港中文复旦清华联合综述:79页画出智能体机器人全景图

资讯 腾讯网 作者:科技行者 全文 7508 字 · 约 19 分钟读完 分类机器人

你有没有想过,为什么现在的扫地机器人已经能避开你家猫砂盆了,却还是没法自己判断"这个抽屉卡住了,我应该换个方向拉"?这不是传感器不够多的问题,也不是电机不够精密的问题。问题出在一个更根本的地方:机器人缺的不是"能力",而是"判断力"。2026年10月,一群来自香港中文大学、复旦大学、清华大学等机构的研究者,发表...

所属频道 机器人与具身智能

扫地机器人如今已能绕开家里的猫砂盆,可碰上“抽屉卡住了,该换个方向拉”这类情形,它还是判断不了。这跟传感器数量、电机精度都没关系,根子在于机器人缺的是判断力,而非能力。

2026年10月,香港中文大学、复旦大学、清华大学等机构的研究者联合发表了一篇79页的综述论文,想回答一个看似简单、实则难缠的问题:把GPT这类大模型装进机器人身体里,究竟发生了什么?它们是真让机器人变聪明了,还是只让机器人显得更聪明?

这篇论文最打动人的地方,不在于提出了什么惊人的新算法,而在于它踏踏实实做了一件事:把过去几年散落各处、彼此不相认的几百篇机器人智能体研究,整理成了一张完整的地图。

机器人智能的四个时代

先讲一个可能颠覆认知的事实:不久前,机器人学习的主流做法还是“一个任务一个模型”。

想让机器人抓东西,就单独训练一个抓取模型;想让它导航,再训练一个导航模型。这些模型各干各的,互不相通,任务一换就得重训。这种方式被称为

视觉-语言-动作模型(VLA)*:一类把视觉观察、语言指令和动作预测连接起来的模型,通常建立在预训练的大语言模型之上,能利用其中蕴含的常识知识。这种模式延续多年,直到VLA出现才被打破。RT-2、OpenVLA这些名字开始在论文里频繁露面,思路很直接:大语言模型既然已从海量互联网数据里学会了“什么是杯子”“杯子一般放哪儿”,何不让这些常识直接指导机器人动作?

但VLA的短板很快显现。它们擅长把“看到的场景”和“该做的动作”对接起来,却不擅长应付“等等,这样不对,得换个办法”的局面。换句话说,单次动作VLA能做得挺准,可放到长时间任务里,持续追踪进度、应对意外、从失败中恢复,它就做不到了。

于是

综述认为,真正的变革出现在第四个阶段,这也是论文的核心概念:

这里有个关键转折点。这个数字本身不算惊艳,但背后的趋势值得琢磨:一个没经过专门训练的通用模型,靠“边做边看边调整”的策略,就能打赢那些为机器人任务精心调教过的模型。这说明什么?在机器人智能上,把模型训得更大更准已经不够了,关键在于怎么用这个模型,怎么让它在执行中保持清醒的判断。

由此引出论文真正要讨论的问题:智能体机器人究竟是什么,它和前面那些模型有何本质区别?

论文的定义是:智能体机器人是这样一种系统,其中的智能体能够根据环境观察和执行反馈,自主地规划和协调任务执行。给定一个目标,这些智能体会判断达成目标需要哪些步骤,选择和协调动作、技能或工具,并在没有人类逐步指示的情况下监控进度。

这个定义里藏着一个很朴素的道理。设想你让一个新来的实习生去归档一份文件:只会执行指令的实习生发现文件柜锁着,会愣在原地等你下一步指示;真正“在思考”的实习生则会自己判断——去找钥匙,还是先换个地方放着,还是回来问你要不要换种归档方式。这种“自己判断该怎么办”的能力,正是智能体机器人与传统机器人策略最根本的分野。

没有这种判断力会怎样?论文举了开抽屉取物的例子:智能体可能先选一个开抽屉的动作,检查抽屉是否真的打开,再决定直接取物还是重新尝试开抽屉。单纯的动作预测或底层反馈控制,都建立不起这种能力。

四个支柱:模型、数据、环境、工具箱

面对如此庞杂的研究领域,论文做的最重要的工作是提出一个四维分类框架,把智能体机器人相关研究分成模型、数据、环境、工具箱四大板块,每个板块下再细分若干类别,共十七个互不排斥的研究方向。这个框架很像一家公司的组织架构图。

模型板块回答的是:智能体该学习、理解、决策、控制什么?下面分五个子方向——训练(智能体如何设计奖励函数和训练流程)、感知(如何从观察中提取任务相关信息)、规划(如何组织任务步骤)、机器人控制(如何把决策转化为具体动作指令)、适应(如何利用经验改进行为)。

数据板块关注:智能体该如何收集、标注、精炼机器人数据?包括数据采集、数据标注、数据精炼三个环节。

环境板块处理:智能体该构建什么样的世界、任务和测试?包括场景重建、任务生成、基准测试三个方向。

工具箱板块则关注:机器人的各项能力该如何被编排、恢复和进化?这是全篇篇幅最长的部分,细分为编排、记忆、监控与恢复、技能、基础设施、分层系统六个子方向。

这套分类体系价值何在?它让原本互不相认的几百篇论文,突然有了一张可对照的坐标系。读到一篇讲“怎么给机器人设计奖励函数”的论文,你立刻知道它属于“训练”;读到另一篇讲“机器人怎么记住之前失败的尝试”,就知道它归在“记忆”。这种分类不是机械贴标签,而是帮读者建立“这项研究在整个智能体机器人系统里扮演什么角色”的认知坐标。

假如缺了这张地图,情况会怎样?论文直说,眼下这一领域的研究相当零散,“具身智能体”“自主机器人”“自我改进机器人系统”这些说法彼此交织、界限含混,读者很难弄清一个智能体系统里究竟由谁做决策、这些决策又怎样作用于整个系统。没有这张地图,每个刚入门的人都得自己从零去摸清概念之间的关系,把别人踩过的坑再踩一遍。

感知:机器人该不该相信自己看到的

先看感知这一环。乍看之下,感知就是让机器人把眼前场景“看明白”,可论文点出了一个更微妙的层面:感知不光是对静态画面的解读,还得判断“我现在的信息够不够用,要不要再瞧一眼”。

这里有一个挺有意思的设计叫

说到底,道理很朴素:机器人每做一次观察都要付出代价。挪一下摄像头、推开挡视线的物体,既费时间又担风险。要是它每次都为了追求绝对确定而反复观察,任务就永远做不完;可要是从不核实、全凭第一眼下判断,关键环节又容易出错。

这就像你去超市找某一款特定口味的薯片,货架上摆满同款不同味的包装。你是直接伸手拿第一眼看到的,还是凑近了看清标签再决定?假如每买一次东西都要把货架上所有标签挨个核对一遍,买菜都能变成马拉松;可要是从不核对任何标签,买回家发现口味不对的概率就会大增。机器人面临的正是同一笔权衡,它得学会判断“这个决策值不值得我多看一眼”。

论文还点出一个很实际的问题:记忆里存的物体位置信息,会不会“过期”?比如

设想你记得办公室钥匙放在抽屉第二层,可同事今天早上开会用过之后顺手搁在了桌上。你要是完全信“记忆里的位置”而不去核实,就得在抽屉里翻上半天也找不着。机器人同样会碰上这种事,只不过它得靠主动重新观察来“刷新”这份记忆,而不是凭直觉。

规划:想得远不一定想得对

规划这一环讲的是机器人怎么把一串动作组织起来完成任务,其中的核心矛盾耐人寻味:规划得越远,越能提前理顺动作之间的依赖关系;可规划得越远,也越容易因为一个意外变化而全盘推翻。

论文把规划分成三个阶段:生成计划、执行前检查计划、执行中更新计划。

生成计划这一步,有些系统选择“走一步看一步”,比如先看一眼环境返回的结果,再定下一步做什么,这种方式适合后续步骤高度依赖当前信息的任务。另一种做法是让高层模型给出一个简短的子目标,交给专门的动作模型去执行具体步骤,比如

执行前检查这一步尤其关键。

执行中更新这一步,应对的则是“计划赶不上变化”的现实。

论文在这里提了一个很值得琢磨的判断标准:机器人究竟该规划多远,取决于它对自身动作结果预测得有多可靠。结果可预测,长计划有助于理顺多个动作之间的依赖;结果充满不确定性,或者环境一直在变,那就该规划得保守一些,让新的观察来指导接下来的每一步。

这让我想到一个很日常的类比:规划一趟旅行。去的要是熟悉的城市,交通路线清楚,你尽可以提前订好每天的详细行程,从早到晚每一站都安排上;可去的要是从没去过、天气多变、交通状况不明的地方,过度详细的计划反倒成了负担,因为任何一个环节出岔子,整个计划都得推倒重来。更明智的做法是只定个大方向,走一步看一步再决定下一步。

这个道理搁在机器人身上同样成立:规划的粗细,应当随不确定性高低来调整,而不是越细越好。

记忆:机器人该记住什么,又该忘记什么

记忆这个主题,大概是整篇论文里最贴近人类经验的部分,因为它讨论的问题人人都能感同身受:什么该记住,什么该忘记,记住的东西该放多久。

论文把记忆系统拆成三个环节:记忆写入、记忆更新、记忆检索。

记忆写入决定哪些内容值得记下来。有的系统专门记录失败经历,比如

但这里有一笔很实际的权衡:每一步都写入记忆,记忆库会迅速膨胀、冗余过多;写得太少,又可能漏掉后续决策真正需要的关键信息。

记忆更新环节处理的则是一个更尖锐的问题:场景不断变化,已经写入的记忆会不会因这种变化而变成错误信息?这就是前面说的“陈旧性”问题的延伸。

记忆检索环节要解决的是“浩如烟海的记忆里,哪些对当前决策真正有用”。这就像你打开一部存了好几年聊天记录的手机,要翻出某条特定对话,没有搜索功能的话,光靠一页页翻根本找不到。

论文中还描述了一种颇为巧妙的做法:如果某个相近的任务此前成功完成过,把当时的方案直接拿来用,通常比重新算一遍更快、也更省事。

说白了,这跟生活中“抄作业”的道理差不多,只是多了一步核对手续。做数学题时,以前见过同类题型、还记得解法,套上去自然比从头推导快;可套之前得先确认眼前这道和记忆里那道真属于同一类,否则套错了更麻烦。机器人复用记忆也是这个理:省时间没问题,但复用前的验证环节丢不得。

监控与恢复:机器人怎么察觉自己出了错

这部分谈的问题听着简单,做起来却极为复杂——机器人如何判断自己手头这件事做得对不对,发现不对之后又该如何补救。

论文将其拆为三个阶段:执行监控、响应选择、恢复动作。

执行监控按检查发生的时机分为三类:执行前、执行中、执行后。执行前检查针对的是尚未产生物理效果的那些候选动作,例如

这里有一处设计逻辑很耐人寻味:检查选在哪个时机,直接决定了它能抓到哪类问题,也决定了它能输出什么。执行前的检查只需在候选方案间做取舍,输出往往就是接受或拒绝;执行中的检查必须在动作结束前就作出反应,输出便是立即停止或调整的信号;执行后的检查能用上完整记录,输出就可以是详尽的解释。

响应选择环节要处理的是“发现毛病之后怎么应对”。这里存在一个很现实的分岔:机器人是在一组固定的预设方案里挑一个,还是交给更灵活的规划器临场生成策略。

恢复动作环节才真正动手补救。论文按补救所改变的层面将其分为四类:改当前策略收到的提示、改执行者本身、改任务流程、改策略之外的某些参数。

还有一个容易被跳过、却相当要紧的问题:补救完成后,机器人该从哪个状态接着干?一次失败的尝试常把现场弄得面目全非,物体可能被挪了位置,某个步骤可能做到一半就中断了。机器人可以选择直接从这个“烂摊子”接着往下做,保住此前已经取得的进展;也可以先把场景恢复到已知的干净状态,再从头开始。

这道选择题背后是生活里常见的决策逻辑。做菜时某一步出了岔子,比如糊了一小块,你是在现有基础上补救,还是整锅倒掉重来?问题不大时,继续修补通常更省时间;可一旦问题把整个状态都污染了,硬撑着补只会越补越乱,此时推倒重来反而更明智。机器人面对失败时的这番判断,本质上跟厨房里的权衡是一码事。

工具箱与分层系统:机器人大脑的组织架构

工具箱是整篇论文篇幅最长的一块,谈的是一个关键的工程问题:机器人同时具备多种能力时——比如一个语言规划器、一个动作执行模型、一批分析性的控制算法——这些能力彼此之间如何协调配合。

论文给出一个很形象的架构:规划层管高层次推理,跑得较慢;学习策略层负责反应性的行为生成,速度居中;分析控制层承担具体的求解与控制计算,速度最快。

这套设计思路,其实很像一家公司的决策链条。CEO定战略方向,但不会去管每笔订单怎么发货;部门经理把战略拆成具体的执行计划;一线员工再把计划落成一个个具体动作。若让CEO事无巨细地盯每单物流细节,公司效率会直接崩掉;可要是一线员工完全不知道公司战略、各干各的,整个系统同样会乱套。

论文里提到的

频率上的巨大落差,恰好对应着不同层级任务的本质特点。高层推理要综合处理复杂的语义信息,这个过程天生就慢;底层动作执行得对物理世界的变化做出近乎实时的反应,速度必须快。硬让高层推理模块按动作执行的速度运转,它根本来不及给出有意义的判断;反过来让动作执行模块等着高层推理每次更新,机器人的反应会慢得像在水里走路。

还有个设计细节很值得留意:慢速规划层发出的指令传到快速执行层时已经带上了时间延迟,也就是说执行层拿到的信息其实已经“过时”了。

分层系统另有一种更灵活的组织形式——智能体直接把动作模型当作可调用的工具。Gemini Robotics 1.5系统就是这种思路的代表,它让一个更通用的推理模型通过语言指令去调用专门的动作模型。论文提到,把通用模型换成专门负责具身推理的协调器之后,总体失败率直接减半。可见协调层自身够不够专业,对整个系统的表现影响相当直接。

智能体机器人的未来挑战

论文末尾用不小篇幅讨论了未来的研究方向,这部分没有给出确定答案,但提出的问题本身就很有启发。

第一个方向是公平的基准测试。论文抛出一个很尖锐的疑问:两个系统在同一项机器人测试任务上成功率相近,这究竟说明了什么?其中一个可能靠的是更强的底层动作模型,另一个则可能靠智能体协调多个较弱的技能、主动多收集观察、从失败中恢复,才拿到这个分数。只看最终的任务成功率,根本没法判断两者谁的能力更强。

这让我想到考试成绩:两个学生同样考了90分,一个知识基础扎实、每道题都独立解出;另一个提前拿到了部分题目的提示,靠反复试错和猜测凑够了分数。单看那个“90分”,你分不清这两种截然不同的能力水平。机器人基准测试遇到的正是同样的困境。

论文提到的另一条路线,是把智能体放到真实机器人上跑。在智能体眼里说得通的方案,落到机器人身上未必做得出来。推理模型可能让它去抓一个机械臂根本够不到的位置,也可能拿着已经过时的观测挑错了技能。模拟环境里,物体坐标是准的,成功与否也判得干脆;换成真机,这些信息得从带噪声的摄像头画面和传感器读数里估出来。感知上一点小偏差、标定上一点出入、加上意外碰一下,都可能让一个看着没问题的方案直接崩掉。

效率问题排在第三个方向。论文点出一个挺现实的矛盾:机器人做完一个动作,几秒钟就够了,可等智能体想好下一步该干什么,反而要耗更久。模型调用、视觉观察、工具交互,这些环节一重复,延迟就上来了,任务里碎动作一多尤其明显。说到底,难的是判断什么时候再调一次模型才划算,而这个判断得看任务进展到哪一步、不确定性有多大,以及延迟决策会带来什么后果。

跨具身泛化是第四个方向。智能体在某台机器人上跑得不错,换到另一个平台,未必还灵。就拿"走到目标位置"这种简单任务来说,轮式机器人、人形机器人、无人机要做的具体动作完全不是一回事。论文给出的思路是:让智能体在用一个陌生机器人之前,先弄清这台机器人到底能做什么,再据此规划,而不是把同一套指令直接翻译成另一台机器人的控制接口。

写在后面

79页的综述读下来,最触动人的倒不是哪个技术细节,而是一种认知上的转变:过去总觉得,让机器人变聪明的关键是把模型练得更大更准。可这篇论文一遍遍用案例说明,机器人能不能完成复杂任务,常常取决于模型之外那层"组织架构",也就是论文所称的工具箱。GPT-6 Astra没专门做过机器人任务训练,靠边做边调整的策略,却赢了专门训练的模型。这事本身就说明:脑子再聪明,装进一个不会灵活应变的身体,照样处处碰壁。

另一个让人反复琢磨的细节,是论文提到的"陈旧性"。感知环节里过时的物体定位,记忆环节里失效的位置记录,说到底都是同一个矛盾:系统得在"相信已经知道的信息"和"重新核实当前的真实情况"之间来回权衡。这个矛盾不只在机器人身上,凡是靠记忆和经验做决策的系统都躲不开,人也不例外。

论文里反复出现一个很朴素的提问:这个设计解决了什么根本矛盾,不这么做会怎样。这种问法值得借鉴。不光是读论文,碰到任何一个新技术方案,先问清它在权衡什么,往往比记住它怎么实现更有用。

假设一个机器人真能像老手那样,拧螺丝拧到一半发现螺纹滑丝,自己判断该换工具还是先停下来看看情况,而不是傻用力气继续拧——那它缺的到底是更强的"手",还是更清醒的"脑子"?

Q&A

Q1:智能体机器人和普通的机器人策略有什么区别?

A:普通机器人策略只做一件事,把观察转成动作。智能体机器人不一样,它能自己规划任务步骤,挑选并协调不同的技能或工具,盯着执行进度,再根据反馈决定继续、多收集信息、改计划还是从失败里恢复,不用人一步步交代。

Q2:论文提出的四个研究板块具体是什么?

A:论文把智能体机器人研究分成模型、数据、环境、工具箱四块,对应的是智能体该学什么决策、怎么收集和标注数据、该搭什么样的任务和测试环境、机器人能力怎么编排和恢复,往下再分出十七个具体研究方向。

Q3:为什么GPT-6 Astra没有专门训练却能表现不错?

A:GPT-6 Astra靠的是边执行边根据反馈调整动作的策略。在RoboDojo的42个模拟任务里,它的平均成功率达到22.48%,超过多个专门训练的机器人策略。这说明智能体的协调判断能力,有时候比单纯强化底层模型训练更要紧。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 戴士钦离开英伟达:黄仁勋辞职令他格外失望

    IT之家 11 月 16 日消息,英伟达机器人学习工程师戴士钦(Darrell Dai)昨日发文,宣布将离开公司。戴士钦表示,他眼中的黄仁勋不只是英伟达 CEO,他钦佩黄仁勋投资那些一下子看不到明确前景的未来技术。在深度学习热潮到来之前,黄仁勋就已投入 CUDA,并在人工智能成为所有人关注焦点之前布局 AI 领域。这些

    来源 腾讯网
  2. 小鹏IRON人形机器人明年二季度对外开售,何小鹏预告科技日亮相

    IT之家 11 月 16 日消息,据蓝鲸新闻报道,今日晚间在小鹏集团 2026 年 Q3 财报电话会上,其董事长、CEO 何小鹏预告,在接下来的小鹏科技日和广州车展,最新版本的小鹏 IRON 将会公开亮相,将展示一系列与众不同的能力。何小鹏透露,明年一季度,量产的首批机器人将进入小鹏的部分门店开启试用;明年二季度,小鹏

    来源 腾讯网
  3. 黄仁勋离任引不满:英伟达机器人工程师辞职

    【TechWeb】11月16日消息,英伟达机器人工程师Darrell Dai(戴达瑞)已通过个人X账号宣布辞职。他在帖子中解释,离职的核心原因是对公司前CEO黄仁勋(Jensen Huang)的离任方式感到失望,认为公司在此事上缺乏透明度和

    来源 TechWeb
  4. 又一家机器人公司陷入危机

    导读THECAPITAL潮水退去,才知道谁在裸泳!本文3545字,约5分钟作者 | 戴贤超 编辑 | 吾人来源 | 融中财经近日,有媒体报道称阿米奥机器人原CTO、COO、产品负责人均已离职,团队从峰值约130人收缩到70余人,新一轮人员优化还在进行。这家由小米汽车前智驾量产负责人刘方创立、安克创新领投的工业具身智能公

    来源 腾讯网
  5. 宾州州立大学研究:AI决策模型能被图片藏话骗倒吗?

    你有没有想过,现在很多AI系统做的根本不是"聊天"这件事,而是悄悄地在后台做决定。比如你问客服机器人一个问题,背后可能有个模型在判断该把你的请求转给哪个部门。你上传一张照片问"这个包裹能不能寄平邮",背后有个模型在看图、读数字、给出是或否的答案。你搜索商品,背后有模型在判断哪个结果跟你的需求最相关。这类模...

    来源 腾讯网
  6. 马斯克披露星舰V4细节:箭体约70米,发动机增至9台

    马斯克此次披露的核心信息包括:星舰V4箭体长度将增至约70米,推进剂装载量提升超过60%,发动机数量增至9台,并新增3台猛禽真空版发动机。尺寸上,V3星舰长度约为52米,V4增至约70米,增幅约40%;推进剂装载量提升超过60%,意味着单次飞行可携带更多推进剂进入轨道。此次披露发生在SpaceX近期一次星舰试飞之后,该

    来源 TechWeb
  7. 马斯克披露星舰V4方案:70米箭体、9台发动机,运力再升级?

    马斯克此次披露的核心信息包括:星舰V4箭体长度将增至约70米,推进剂装载量提升超过60%,发动机数量增至9台,并新增3台猛禽真空版发动机。尺寸上,V3星舰长度约为52米,V4增至约70米,增幅约40%;推进剂装载量提升超过60%,意味着单次飞行可携带更多推进剂进入轨道。此次披露发生在SpaceX近期一次星舰试飞之后,该

    来源 TechWeb
  8. 王兴兴谈机器人进家:泛化能力是最棘手难题,规模化还有多道坎

    IT之家 11 月 17 日消息,据看看新闻 Knews 报道,宇树科技 CEO 王兴兴今日现身深圳,参加 APEC 工商领导人峰会时,谈到机器人行业目前面临的挑战。 王兴兴表示,大家希望可以借助 AI,让机器人走进千家万户真正干活,而不是再根据具体场景重新训练,这种“泛化能力”是目前最棘手的。 IT之家从原报道获悉,

    来源 AI 行业观察
  9. 具身智能融资466起1245亿:机器人离干活还差什么

    2026年,资本、模型和制造同时加速,机器人开始批量走下生产线,但下线不等于交付,演示不等于胜任。具身智能能否真正跨越产业之门,取决于技术能否被组织成稳定工作的系统,并在真实场景中持续创造价值。

    来源 AI 行业观察
  10. 软银收购ABB机器人遇中国审查:数据归属成关键变量

    “ 一笔没有被禁止、也没有被放行的交易孙正义在2026年11月第一周收到的是一个他不太熟悉的信号。11月5日,外商投资安全审查工作机制办公室(国家发展改革委)告知日本软银,禁止它用54亿美元买下瑞士ABB的机器人业务。过去二十年里,这位软银创始人习惯了在监管的缝隙中穿行。美国的CFIUS审查过他对 Sprint 的收购

    来源 腾讯网
  11. 上海交大机器人实验:单项技能会了,组合为何仅7.7%?

    你可能以为,一个机械臂学会了十个单独的动作,自然就能把它们组合起来干一件更复杂的事。这个直觉其实大错特错。上海交通大学的研究团队做了一个实验,结果让人有点意外。他们先训练一个机器人模型学会各种独立的操作技能,比如开抽屉、拿东西、按按钮,然后让它去完成一些需要连续完成多个动作的复杂任务。结果显示,如果...

    来源 腾讯网
  12. 埃里克·特朗普背书机器人公司欠薪停摆,CEO曾挪用资金买豪宅

    一家曾以“机器人士兵”概念吸引资本、并获得埃里克·特朗普背书的机器人初创公司,近日被曝未能按时发放员工工资,濒临倒闭。而就在一年前,其CEO被指挪用公司资金购置豪宅。这起事件不仅暴露了明星初创企业的治理失序,也为火热的国防科技投资敲响警钟。

    来源 AI 科技快讯
  13. 蚂蚁灵波挑战赛落幕:TARS战队真机评测82.5分夺冠

    11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛结果出炉。 来自福田实验室、西北工业大学、普渡机器人、天津大学的五位选手组成的“TARS”战队获得一等奖;华中科技大学、清华大学深圳研究院、湖北元一智能的三位选手组成的“EVA”战队,以及天津大学、北京大学、中国科学院自动化研究所三位选手组成的“SST

    来源 AI 开发者社区
  14. 蚂蚁灵波首届具身大模型挑战赛收官:TARS战队82.5分夺冠

    11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛结果出炉。“TARS”战队获一等奖,成员来自福田实验室、西工大、普渡机器人、天津大学;“EVA”战队(华科、清华深研院、湖北元一智能)和“SST”战队(天大、北大、中科院自动化所)获二等奖;“Vida”“FDU_SONIC”“ai-robot”获三等奖。

    来源 AI 产业速递
  15. 众筹超500万美元,全球首款多地形跟拍机器人Beni线下首发

    2026 年 11 月 14 日,深圳湾文化广场北馆INNO100 全球创新旗舰店,Kickstarter为其平台上的众筹爆款新品——妙动科技打造的多地形跟拍机器人Beni,举办“首硬礼”中国线下首发活动。即日起用户可在该线下门店现场体验并直接购买Beni跟拍机器人,标准套装4999元、探索套装5799元。 此前,Be

    来源 AI 行业观察
  16. 果实进化:具身智能从服务业切入,AI巡检已落地餐饮与食品工厂

    来源 | Tech星球文 | 华卫具身智能行业,正在经历一场微妙而又深刻的变化。过去,机器人公司热衷于展示自己的技术上限:能跳多高、跑多快,又能完成多少复杂动作。但到了下半年,行业开始出现另一种声音。比起证明机器人有多聪明,越来越多人开始关心它们走进真实场景后的表现。最近30天里,行业接连发生了几件具有风向标意义的事情

    来源 腾讯网
  17. 消息称黄仁勋离职后参与遴选接班人;OpenAI再度解散独立机器人团队;格罗方德美国新晶圆厂动工 | 新闻速递

    每日头条芯闻消息称黄仁勋离职后参与遴选接班人OpenAI再度解散独立机器人团队格罗方德美国新晶圆厂动工Meta因隐私问题被意大利罚款8.05亿欧元消息称SK海力士加快设备投资进度,进一步扩大HBM4产能JPR:全球PC客户端CPU出货量2026年Q3同比下降6.5%消息称科技界预期黄仁勋将在硅谷“东山再起”,业内高管称

    来源 腾讯网
向下滚动自动加载更多