点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Zhe Li等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 ★ 本文的主要作者来自北京智源人工智能研究院、哈尔滨工业大学、香港科技大学、上海交通大学、北京大学和悉尼大学。本文的第一作者为北京智源人工智能 研究院的实习生李哲，主要研究方向为具身智能和3D数字人。共同一作是哈尔滨工业大学的韦杨扬。本文的通讯作者为北京大学计算机学院研究员、助理教授 仉尚航和北京智源研究院研究员迟程。 行业痛点：多阶段流程带来的信息损失 当爵士乐的节拍响起，人形机器人即刻舒展肢体，抬手、转身、踏步精准踩中每一个鼓点；当演讲者的话音落下，它又能顺着语调的抑扬、话语的重音，自然抬 手、侧身、点头，用恰到好处的肢体语言强化表达。 这不是科幻电影里的片段，而是 RoboPerform 正在实现的现实。 它打破了人形机器人 "照本宣科" 的动作困境，既让机器能随音乐即兴起舞，也能配合语音生成自然手势，真正听懂声音的情 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 当具身的上限被数据左右时，一定会有越来越高效的采集方案。这不仅仅是机器人领域的趋势，还是整 个以"数据为驱动"产业的基因。 具身智能行业有一个众所周知的困境，就是数据不够。 当具身智能的上限被数据锁死，一场关于"数采效率"的军备竞赛便成了必然。 这不仅是机器人学的技术演 进，更是所有"数据驱动型"产业刻在基因里的进化逻辑。 然而，理想与现实的鸿沟正横亘在每一位从业者面前。无论是基座模型还是规模化的高质量数据，都在一边 发展一边优化。 当前，在开发的不同阶段和需求下，我们看到具身智能行业大致形成了几种数采路线：UMI、真机遥操、人 类视频、仿真生成等，但它们各有限制： 机器人要完成灵巧操作的学习，必须要从训练数据中找到线索。这个线索可以是抓取的力量、目标物体 的纹理与颜色、每个指头的协调运动以及不断的视角切换。 机器人若要习得真正的"灵巧"，必须从数据中寻得线索。 如果我们要求机器人像人一样思考，就必须先赋予 数据"人性"的颗粒度。 近期，灵初智能一套便携式外骨骼穿戴设备的出现，正试图打破僵局。拟人臂、触觉手套、同构外骨骼…… 这不仅是硬件的升级，更是将数采维 ...

文章核心观点 - 英伟达在CES 2026上发布了一系列面向物理AI和Agentic AI的新产品与平台，标志着其战略重心从游戏显卡全面转向AI，并将技术护城河从芯片层拓展至全栈平台层（模型+数据+工具）[1][2][6][9] 下一代数据中心架构：Vera Rubin - 正式推出下一代AI数据中心机柜架构Vera Rubin NVL72，其六大核心组件包括Vera CPU、Rubin GPU、NVLink 6 switch、ConnectX-9 SuperNIC、BlueField-4 DPU、Spectrum-6 Ethernet switch[14][15] - Rubin GPU在NVFP4数据格式下，推理性能达50 PFLOPS，是Blackwell GB200的5倍；训练性能达35 PFLOPS，是Blackwell的3.5倍[4][17] - 每颗Rubin GPU封装8组HBM4内存，提供288GB容量和22 TB/s带宽[18] - 引入NVLink 6用于规模内扩展网络，单GPU互连带宽达3.6 TB/s（双向），每个机架配备9颗交换芯片，总规模内带宽达260 TB/s[20][21] - Vera CPU集成88个定制Olympus Arm核心，最多可同时运行176个线程，其与GPU的NVLink C2C互连带宽达1.8 TB/s，可寻址最多1.5 TB的LPDDR5X内存[22] - 推出基于Spectrum-6芯片的共封装光学以太网交换机，用于机架扩展，其中SN688提供409.6 Tb/s总带宽，SN6810提供102.4 Tb/s总带宽[24][25][26][27] - 推出BlueField-4 DPU，构建推理上下文内存存储平台，旨在高效共享与复用键值缓存数据，提升系统响应与吞吐[32][34] - 每个Vera Rubin NVL72机架可提供3.6 exaFLOPS的NVFP4推理性能、2.5 exaFLOPS的NVFP4训练性能、54 TB的LPDDR5X内存以及20.7 TB带宽达1.6 PB/s的HBM4内存[36][37] - 与Blackwell相比，Vera Rubin训练MoE模型所需GPU数量仅为四分之一，在MoE推理场景下每token成本最高可降低10倍[36] - 用于构建该机架的六类芯片已全部从晶圆厂交付，预计2026年下半年启动规模化量产[38] 自动驾驶开源模型与生态 - 发布全新开源模型系列Alpamayo，面向安全推理的自动驾驶，其中Alpamayo 1是全球首款开源、大规模的自动驾驶视觉-语言-行动推理模型，参数为100亿[39][41] - 模型接收车辆运动历史、多摄像头实时视频和用户指令，输出驾驶决策、因果推理结果和行驶轨迹[42] - 配套发布开源仿真框架AlpacaSim，以及一个包含1700小时驾驶数据的开源数据集，数据涵盖全球广泛地理区域与复杂边缘场景[44][45] - Alpamayo将率先搭载于2025年第二季度欧洲上市的梅赛德斯-奔驰CLA车型，后续通过OTA升级推送更多自动驾驶功能[45] - 展示了基于自身技术构建的全球L4级自动驾驶与Robotaxi生态系统全景，覆盖软件开发商、整车厂/出行平台、硬件供应商全产业链[47] AI智能体与多模态模型 - NVIDIA Nemotron模型家族推出针对语音、RAG以及安全三大场景的专项模型[49] - Nemotron Speech包含新的自动语音识别模型，支持实时低延迟场景如实时字幕生成，速度比同类模型快10倍，已被博世采用[51][52] - Nemotron RAG搭载新的视觉语言模型，能精准处理多语言、多模态数据以提升文档搜索效率[53] - Nemotron Safety系列模型专注于增强AI应用安全性与可信度，包括内容安全模型和检测敏感数据的PII模型[53] 物理AI与机器人平台 - 为机器人推出的“大脑”Cosmos平台升级，全新发布Cosmos Reason 2（视觉-语言推理模型）、Cosmos Transfer 2.5与Cosmos Predict 2.5（合成视频生成模型）[56][60] - 发布Isaac GR00T N1.6，一款专为类人机器人打造的开源视觉-语言-行动推理模型，支持全身控制并集成Cosmos Reason模型[61] - 发布NVIDIA AI Blueprint for Video Search and Summarization，提供参考工作流以构建能分析大量录播及直播视频的视觉AI智能体[61] - Cosmos平台已被Figure、Agility Robotics、通用汽车等公司采用，其模型正被Salesforce、Uber等企业用于开发AI智能体[54][58] 医疗健康与生命科学AI - NVIDIA Clara是专门针对医疗健康与生命科学领域的AI技术工具，旨在降低行业成本、加速治疗方案落地[62][63] - 该系列包含多款专项模型：La-Proteina（设计大型蛋白质）、ReaSyn v2（药物生产考虑）、KERMT（预测药物人体反应）、RNAPro（预测RNA 3D结构）[64][69] - 将为研究者提供包含45.5万个合成蛋白质结构的数据集[66] 开源与生态建设 - 宣布持续向社区开源训练框架以及多模态数据集，数据集包括10万亿语言训练token、50万条机器人轨迹数据、45.5万个蛋白质结构、100TB车辆传感器数据[5] - 演讲中提及国产开源模型DeepSeek、Kimi K2、Qwen，体现了对全球开源生态的关注[11][12]

机器人执行任务时，失败往往难以挽回——比如抓取物体时姿势偏差导致物体掉落，或长序列任务中错误累积最终导致执行崩溃。传统方法大多采用"事后纠正"模 式：只有在失败发生后才分析错误并补救，而人类的纠错方式是"主动预判"——比如杯子刚要滑落时立刻握紧，车辆即将偏离车道时提前调整方向，在失败完全显 现前就介入修正。 这一差异揭示了现有视觉-语言-动作模型（VLAs）的关键局限：缺乏对子任务进度的感知能力，无法识别失败高发的子任务转换节点，且重试机制效率低下。为 此，CycleVLA 提出一套主动自纠正框架，核心目标是让 VLAs 具备"预判初期失败、回溯重试恢复"的能力，尤其针对长 horizon 任务和欠训练模型的性能短板。 二、核心设计：三大模块构建主动自纠正循环 点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Chenyang Ma等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 一、 CycleVLA的 核心背景与动机 CycleV ...

如果说今年哪个方向最受欢迎，一定是VLA+RL。 VLA模型为具身智能带来了新的交互范式：机器人不再依赖精确定义的状态和规则，而是通过视觉感知环 境、理解语言指令，并直接生成动作序列。这一能力极大地降低了任务描述和系统设计的门槛，使机器人 能够应对更加开放和复杂的场景。 然而，在真实机器人系统中，VLA 往往仍然面临执行不稳定、对初始状态敏感、长时序任务易失败等问 题，其核心原因在于模型缺乏基于环境反馈的持续修正能力。 强化学习的出现为VLA带来了新的解决思路。RL并不是一门新的学科，但RL的优势为VLA提供了从"理 解"走向"执行优化"的关键机制。通过引入奖励或价值信号，RL可以在保持VLA感知与语言能力的同时，对 动作策略进行闭环优化，弥补模仿学习在分布外状态和误差累积上的不足。 当前的研究趋势也逐渐从"单纯训练 VLA 模型"转向"以 VLA 作为策略表示，结合RL进行微调和强化"，包 括离线 RL 提升样本效率、层级 RL 约束长时序行为，以及基于视觉和语言的自监督反馈建模等方向。 方法上，目前VLA+RL主要分为在线RL、离线RL、test-time三种方案。 paper多，想入坑的人也多了起来.. ...

点击下方 卡片 ，关注" VLAI Robotics未来 动力 "公众号 如果你还在为高昂的机器人价格而犹豫不决，或者一直在忍受"无法协同、不够智能"的机器人痛点，今天VLAI Robotics给你带来了真正的突破——X系列双臂人形 机器人，价格仅售 1.98万元起！ 产品级价格，科研级性能，让具身智能触手可得！ 三大核心突破，重新定义双臂机器人！ 超高灵活性，精准还原人类动作 ：X系列"人尺度"为核心设计理念，单臂搭载 7 个基础运动自由度与 1 个夹爪控制自由度，总自由度达 8 DOF，双臂协同更是实现 16 DOF 全维度灵活操控，从肩部的自然舒展、肘部的精准弯折到腕部的灵活旋转，每一处动作都 完美还原人类上肢的自然运动轨迹 。基础版双臂可稳定承载 8kg 重物，Air 及以上版本直接将负载能力升级至 12kg ，在保持轻量化设计带来的灵活优势之余，更能精准完成各类 高精度抓取 、复杂操作任务，实用价值拉满！ 仿生学技术，解决传统机器人僵硬问题 ：X系列双臂机器人凭借前沿仿生运动学建模与高顺应性控制策略，实现了类人运动的自然复刻，能始终维持高精度控制， 为 远程操控、模仿学习与人机交互研究 提供核心基础 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 最近看到了很多HR的职位需求，list很长，但VLA算法是很"急需"。这一点，也体现在论文数量上。每天带着很多 小朋友看论文，也几乎都和VLA"挂钩"。 ❝ 但VLA貌似"很伤"，不好调，数据采集麻烦。这个事情，是很多同学持续在吐槽的。 只看论文而没有真机实验，在仿真里面做了好久，也不知道动起来啥样子。确实，具身和其它领域都有所不同，太 注重本体，即使是算法也极其依赖硬件。 ❝ 不少同学说，相当多的时间"浪费"在踩坑上了。 确实，真实数据采集上，需要借助硬件完成，比如遥操、VR、全身动补等方式。仿真和互联网数据，在泛化性能上 依然得不到保证，很多具身公司坚持"真机数据"路线。但真机数据采的数据并不好用，该怎么办？一轮下来又需要 好久。 模型优化上也很难顶，有的效果就是调不出，或者说训练不出效果。有些算法就是没效果，不知道怎么分析，真机 上一塌糊涂 ...

>> 点击进入→ 具身 智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区： 具身智能之心知识星球（戳我） ，这里包含所有你想要的! 以下文章来源于具身纪元 ，作者Vbot算法团队 具身纪元 . 见证具身浪潮，书写智能新纪元 作者丨 Vbot算法团队 编辑丨 具身纪元 点击下方 卡片 ，关注" 具身智能之心 "公众号 现有的四足机器人为什么很难有生命力？ 我们常见的机器狗，在用户面前展现的都是极限运动能力。 似乎缺少了那么一点点灵性。 其中一个原因是，传统的四足控制擅长单一任务的稳健执行，对多动作切换不友好。 主流做法是：一个动作一个策略——后空翻、跳高、作揖各自单独训练和调参，动作之间的自然衔接就是无人关注的角落了。 这样一来，在大家看这些动作时，就像是看一个个不太连贯的镜头剪辑。 而对于在真实环境里与人一起活动的场景（而不是观看机器人表演的场景）来说，用户更在意的是一起活动的连续性和稳定性，而不是某一个单项动作的极限指标。 单一动作模式让机器人具备了执行指令的功能，却失去了生物体应有的灵性，导致动作转换生硬，难以展现出连续、流畅且富有情感表达力的复杂行为。 打造一个有灵性的具身智能，才是 ...

编辑丨机器之心 点击下方 卡片 ，关注" 具身智能之心 "公众号 >> 点击进入→ 具身 智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区： 具身智能之心知识星球（戳我） ，这里包含所有你想要的! 空间理解能力是多模态大语言模型（MLLMs）走向真实物理世界，成为 "通用型智能助手" 的关键基础。但现有的空间智能评测基准往往有两类问题：一类高度依 赖模板生成，限制了问题的多样性；另一类仅聚焦于某一种空间任务与受限场景，因此很难全面检验模型在真实世界中对空间的理解与推理能力。 要真正走入现实世界，模型不仅需要看得见，更要看得懂空间： 它需要在复杂、多变的真实场景中理解空间布局、感知运动变化、进行时空推理，并基于这些信 息做出合理决策，与环境产生有效交互。 为此， 上海人工 智能 实 验室 Inter nRobotics 团队 近日推出了一套 全面而硬核的空间智能视频基准 —— MMSI-Video-Bench ，对当前主流多模态大模型精心打 造了一场挑战系数极高的 "空间智能大考"。 本工作由上海人工智能实验室、上海交通大学、香港中文大学、浙江大学、香港大学、北京航空航天大学、西安交通大学、 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 在具身智能领域，机器人操纵作为核心难题，随着视觉、语言及多模态学习的飞速发展迎来变革。大型基础模型的出现，大幅提升了机器人的感知与语义表征能 力，使其能在非结构化环境中基于自然语言指令完成任务。由西安交通大学、香港科技大学（广州）等多所高校联合撰写的综述，以 "高层规划 + 低层控制" 的统一 框架，系统梳理了基于学习的机器人操纵方法，明确了当前技术瓶颈与未来方向，为该领域的研究提供了全面且结构化的参考。 论文名称：Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives 论文链接：https://arxiv.org/pdf/2512.22983 项目链接：https://github.com/BaiShuangha ...