与世界模型的"动作世界模型"
原名：RynnVLA-002: A Unified Vision-Language-Action and World Model
作者/机构：阿里巴巴达摩院（alibaba-damo-academy）
arXiv：2511.17502（代码开源）
摘要：以 Chameleon 为底座，用四个独立 tokenizer（图像 VQ-GAN、文本 BPE、状态/动作离散化）把图像/文本/动作/本体感觉编入规模 65536 的共享词表，在单一自回归 Transformer 内同时完成 VLA 与 world model 的双向增强。关键设计：切断动作序列内部的自回归依赖（生成 a_t 时屏蔽对 a_{t-1} 的注意力），实现动作并行预测、抑制误差累积；并用"连续动作头 + 离散动作头"双轨输出。LIBERO 上连续动作分支接近 100% 成功率。
看点：与 HiF-VLA 同属"把世界预测写进模型内部"的 Joint WAM 思路，但走 unified-token 自回归大一统路线；用注意力掩码而非更复杂结构来缓解 VLA 老大难的误差累积，思路简洁。
解读来源：AI论文中中中 · 原文

StableVLA：用"信息瓶颈适配器"治 VLA 的鲁棒性顽疾
原名：StableVLA（Information-Bottleneck Adapter，公众号题）
作者/机构：北京大学等团队
arXiv：原文 arXiv 未定位，链接以公众号解读为口径 ⚠️
摘要：针对 VLA"干净基准满分、真实扰动崩溃"的痛点，StableVLA 只替换视觉编码器与 LLM 之间的投影器：用基于 Gram 矩阵的协方差注意力 + 可学习温度的 Sigmoid 门控构成"信息瓶颈适配器"（IB Adapter），让噪声通道（与其余通道弱相关）被门控压到接近零、语义通道保留；再用 MLP+IB 双路并行兼顾高频细节与鲁棒语义。投影器参数量 < 1000 万。据称在 ImageNet-C 19 种损坏（3–5 级）下，重度损坏（5 级）成功率提升最高达 139.6%；0.5B 骨干、未在 Open X 预训练即对标 7B SOTA 的鲁棒性。
看点：把 VLA 落地真正的拦路虎（光照/噪声/模糊导致"现实零分"）定位到投影模块，用近乎零算力成本的架构级改造来解；若数据可复现，意味着鲁棒性未必要靠堆参数与堆预训练数据。注：上述数字均为论文自报、且 arXiv 原文未独立核验，宜审慎引用。

VLA-Adapter：极小骨干也能打到 SOTA 的轻量 VLA 范式
原名：VLA-Adapter: An Effective Paradigm for Tiny-Scale Vision-Language-Action Model
arXiv：2509.09372（系今日公众号重新解读，arXiv 版较早）
摘要：提出把预训练 VLM 知识高效迁移到小骨干动作策略的 adapter 范式，用极小规模 backbone 即可在 LIBERO 等基准取得 SOTA 级表现，据报道可在单张消费级 GPU 上约 8 小时完成训练。
看点：与"参数效率"主线呼应（对照北大 StableVLA 用 <10M 投影器对标 7B），大幅降低 VLA 训练/部署门槛，对资源有限的实验室与边缘部署友好。
解读来源：Ringiiis · 原文

其他今日论文/解读（一句话）：

二、融资与交易

Hark | A 轮 | 7 亿美元 | 估值 60 亿美元（投后）
领投/跟投：Parkway Venture Capital 领投；NVIDIA、AMD Ventures、Intel Capital、Qualcomm Ventures、Salesforce Ventures、ARK Invest、Brookfield、Greycroft、Prime Movers Lab、Align Ventures、Tamarack Global 跟投
业务：由 Figure AI 创始人兼 CEO Brett Adcock 于 2025 年底以 1 亿美元自有资金创立、2026-03-24 揭面的 AI 实验室，做垂直整合的"个人智能"（基础模型 + 软件 + 原生硬件 + 交互一体）。bucket：adjacent——并非具身机器人公司，而是个人 AI/终端方向。
意义：四大芯片厂（NVIDIA/AMD/Intel/Qualcomm）齐押个人 AI 硬件入口，是"Physical AI 明星创始人"资本号召力的外溢；但与机器人本体无直接关系，且 Adcock 同时执掌 Figure，二者精力/资源分配值得关注。
来源：BusinessWire（官方）、TechCrunch ✅

LiberAI（将闲科技） | 天使+轮 | 近 5 亿元人民币 | 估值约 20–25 亿元（行业估算）
领投/跟投：红杉中国、真格基金、美团龙珠、顺为资本联合投资（多维资本任独家财务顾问）
业务：2025 年 12 月成立，00 后清华特奖博士刘松铭（导师朱军）带队，做物理世界模型 + 具身灵巧操作；技术路线为自研穿戴式人体动作采集硬件 UMI + diffusion transformer（RDT 系列）+ 物理世界模型。bucket：embodied。
意义：成立约 5 个月连完三轮、累计近 5 亿，是当下"清华系/学术天才 IP + 顶级 VC 闭眼投"灵巧操作热潮的标志性案例。⚠️ 公众号所称"领先 Google DeepMind/Figure 3–6 个月""创赛道纪录"为自媒体/单方表述，宜审慎；融资阵容与金额口径较一致。
来源：行业趋势雷达 ⚠️

擎天租 | A 轮及 A+ 轮 | 数亿元 | 估值 70 亿元（晋级独角兽）
领投/跟投：投资方未完整披露（智元机器人旗下机器人租赁平台）
业务：面向 B 端的机器人租赁/运力平台（"机器人滴滴"），成立约半年已完成 6 轮融资。bucket：industrial/adjacent。
意义：本体之外的"机器人即服务/租赁"模式被资本快速做高估值，反映产业链正从"卖机器人"向"卖机器人产能/工时"延伸。
来源：我爱Robot ⚠️（金额"数亿"为区间口径）

维泛智能 | 种子轮 | 数亿元 | 估值未披露
领投/跟投：中关村资本及旗下启航投资联合领投；上海未来产业基金、石溪资本、佰维存储、燕创集团、海益投资、探元创投跟投
业务：北大项目孵化，自称"国内首家原生机器人'大脑芯片'企业"。bucket：adjacent（具身专用算力/芯片）。
意义：资本开始向具身上游的"原生芯片"层下注，呼应"算力/数据/硬件三要素"中被低估的本体端推理芯片环节。
来源：硬氪（首发） ✅

August Robotics（澳大利亚） | B 轮 | 3000 万美元 | 估值未披露
领投/跟投：希腊风投 Big Pi Ventures 领投
业务：自主建筑机器人，车队在超大规模建筑工地执行钻孔与地面标记作业。bucket：industrial/embodied。
意义：建筑/工地这类高度非结构化、户外的"脏苦险"场景获海外资本加注，是具身落地从仓储工厂向工地外溢的信号。
来源：机器人视界 ⚠️（转述外媒，金额待一手确认）

萝博派对（RoboParty） | 天使+轮 | 数千万美元 | 估值未披露
领投/跟投：顺为资本领投，小米战投追加（此前种子/种子+轮含小米战投、经纬创投、银河通用、光源资本等）
业务：上海全栈开源双足人形机器人厂商，主打开源 + 低成本量产。bucket：humanoid。
意义：不到一个月完成第二轮，"开源双足"路线被小米生态持续加注，呼应当日多篇"人形机器人'安卓'时代"讨论。
来源：人形机器人场景应用联盟 ⚠️（金额"数千万美元"为区间口径）

其他动向（一句话）：贝塔无限（消费级具身，种子+种子+轮数亿元）、新加坡 Doozy Robotics（种子轮，工业人形）、来牟科技（A+++ 轮，红点中国/兴富资本）、OriginFlow（5 亿+ 元）等亦在当日名单中；二级市场侧，乐聚智能作为创业板第四套上市标准首单 IPO 过会、宇树/云深处/优必选等"机器人 IPO 潮"持续（⚠️ 多为自媒体/研报口径，建议以招股书/交易所公告为准）。

三、产业动态

Humanoid

全国首个人形机器人"全生命周期管理平台"上线，发"数字身份证"
Bucket：humanoid / industrial
内容：5 月 22 日北京发布，在工信部科技司指导下、由人形机器人与具身智能标准化技术委员会牵头搭建，《人形机器人全生命周期管理规范》同步亮相。每台机器人获唯一的 29 位身份编码，覆盖生产—流通—使用—回收全链条可追溯。截至发布，平台已覆盖全国 100 余家企业、200 余个产品型号、约 2.8 万台机器人完成赋码。
来源：哈尔滨日报
核查：✅ 已证实（多家媒体一致报道，含官方口径）

Figure F.03 完成 200 小时不间断自主分拣
Bucket：humanoid
内容：Figure AI 三台 F.03（搭载 Helix-02）轮班作业，200 小时（8 天 8 小时）累计分拣 249,560 件包裹，约 2.6–2.83 秒/件，CEO Brett Adcock 称"零硬件故障"，每 3–4 小时换电接力。原计划仅 8 小时演示，实际跑了 25 倍时长。
来源：Crypto Briefing、Humanoids Daily
核查：⚠️ 这是连续运行能力演示，非生产力或可量产指标——"200 小时无故障""24.9 万件"不等同于 MTBF/介入率/单位经济性，且节拍（~2.7s/件）远低于成熟自动分拣线。

BMW 莱比锡工厂试点人形机器人造电动车
Bucket：humanoid / industrial
内容：BMW 在德国莱比锡工厂联合 Hexagon Robotics 测试 AEON 人形机器人（轮式，约 1.65m/60kg），承担电池装配、拧螺丝、部件搬运、视觉检测与工位物流等；此前在美国 Spartanburg 的试点已协助生产 3 万+ 辆车。莱比锡试点阶段定于 2026 夏季。
来源：Fox News
核查：⚠️ 处于试点/测试阶段，"降本"为目标表述，量产替代效果待验证。

艾利特发布轮式人形机器人 Centaur-G1，首批锁定光模块精密制造
Bucket：industrial / humanoid
内容：2026-05-21 杭州发布，定位工业级；同步升级自研工业具身大模型平台"元启 Primo"，首批应用聚焦光模块（AI Infra 高价值环节）精密制造。
来源：人形机器人网
核查：⚠️ 厂商发布，落地产线规模/良率为单方声明待核实。

Autonomy

Waymo 因洪水与高速施工区表现，多地暂停运营
Bucket：autonomy
内容：暴雨/积水导致 Waymo 在 Atlanta、Austin、Dallas、Houston、San Antonio 五城暂停服务；另因车辆在高速施工区表现不稳，单独暂停 San Francisco、Los Angeles、Phoenix、Miami 的高速载客。两周前推送至 3,791 辆全车队的软件补丁未能阻止又一辆无人车在 Atlanta 驶入积水，公司承认尚无永久修复方案。背景为 4 月 20 日 San Antonio 一辆 Waymo 被冲入 Salado Creek。
来源：TechCrunch、Washington Times
核查：✅ 已证实（多家主流媒体一致），是 Robotaxi 规模化中"长尾场景安全"的现实警示。

小鹏首台量产 Robotaxi 在广州下线
Bucket：autonomy
内容：基于旗舰车型 GX、全栈自研，搭载 4 颗自研图灵 AI 芯片（系统算力 3000 TOPS），集成第二代 VLA 大模型（厂商称去除"视觉-语言-动作"中的语言转译环节、系统响应延迟压至 80ms 内），纯视觉方案，称为"中国首款全栈自研、前装量产的 L4 级 Robotaxi"，目标 2026 下半年试运营、2027 年初完全无人运营。
来源：中国工博会、观点指数
核查：⚠️ "3000 TOPS""80ms""L4"等为厂商技术声明；"下线"是产线节点，非规模化无人运营，宜与上条 Waymo 对照看落地难度。

Embodied / 应用

智元灵犀 X2 参与全国首次"人机协同"城管执法试点
Bucket：embodied
内容：5 月 20 日在上海浦东张江人工智能创新小镇开展。流程为无人机监管系统先发现违规沿街商户，信息实时传给现场执法人员与灵犀 X2，二者共同到场，机器人承担普法宣传、政策解释与智能问答等辅助工作。
来源：IT之家
核查：✅ 已证实（多家媒体报道）；属"辅助/普法"场景试点，非自主执法。

✅ 已证实 / ⚠️ 单方声明待核实