Industry 3176 articles · 225 matching

藏在世界人形机器人运动会上的三个底层具身难题。 作者丨齐铖湧 编辑丨董子博 8 月的最后一周，国家速滑馆“冰丝带”，第二届世界人形机器人运动会。 朋友圈里刷屏最多的，是田径赛场上机器人百米冲刺、跳远，无论是跑出新纪录，还是电机着火，这些画面都会吸引大量的普通观众。 但AI科技评论问了几位深度参与到这次运动会的具身从业者，专业观众们最关注的比赛是什么，都得到了统一的答案：场景赛。 场景赛现场没有跑道，只有临时搭建的客厅、厨房和货架，进行的是家庭、餐饮、商超三项场景比赛。 业内有一个心照不宣的共识：场景赛≠竞技表演，是机器人真实工作能力大考。田径项目考的是运动控制算法，只要算力足够，一套动作在仿真环境里跑上几万遍，总能算出最优解； 但场景赛考的是具身大模型，包含“大脑”和“小脑”，环境是动态的，物品是柔软的，随时会有人来打断你的工作，对模型泛化能力的要求，完全不在一个量级。 这届比赛，还有一个不太被外行注意，但在圈内引发热议的规则：允许遥操。 尽管遥操遭到行业内外各种鄙视，但在这种顶级大会上依旧允许遥操，那是因为想要做到全自主，门槛实在太高了。但AI科技评论仔细阅读了一下这次的积分规则，有…

前两年，我在河南、河北、东莞、深圳等地，认识过一批「AI 玩具公司」。 它们做的事情大体相似：定制一个手办，再给它加上语音对话；或者把语音模组塞进毛绒玩具，让一个普通玩偶可以和人聊天。一些公司甚至借着 AI 的新鲜感迅速出海。 2024 年前后，这件事情本身还有一定的技术门槛。要让一个玩具真正开口，需要把主控、麦克风、联网等硬件，与 ASR、LLM、TTS 等软件服务串起来。对于传统玩具厂商和 IP 方来说，这已经超出了原本熟悉的能力范围。 但这两年，AI 硬件的开发门槛下降得越来越快。 3D 打印、PCB 打样和成熟开发板越来越容易获得，开源社区也已经提供了大量现成方案，从语音对话到舵机、电机控制，都可以找到较为成熟的项目。 最近，我们拿到了这样一块近乎「傻瓜式」的 AI 模组。不用写代码，在开发平台选好模型、音色和角色，几分钟就能让它开口说话。再塞进一个毛绒玩具，一款最基础的 AI 玩具就有了。 做出这块模组的是一家 2025 年成立的澜存科技。 澜存目前有两个核心产品：澜卡 LC-1.7 系列标准 AI 模组，以及配套的澜存智能平台。前者集成语音、联网和多种硬件接口，可以继续外接…

Token 成本成为大模型硬件竞争的新坐标。 作者丨郑佳美 编辑丨岑 峰 今天，OpenAI 的自研推理芯片 Jalapeño，终于从规格表走到了跑分台。 这次公开的数据很接地气：Token 吞吐、生成延迟、单位功耗下能跑多少推理。因为大模型上线以后，芯片面对的早就不只是一次训练任务。ChatGPT 要一直回消息，Reasoning 模型要持续生成长链路内容，Agent 还会一轮接一轮调用模型。算力再高，Token 吐得慢、延迟压不下来、功耗又高，数据中心照样难受。 成绩一出来，Reddit 很快就把 Jalapeño 和 NVIDIA Rubin 摆到了一起。有人认为它已经进入 Rubin 的效率区间，也有人认为测试条件、软件优化和整个平台形态没有对齐，现在还没法直接分高下。争论暂时停在这里，没有统一答案。 更巧的是，Jalapeño 并不是孤例。NVIDIA 正在把 Groq 3 LPU 拉进推理系统，专门处理 Token 生成；Google 也把 TPU 8 拆成偏训练和偏推理的两条路线。几家公司几乎在同一时间开始重新拆芯片的工作，背后那套硬件逻辑难道真的已经变了吗？ 01 Ja…

当 VLA 模型理解语言、感知环境并直接生成机器人动作，一个更基础的问题开始浮现：机器人如何理解一个持续变化的物理世界？物体从哪里移动而来、杯子此前遮住了什么、机械臂正在接近还是远离目标——真正决定下一步动作的信息，往往不只存在于当前一帧，而存在于连续的时间之中。 近日，大晓机器人联合香港大学发布全新的连续物理智能研究成果 StreamPI（Streaming Multimodal Temporal Modeling for Vision-Language-Action Models），直指 VLA 长期存在的“单帧智能”瓶颈，为其补上关键的“时间维度”。不同于传统 VLA 主要依据当前观测独立决策，StreamPI 为模型建立持续的多模态时序上下文，使机器人能够记住过去、理解状态变化、判断任务进程，并利用跨帧信息增强精细空间感知与动作决策。它推动 VLA 从“识别当前状态”，进一步走向“理解一个正在发生的物理过程”。 更重要的是，StreamPI 并未依赖额外参数堆叠换取时序能力，而是基于现有 VLA 骨干，通过指令持续锚定、历史信息流式缓存与随机时间间隔训练，实现从单帧决策到连续时…

谁不想在新年到来之际收到一只可爱的 AI 机器鸭呢？ 距离 2026 年圣诞节还有四个月，在英伟达以约 129 亿美元收购消息曝光次日，AI 开源社区 Hugging Face 发布了一款名为 Microduck 的小机器人。它身高 25 厘米、重不足 800 克。演示视频里，它用喙叼着袜子摇摇晃晃地走路，被人推搡时会尽力稳住，即便倒下也能自己爬起来，甚至可以穿上轮滑鞋滑旱冰。 产品售价 399 美元（约合 2,700 元人民币），有奶油白、石墨灰、薰衣草紫、天空蓝四种配色可选，附赠一只游戏手柄。联合创始人克莱姆·德朗（Clem Delangue）在社交平台 X 上放出一段 50 秒的演示视频，几个小时内浏览量接近 40 万。 （来源：Pollen Robotics） 从语音互动，到“走”进真实世界 做开源大模型托管平台起家的 Hugging Face，入局具身智能的节点要追溯到 2024 年初，前特斯拉（Tesla）Optimus 团队科学家雷米·卡德内（Rémi Cadene）加入，主导开源机器人库 LeRobot 的开发；2025 年 4 月，Hugging Face 完成对法国…

arXiv:2608.25757v2 Announce Type: replace Abstract: Generalist vision--language--action (VLA) policies learn long-horizon behavior mainly through short-horizon action prediction and reveal little beyond sampled commands. This creates two coupled bottlenecks: a single action target must implicitly absorb task progress, intermediate intent, and local reliability, while these control states remain hidden during execution. Inspired by functional principles of biological sensorimotor control, we intr…

arXiv:2510.25548v3 Announce Type: replace Abstract: In task and motion planning, high-level task planning is done over an abstraction of the world to enable efficient search in long-horizon robotics problems. However, the feasibility of these task-level plans relies on the downward refinability of the abstraction into continuous motion. When a domain's refinability is poor, task-level plans that appear valid may ultimately fail during motion planning, requiring replanning and resulting in slower…

arXiv:2608.26182v1 Announce Type: cross Abstract: Large language models (LLMs) are increasingly used for verbal interaction in social robots, yet prompt design in human-robot interaction (HRI) remains underspecified. As a result, robots may present hallucinated capabilities, unclear behavioural boundaries, and misleading personas. This paper develops a framework for prompt design in LLM-based robots and introduces a structured prompt template comprising eight functional components through which …

arXiv:2608.27384v1 Announce Type: new Abstract: Vision-Language-Action (VLA) models are increasingly promising for robotic manipulation, yet their real-world deployment remains bottlenecked by high inference latency and unstable asynchronous execution. This challenge is particularly pronounced in flow-matching-based VLA models, where action decoding requires multiple iterative steps conditioned on the VLM context. While efficient inference methods improve control frequency and asynchronous metho…

arXiv:2608.27079v1 Announce Type: new Abstract: Pretrained vision-language-action (VLA) policies provide strong priors for robot manipulation, yet adapting them online to fine-grained biomedical tasks remains challenging. Task success often hinges on subtle, view-dependent visual cues, while task-level rewards provide little guidance about which regions matter, making it difficult to learn task-relevant visual grounding from limited real-robot interaction. Online adaptation is further constraine…

arXiv:2608.26821v1 Announce Type: new Abstract: Vision-language-action (VLA) models leverage pretrained vision-language representations for robot control, yet simply adding historical frames does not reliably capture recent physical change. This is especially problematic in multi-stage manipulation, where visually similar states may require different actions depending on prior execution. To address this challenge, we present TemporalFlow-VLA, which learns compact execution history through physic…

arXiv:2608.26673v1 Announce Type: new Abstract: Large pretrained vision-language-action models dominate modern robot-manipulation benchmarks, but it remains unclear how much model scale is necessary for strong language-conditioned control, or whether fundamentally different control architectures can remain competitive at much smaller parameter budgets. We present PredVLA, a language-conditioned predictive-coding policy with only 0.68 million trainable network parameters and no robot-data pretrai…

arXiv:2608.26645v1 Announce Type: new Abstract: Vision-Language-Action Models~(VLAs) have demonstrated significant promise in generalizing to complex, long-horizon robotic manipulation tasks. However, their performance remains brittle, as they are typically trained on trajectory-monotonic, failure-free demonstrations. This reliance on ``perfect" data leaves them unable to recover from common execution errors, such as a missed grasp, a dropped object, or an unexpected collision. In this paper, we…

arXiv:2608.26578v1 Announce Type: new Abstract: This work introduces Configured Failure Trapping, a novel backdoor attack task against Vision-Language-Action (VLA) models, which aims to activate attacks through stealthy textual triggers and induce configured failure modes. Unlike prior backdoor attacks that treat any task failure as a successful attack, Configured Failure Trapping requires the attacker to control how the robot fails (e.g., causing the robot to grasp with a specified positional o…

arXiv:2608.26496v1 Announce Type: new Abstract: Navigation in unknown environments to find unforeseen objects has become increasingly feasible with capable vision and language foundation models. However, these models also introduce non-negligible inference latency, which becomes an important concern when agents must operate continuously in the real world. Most state-of-the-art methods are still developed in synchronous simulators, where the environment waits for the agent to act and inference ti…

站在 2026 年 8 月北京世界机器人大会（WRC）的展馆中心，如果你闭上眼，听到的不再是两年前那种对“机器人像人一样跳舞”的惊呼，取而代之的，是从业者们在心里拨动算盘，计算 ROI（投资回报率）的声音。 具身智能正在经历一场从“秀肌肉”到“翻账本”的集体变轨。 回看这半年的轨迹，这种趋势演进得极具层次感： 5 月的维也纳 ICRA，学术界和产业界第一次如此默契地把所有火力都集中在了 VLA（视觉-语言-动作）模型上，那是具身智能的“物理学补课期”； 7 月初的上海 WAIC，200 多家具身智能企业同台竞技，集体把演示从“后空翻”换成了“拧螺丝、叠衣服”，那是行业的“场景落地焦虑期”。 7 月底的悉尼 RSS，开源硬件、仿真工具链和遥操作数据方案成为主角，行业开始为“大脑聪明、身体廉价、数据贫瘠”搭建公共底座，那是产业的“基础设施奠基期”。 而在 8 月的北京 WRC，所有话题似乎都围绕工程约束和商业底线展开。在这里，没人关心你的模型是否有哲学意义上的“意识”，大家只盯着三个指标：多少钱？多稳？跑一个月能省几个人的工资？ “以前我们聊的是什么时候 AGI，现在我们在聊这台机器人跑一…

强化学习之父Rich Sutton接受红杉访谈，把矛头对准当下最主流的大模型路线：互联网数据终有上限、模型上线后权重基本冻结，行业或已陷入“局部最优”。他创办Oak Lab，押注能从自身经验持续学习的Agent，重新定义AI演进路径。 说起强化学习之父 Rich Sutton，AI圈几乎没人陌生。 他写下的《苦涩的教训》，至今仍被很多人视为理解AI发展的重要框架：从长期看，能够随着计算规模扩展的通用方法，往往会战胜依赖大量人工知识设计的方案。 但最近接受红杉资本访谈时，Sutton却把矛头对准了今天最主流的大模型路线。在他看来，LLM当然是一次伟大的科学突破，却也可能成为《苦涩的教训》的反面案例。 原因很简单。今天的大模型虽然摆脱了大量人工规则，却重新被“人类已经知道的东西”限制住了。互联网数据终究有限，合成数据背后依然需要人来决定什么值得生成。 而更关键的是，模型仍然不具备人类那样的持续学习能力。 一个司机开了10年车，会从经验里形成大量直觉。但今天的大模型，大部分学习都集中在预训练和后训练阶段。模型上线后，即使每天和几百万人交互，核心权重依然基本被冻结。 在Sutton看来，今天的…

从录音卡到儿童手表，再到摄像机，小度AI硬件掌舵人孙浩复盘了多款产品的成败得失。他提出，大模型能力涌现后，真正的挑战在于场景、成本、上下文与安全之间的平衡。本文从实战出发，拆解AI硬件从技术到产品成立的完整路径。 在 2026 AI 产品大会上，小度AI智能硬件掌舵人孙浩分享在 360 和小度做过的几条产品线，从复盘录音卡、儿童手表、摄像机和家庭 AI 伙伴的路径。他想回答的是能力涌现之后，怎样在场景、成本、上下文和安全之间把产品真正做成立。 以下内容根据现场音频和演示材料整理，Enjoy： 一、我做过很多硬件，但真正的问题一直没变 大家好，我是孙浩。 我一毕业就进了 360，在那里干了 12 年，最早做儿童手表，后来做智能音箱、边缘计算、视觉云，再后来整体负责 360 IoT 的产品研发、供应链和生产相关工作。年初我离开 360，到了小度。对我来说，这次分享不是站在旁观者角度讲一个趋势，而是把自己做过、踩过、犹豫过的产品拿出来复盘。 我给自己的定位一直是“极客型产品经理”。 这个词不是说我要做只有极客才会用的东西，而是说我希望自己有前沿技术的判断，把原来只在小圈子里流行、很晦涩的技术…