FutureX · Physical AI

今日要点

· World Labs 发布世界模型 Atlas，单图可生成 1440p 一分钟可控视频并输出三维

· Uber 裁掉 3300 人，腾出钱投向逾 100 亿美元的自动驾驶合作

· 感知公司 Lyte 拿到 1.65 亿美元 C 轮，投后估值 16 亿美元

· 宇树上市第 11 个交易日股价较首日腰斩，市值 2208.5 亿元

· 中国专家牵头的全球首个腿式机器人国际标准正式发布

· 具身数据缺口超 99%，上半年 25 家数采公司融资超 170 亿元

Qwen-Drive-1.0：驾驶能力塞进视觉语言基础模型，通用能力不丢 · autonomy

这篇论文在 HuggingFace 上拿到了 297 的热度，是当天所有论文里最高的。以往做端到端驾驶方案，往往得牺牲一部分通用视觉语言能力才能换来驾驶能力，但 Qwen-Drive-1.0 没有这么做：它保持架构完全不变，只是额外挂上一个 BEV 感知头，让它同时负责 3D 检测、语义占据预测和地图分割，然后由 Planning Expert 从这些共享表征里生成自车的行驶轨迹。训练时分成几个阶段进行，把驾驶方面的监督数据与通用视觉语言数据混合喂给模型。作者报告说，无论是开环、伪闭环还是闭环三种设置下，模型的运动规划都表现出竞争力，而且通用视觉语言能力基本没有受损。^[1]

ZimaBlue：喂进 12 万小时人类第一视角视频，真机零样本成功率从 36.1% 到 77.8% · world-model

带动作标注的机器人轨迹数据既贵又单调，反观第一视角视频，便宜量又大，只是缺了动作标签这个关键信息。ZimaBlue 想出的办法是用三阶段课程把视频转化成实际的控制能力：第一步在人类和机器人的第一视角视频上做因果预训练；第二步借助统一的动作表征，在各种不同机器人的轨迹上进行 video-action 中期训练；最后一步再针对具体目标本体做特化调整。在真机零样本评测中，当训练数据从只用目标机器人自身的数据扩展到 12 万小时视频后，成功率从 36.1% 一路提升到了 77.8%；此外，团队还设计了异步的 Slow-Fast 双系统，使得其中的轻量分支能在 RTX 4090 上跑到 30 Hz。这篇的 HF 热度是 38。^[2]

IMPACT：世界模型的监督信号被静态背景吃掉了 · world-model

让物理交互变得合理，一直是世界模型的一块短板。之前的做法通常是外挂运动、几何或语义方面的表征来弥补，可这些密集表征离不开额外的估计器或人工标注，训练规模很难做大。这篇论文换了个思路，直接从训练目标本身找问题，指出全局平均的 MSE 去噪目标其实存在监督分配上的错配：占据画面大部分的静态内容会主导梯度，反而是决定交互质量的稀疏动态区域拿不到足够的监督。IMPACT 的做法是，把被操作物体 token 的 cross-attention 当作内部时空先验，先采样候选区域，再用局部预测误差把它校准成一张 interaction map，据此重新分配去噪监督的权重，全程既不依赖外部表征，也不用改动推理流程。无论是机械臂操作还是人手操作，无论用哪种 DiT 骨干网络，这套方法都能稳定地超过对应的 MSE 基线。^[3]

REFACTOR-VLA：给 VLA 建一个可复用的动作技能库，模型变大反而更差 · vla

像 OpenVLA、π0、RT-2、RDT-1B 这样的 VLA 模型都是单体式设计，直接吐出原始动作或者短的动作块，一到长程任务就容易退化，也难以解释内部发生了什么。这篇论文搭建了一套 wake/sleep 系统来解决这个问题：睡眠阶段，模型用学到的隐式世界模型跑一遍 rollout，据此计算行为等价关系，把动作片段做聚类；清醒阶段，模型发出带类型标记的 lambda 项，交给库条件化的 rectified-flow 解码器去执行，而只有同时通过最小描述长度和回报保持这两道检验的抽象，才会被真正收进技能库。有两个结论都出人意料：把世界模型从 188M 扩大到 430M 参数后，LIBERO 的四个 suite 全部表现变差；反倒是加一项 InfoNCE 辅助对比损失给世界模型做热身，聚类的 NMI 在四个 suite 上平均超出最强的已发表基线 0.184。^[4]

DroneCATS：小模型飞得到目标，却不知道自己已经到了 · benchmark

研究者把多模态大模型直接接进无人机的控制回路，让它靠 prompt 声明整个动作空间，既不做微调也不用 function calling。他们测了四项能力——接近可见目标、跟踪移动目标、转向搜索视野外的目标、指挥多机编队——结果发现问题其实不出在飞行本身。参数量小到 2B 的开源模型，进入成功半径的可靠性往往比前沿模型还高，但它们输在另一件事上：要么过早宣布已经抵达，要么干脆就不宣布；而在指挥多机时，小模型还会把同一个坐标不假思索地复制到不同的视角里。也就是说，这些模型的空间感知是过关的，问题出在动作协议上。这篇的 HF 热度是 19。^[5]

NegGrasp：让机器人"别抓这里"，它照抓不误 · manipulation

像 DextER 这类靠语言指挥的灵巧抓取模型，只要指令说清楚该抓哪儿，表现就不错，可一旦指令里加进"抓把手但避开杯身"这样的否定约束，模型就系统性地失灵了。追根溯源，问题出在训练语料上：DexGYSNet 这类数据集里几乎见不到需要回避的指令，模型因此学到了一个错误的规律——只要指令里提到某个部件，那它就该是接触目标，于是禁区反倒被当成了另一个可以抓的地方。这篇论文没有添加任何否定样本，而是在推理阶段用序贯蒙特卡洛配合 classifier-free guidance，一边引导采样朝指定部件靠拢，一边把朝禁区去的候选剪掉，禁区的具体位置则由一个冻结的 3D 部件定位模型从语言里解析出来。在配套构建的 NegGrasp 基准测试上，最强基线的违规率从 57.9% 降到了 17.2%。^[6]

CoLT-Drive：长尾问题不是"认没认出来"，是"它改变了我能做什么" · autonomy

自动驾驶里的长尾失效通常被理解成罕见物体的识别错误，但这篇论文认为真正的关键在决策层面——模型能不能推断出这个物体会怎样改变自车当前可以采取的高层动作。为了让体量较小的 VLM 也能实际部署，作者提出了 KPA 框架，把结构化的感知到决策提示、基于 SLERP 的专家合并，以及一个能根据驾驶工况选择路径的 RegMoE LoRA 混合专家模块结合到了一起，目的是既能适应长尾场景，又不会把预训练模型原有的开放世界知识冲掉。^[7]

Lyte ｜ C 轮 ｜ 1.65 亿美元 ｜ 投后 16 亿美元 · hardware

本轮由 Maverick Silicon 领投，其管理合伙人 Andrew Homan 将进入董事会。这家公司做的其实是机器人感知的底层功夫：自研传感晶片、多模态传感器和空间软件，把 4D 相干视觉、高分辨率成像与惯性感知都压缩到同一条同步时间线上，让位置和运动能被直接测量出来，而不必再靠软件去重建。创始团队来自 Apple 和 PrimeSense，做过 Kinect 和 Face ID 的 3D 感知项目。CEO Alexander Shpunt 的说法是，物理 AI 得先解决感知问题，才轮得到模型问题。公司今年 1 月才刚走出隐身状态，如今已进入量产阶段，正在向检测、物流、制造行业的机器人客户出货。^[20]

Locus Robotics ｜ G 轮 ｜ 4160 万美元 · industrial

昨天已经传出这轮融资接近交割，如今金额敲定下来：4160 万美元，全部来自现有股东。CEO Rick Faulk 表示这一轮其实还没关闭，公司仍在向老股东争取更多资金。这家做仓储 AMR 的公司上一次大额融资是 2022 年 11 月的 1.17 亿美元 F 轮，由高盛资产管理和 G2 Venture Partners 领投，当时估值接近 20 亿美元。就在本轮之前，公司刚推出了 Locus Array，还收购了 Nexera Robotics。^[21]

Wandercraft ｜ 洽谈中 ｜ 约 1 亿欧元 ｜ 投前约 7.5 亿欧元 · humanoid ⚠️ 传闻口径

据彭博援引知情人士透露，本轮由高盛担任财务顾问。这家巴黎公司 2012 年是从康复外骨骼起家的，旗下 Atalante X 已经进入了全球 100 多家医院和康复中心；如今新推出的 Calvin 系列转向了工业人形方向，首款 Calvin-40 从设计到造出仅用了 40 天，跑在 NVIDIA Isaac GR00T N1 与 Jetson 平台上，能反复搬起 40 公斤的重物。雷诺既是股东，也是首个商用客户，Calvin-40 目前已经在法国杜埃工厂的产线上给轮胎装配作业。路线图安排是 2026 年底部署约 10 台，到 2027 年底扩展到 350 台，覆盖法国和西班牙的工厂，配合把单车装配时间压缩 30% 的目标。Dealroom 的统计口径显示，人形机器人公司今年上半年已经募到 86 亿美元，是 2025 年全年的 1.8 倍。^[22]

联合影像 ｜ 新一轮 ｜ 数亿元级 · hardware

本轮由敦鸿资产、杭州具身智能产业基·金、富阳产投和智平方共同参与。这家公司在视觉方案这个领域已经深耕了十余年，客户名单里既有宇树、智平方、自变量、Rokid、Pico 这些具身智能玩家，也有科沃斯、云鲸、追觅这些做扫地机和割草机的厂商，营收已经做到了 20 亿元这个量级。创始人张枫是 2014 年从手机摄像头模组做起的，2018 年切进了扫地机领域，到 2021 年又转向端侧 AI 视觉。这笔资金将投向深度相机产品线、端侧视觉理解、数采与评测能力，以及一个位于杭州、规模十亿元级的智能视觉产业基地。^[23]

迦智科技 ｜ 港交所 IPO ｜ 更新招股书 · industrial

公司 2026 年上半年营收 1.69 亿元，毛利 4983 万元，毛利率 29.4%，期内仍然亏损 6370 万元。往前追溯三年，营收分别是 7495 万、1.15 亿、2.66 亿元，同期亏损分别是 1.14 亿、1.18 亿、9973 万元——亏损幅度在缩小，但还没转正。从收入结构看，标准 AMR 及全向重载 AMR 方案占了 54.7%，叉取式 AMR 占 27.9%，机器人产品本身只占 10.2%。董事会主席熊蓉控制着 29.61% 的投票权，中控技术创始人褚健持股 3.67%，联想基·金持股 5.80%。截至 6 月 30 日，公司现金及等价物为 2.18 亿元。^[24]

MirrorSpace 映界科技 ｜ 种子+ 轮 ｜ 超千万元 · hardware ⚠️ 汇编口径

参与方包括海愿资本、奇绩创坛、松禾资本和金依力，相关信息来自天眼查公示整理。这家总部在东莞的公司做的是即插即用的空间感知模组，能把 RGB、LiDAR、热成像等多源输入融合成动态的 4D 空间表征。^[25]

现代摩比斯拿下 Atlas 人形机器人全部执行器订单，每台整机 31 个 · hardware ⚠️ 测算口径

执行器是把能量转化为物理动作的关键部件，也是人形机器人成本最高、最难做的一环，而现代摩比斯把 Atlas 这部分订单整体拿下，单台整机需要搭载 31 个身体执行器。LS 证劵当天把现代摩比斯列为韩国物理 AI 价值链的首选股，维持买入评级，目标价定在 75 万韩元，并测算在年产 3 万台的目标产能下，机器人业务收入能达到 1.04 万亿至 1.43 万亿韩元。不过要说明的是，这些收入数字全部来自券商模型的测算，并非公司自身披露；摩比斯自己的机器人零部件收入预计要到 2027 年起才会显著体现出来。^[26]

云深处轮足机器人进吐鲁番葡萄园，搬运人力据称降七成 · industrial ⚠️ 厂商口径

机器本身并不负责摘葡萄，云深处的 Lynx M20S 干的是另一件事——把已经摘好的葡萄筐从藤架行间搬运到集中点，顺带还能挪动滴灌管、回传田间数据。这台机器单台载重 35 公斤，能适应从 50 摄氏度到零下 30 摄氏度的工作温区，而吐鲁番八月采收季地表温度常年超过 50 度；机身设计得足够窄，能通过 50 厘米宽的窄道而不用掉头。葡萄一旦摘下就开始失水，从采收到运输的时间长短会直接影响能卖出去的品质，这也是园区愿意引入机器人的实际原因。报道给出的口径是"减少七成以上人工搬运"，但没有说明单机的成本，也没有透露吐鲁番之外的推广规模。^[27]

中国重汽交付 30 台黄河智驾牵引车，同步签下 200 台战略协议 · autonomy

这批车是 8 月 31 日在江苏淮安交付的，客户是深耕江苏中长途干线运输的雷杰物流。车上搭载的是 L2+ 级智能辅助驾驶，并非无人驾驶，卖点更多落在主挂一体化风阻系数 0.349、第三代 MC13 发动机 620 马力这类能帮助降本的参数上。中国重汽今年上半年卖出重卡 18.85 万辆，同比增长 26.69%，市场份额达到 28.5%。眼下干线物流领域的智能化订单仍然以辅助驾驶为主，这和矿区、港口那边推进 L4 车队是两条不同的节奏。^[28]

滴滴 Robotaxi R2 标配 10 颗速腾聚创激光雷达 · autonomy

就在 8 月 31 日 R2 在北京、广州开启全无人载客试运营之后，供应链方面的细节也浮出水面：整车标配了 10 颗速腾聚创激光雷达。对上游供应商来说，这意味着单车的激光雷达用量比乘用车前装市场高出一个量级，是 Robotaxi 规模化过程中最直接受益的一环。^[29]

Waymo 将在大辛辛那提地区启动 Robotaxi 测试 · autonomy

就在 9 月 1 日丹佛、圣迭戈、坦帕三座城市同一天开卖付费无人车服务之后，Waymo 又把测试版图往中西部推进了一步。^[30]

World Labs 发布 Atlas，一张照片生成可控三维世界 · world-model

李飞飞创办的 World Labs 放出了新一代世界模型 Atlas，采用多模态自回归扩散 Transformer 架构，把文本、图像、相机位姿和 3D 深度图统统当作原生输入，每一张输入图像都会被锚定到空间中的某个三维位置，共同构成所谓的"空间上下文"。它能干四件事：按像素级精准的相机控制生成图像与视频，最长可达一分钟、分辨率 1440p；从一张到数十张图像中重建出真实的三维场景，输出点云或 3D 高斯泼溅；对输入视频同时建模空间与时间关系；以及根据文本生成图像和 360 度全景图。有个例子是，团队只喂了 25 张斯坦福主方庭的地面照片，模型就直接生成出了一条飞掠校园上空的俯瞰路径。就机器人这条应用线来说，Atlas 提供的是一套能规模化的 real-to-sim 方案：团队用手机拍摄了两个大型环境、每处只取 24 帧做重建，随后让不同构型的仿真机器人在其中行走，由 Atlas 实时生成机载相机应该看到的 RGB 与深度数据，任务跑完之后还能替换物体、调整位置、改变光照来做数据变量扩充。另外，只要三台相机同步拍摄，就能拼出类似"子弹时间"的多视角定格效果。团队表示 Atlas 遵循 scaling law，性能会随训练算力的增加稳步提升，未来也将用来驱动 Marble 等产品的迭代升级。World Labs 目前累计融资已达 12 亿美元，出资方包括 NVIDIA、AMD 与 Autodesk。^[31]

Uber 裁 3300 人，把钱腾给逾 100 亿美元的自动驾驶投入 · autonomy

这次裁员大约占全球员工的 10%，是自 2020 年疫情裁员以来规模最大的一次。管理层规模被砍掉约 20%，部分经理转做个人贡献者，只带一两个人的小团队数量近乎减半。CEO 达拉·科斯罗萨西给出的解释是，过去五年的高速增长堆出了多余的管理层级、过度的协调需求和分散的责任归属。餐饮、零售、直送三块配送业务的运营组合被合并，工程和科学团队也在同步归拢。公司预计未来几年将在自动驾驶合作上投入超过 100 亿美元，今年 3 月宣布的 Rivian 合作最终要支撑起多达 5 万辆全无人 Robotaxi 的规模，先从 2028 年的旧金山和迈阿密开始投放。消息公布之后，Uber 盘前股价涨超 2%。^[32]

具身数据缺口超 99%，上半年 25 家数采公司分走 170 多亿元 · adjacent ⚠️ 汇编口径

中国信通院《具身智能训练场研究报告（2026 年）》给出的判断是，全球目前可用的高质量真实数据只有数十万到百万小时这个级别，而具身基础模型要出现能力涌现，至少需要数千万小时的数据量，两者之间的缺口超过 99%。IT 桔子的统计显示，2026 年上半年，25 家中国具身智能数据创业公司合计拿到了超过 170 亿元融资。其中智元孵化的觅蜂科技成立才半年就完成了三轮融资，其 MEgo 系列无本体采集设备量产交付超过 2 万套，累计产出超过 100 万小时无本体数据；千寻智能则在全国 100 多个城市铺设了 40 多万个采集点。觅蜂董事长兼 CEO 姚卯青说得更直白：无本体数据适合用来预训练、学通用表征，但一旦落到具体任务上，还是"绕不开对应本体的真机数据"，靠互联网视频蒸馏出的数据只是"现阶段的拐杖"。行业的评判标准也在变化——年初随便用手机、运动相机采集一下也能卖出去，但到了下半年，60FPS、1080P、双目视觉已经成了共识指标，"盲目采集一百万小时其实并不难，重复做少数几类任务就可以实现，但这样的数据几乎没有价值"。工信部 8 月批准的《人工智能关键基础技术具身智能数据集质量要求及评价方法》将于 11 月 1 日正式实施，覆盖完整性、一致性、多样性、真实性等八个维度。^[33]

宇树上市第 11 个交易日股价腰斩，市值 2208.5 亿元 · humanoid

9 月 2 日股价收在 546.02 元，当日跌 4.39%，相比上市首日盘中最高的 1100 元，正好腰斩，市值降到 2208.5 亿元。回看 8 月 19 日刚登陆科创板那天，股价涨了 460%，发行市盈率高达 219.23 倍。从基本面看，2025 年人形机器人业务收入占比达到 51.78%，纯人形出货量超过 5500 台，四足机器人销量合计超过 3.3 万台。王兴兴在与投资者交流时表示，希望投资者是真正认同公司价值才买入，而不是一味炒作，上市之后"有压力更有动力"。同一天，公司也回应了网传的员工吐槽——"只有罚几乎没有奖"、"超 100 元报销需王兴兴审批"——称其中很多内容并不属实。目前注册资本已经完成了上市后的工商变更，增加到了 4.04 亿元。^[34]

全球首个腿式机器人国际标准发布，中国专家牵头制定 · humanoid

这项标准名为《机器人 —— 服务机器人性能规范及其试验方法 第 5 部分：腿式机器人运动》，覆盖的是人形机器人、机器狗这一类靠腿来行走、跑跳、爬坡、越障的机型，此前全球在这方面一直没有统一的评价体系。核心变化集中在两点：一是测试环境，以前只在平地上测能不能移动，现在把楼梯、坡面、障碍这些真实作业场景也纳入了进来；二是评价范围，不再只看运动这一项指标，感知、交互、决策也一并计入任务完成度的评判。这类机器人如今已经在承担表演、巡检、搬运、搜救等实际工作，但跨厂商之间的性能比较，此前基本还是靠各家自己发布演示来说话。^[35]

自变量发布 TwinDEX，一只手戴在人身上采数据，一只手装在机器人上干活 · embodied ⚠️ 厂商口径

这是一对孪生的三指九自由度灵巧手，其中七个是主动自由度。采集端做成可穿戴外骨骼的形式，执行端则装在机器人上，两端在运动学（自由度、关节轴、连杆比例）、接触力学（材料、几何、表面特性与触觉传感器）和视觉外观这三个维度上都做了对齐，目的是让无本体数据能直接用于策略训练，不必再依赖真机数据来做对齐或微调。官方评测称，无本体数据的采集效率是真机遥操作的 5.3 倍，而且在多任务基准测试里，两类数据训练出来的策略随着数据量增加，提升速率是一致的，最终也会收敛到同一水平——也就是说，无本体数据几乎可以 100% 替代真机遥操作数据。不过需要说明的是，这两个数字都来自厂商自测，目前还没有第三方复现过。^[36]

Zeroth 推出 Bridge 人形机器人与开源 OpenBridge 平台 · humanoid

苏州公司 Zeroth 发布了紧凑型人形机器人 Bridge，主打面向开发者的物理 AI 开发场景，其硬件、运控系统与开发接口都是按照 AI 驱动的物理交互来设计的，而不是走预设动作编排的老路，出厂时就自带稳定行走、避障和一整套拟人动作库，还支持接入动捕和 VR。与之同步开源的 OpenBridge 平台带有一个公共 Skill Hub，开发者可以在上面互相调用和扩展彼此写好的机器人技能。Builder 计划首期打算筛选 500 名开发者，其中前 200 名可以免费拿到整机，剩下 300 名能获得 Geek 版的优先购买权以及 SDK。创始人兼 CEO 郭仁杰说："世界从不缺墙，我们选择造桥。"Bridge 从 9 月 2 日起在全球开放预订，Geek 版首批已经开售，价格因地区而异。^[37]

卡特彼勒与 FieldAI 合作，把机器人基础模型放进工地与工厂 · industrial

在这次合作里，卡特彼勒负责拿出行业经验、工程能力和运营数据，FieldAI 则贡献与本体无关的自主性技术和机器人基础模型，底层还用上了 NVIDIA 的技术栈。首批要落地的方向包括自主巡检、给工地和厂房建数字孪生、风险的早期识别，以及借助仿真与自动化来优化运营。首席技术官 Jaime Mineart 表示，这个行业未来的关键在于人的专长能否与 AI 机器有效结合；集成部件事业部高级副总裁 John Tuntland 则把话题落到了自家工厂上，说这些技术能让团队更清楚设施的运转方式，也更清楚哪里还能优化流转效率。至于为什么选中 FieldAI，卡特彼勒给出的理由是，这家公司已经在传统自动化方案失灵的那种复杂动态工业环境里完成过实际部署。^[38]

FutureX · 记录未来如何发生

素材来源多方媒体/网络新闻