Physical AI 前沿雷达 · 2026-09-21
每日自动更新的具身智能前沿雷达：八条主线、三语精炼、证据可查。
- 生成时间:
2026-09-21 01:40 UTC - 统计窗口:
2026-09-18 → 2026-09-21 (UTC) - 证据标注：O = 一手官方 · R = 论文/预印本 · M = 媒体或二手
今日重点
1. Physical AI Takes the Wheel: How the World’s Robotaxi Leaders Are Building With NVIDIA Technologies
- 主线: 系统与编排（长程 / 多策略） ｜ 证据:
[O]｜ 来源: NVIDIA Blog ｜2026-09-10 - 含量化指标
- 为什么重要: 长程任务的系统形态是编排器加策略池，运维对象从单个模型变成一组能力边界。
The global robotaxi market — physical AI’s first commercial breakthrough — is projected to reach $400 billion by 2035, with over 6 million commercial vehicles in operation as driverless fleets are already moving people through some of the…
2. Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[O]｜ 来源: Hugging Face Blog ｜2026-09-03 - 为什么重要: 后训练与自我改进决定策略在部署后还能不能变强，也决定运维是否要收集干预数据。
3. NVIDIA Brings Real-Time AI to Broadcast, Sports and Global Streaming at IBC
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[O]｜ 来源: NVIDIA Blog ｜2026-09-09 - 含延迟或控制频率
- 为什么重要: 端侧延迟与控制频率是硬约束：模型再强，超出实时预算就不能进入控制回路。
At the IBC conference, running Sept. 11-14 in Amsterdam, the creative, technology and business communities are coming together to turn ideas into action and discuss innovations across the media and entertainment industries.
4. Quantization-Aware Healing: a compressed, 4-bit model that outperforms its full-precision original
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[O]｜ 来源: Hugging Face Blog ｜2026-08-25 - 含延迟或控制频率
- 为什么重要: 端侧延迟与控制频率是硬约束：模型再强，超出实时预算就不能进入控制回路。
5. The Best Way to Explore Lunar Craters Is a Giant Robot Ball
- 主线: 本体与供应链（硬件 / 成本） ｜ 证据:
[M]｜ 来源: IEEE Spectrum Robotics ｜2026-09-03 - 含延迟或控制频率
- 为什么重要: 本体与供应链决定成本曲线和交付节奏，执行器仍是 BOM 的主要部分。
On a good day, the rock quarry in central Texas is about 370,000 kilometers (230,000 miles) from the moon. But last February, when Rishi Jangale watched his 1.8-meter-wide, 150-kilogram inflatable robot roll effortlessly over rocks,…
6. Piloting the world’s first double-blind AI evaluations
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[O]｜ 来源: Google DeepMind ｜2026-08-27 - 为什么重要: 评测方式决定你敢不敢上线：离线指标不等于闭环成功率，评测预算结构正在从人力转向 GPU 小时。
Piloting the world’s first double-blind AI evaluations
7. How to Train a Cross-Embodiment Robot Navigation Policy with AI Agents
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[O]｜ 来源: NVIDIA Technical Blog (Robotics) ｜2026-08-26 - 为什么重要: 数据来源与清洗管道是当前真正的护城河，决定单位新任务的成本。
Navigation enables a robot to turn perception and motion into purposeful autonomy. Unlike locomotion, which produces stable movement, navigation must be used to…
8. Introducing agentic video understanding with Gemini
- 主线: 系统与编排（长程 / 多策略） ｜ 证据:
[O]｜ 来源: Google DeepMind ｜2026-09-01 - 为什么重要: 长程任务的系统形态是编排器加策略池，运维对象从单个模型变成一组能力边界。
前沿基线（人工策展）
1. Z-1: efficient RL post-training for flow-based VLA models
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[R]｜ 来源: arXiv 2606.31846 ｜2026 - 关键数字:
80.6% average success on 24 RoboCasa tasks·+13.2 points over SFT init·public demos only - 为什么重要: 在不增加私有演示数据的前提下，系统性 GRPO 后训练就能拿到两位数增益，改变了”只能靠加数据”的默认认知。
2. Gemini Robotics 2 brings whole body intelligence to robots
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[O]｜ 来源: Google DeepMind ｜2026 - 关键数字:
full humanoid control, feet to fingertips·bi-arm robots - 含延迟或控制频率
- 为什么重要: 全身控制进入通用 VLA 的能力清单，意味着上肢操作与下肢平衡不再被两套系统割裂。
3. LeRobotDataset v3.0: a standardised, streamable format for robot learning data
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[O]｜ 来源: Hugging Face ｜2026 - 关键数字:
Parquet + MP4 + relational metadata·multi-episode packing·native streaming for multi-TB datasets - 为什么重要: 格式之争正收敛为数据用 LeRobot v3、资产用 OpenUSD；能一键转换的数据，其资产价值远高于锁在私有格式里的同等小时数。
4. RD-VLA: implicit test-time compute scaling via latent iterative reasoning
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[R]｜ 来源: arXiv 2602.07845 ｜2026 - 关键数字:
constant memory regardless of reasoning depth·up to 80x inference speedup vs token-based reasoning VLAs - 含延迟或控制频率
- 为什么重要: 机器人可以”想久一点”而不付 token 延迟代价，这是把推理时计算搬进控制回路的关键。
5. Newton: open-source GPU physics engine for robotics (NVIDIA, Google DeepMind, Disney Research)
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[O]｜ 来源: NVIDIA Developer ｜2026 - 关键数字:
built on Warp + OpenUSD·MuJoCo Warp up to 152x (locomotion) / 313x (manipulation) vs MJX on RTX 4090 - 有开放代码或权重
- 为什么重要: 仿真底座换代且可微，配合 Isaac Lab 的多后端切换，训练与评测可以复用同一套 actuator 配置。
6. NVIDIA Jetson Thor: up to 2070 FP4 TFLOPS and 128 GB at 40-130 W
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[O]｜ 来源: NVIDIA ｜2026 - 关键数字:
7.5x AI compute vs Orin·3.5x energy efficiency vs AGX Orin·Jetson T2000: 400 FP4 TFLOPS / 16 GB - 含量化指标 / 含延迟或控制频率
- 为什么重要: 端侧算力代际跳变给了世界模型和推理时计算空间，但实时预算依然要逐项实测。
主线分布
| 主线 | # |
|---|---|
| 基座模型（VLA / WAM） | 3 |
| 数据引擎（采集 / 清洗 / scaling） | 6 |
| 训练与自我改进（RL / 后训练） | 5 |
| 仿真与评测（sim2real / 闭环） | 5 |
| 边缘与实时性（端侧推理 / 控制频率） | 7 |
| 安全、权限与合规 | 5 |
| 系统与编排（长程 / 多策略） | 3 |
| 本体与供应链（硬件 / 成本） | 3 |
近期节奏
合规与标准观察
- ISO 25785-1 — Safety requirements for dynamically stable industrial mobile robots — Under development; committee-stage as of 2026-09.
- Regulation (EU) 2023/1230 (Machinery Regulation) — Fully applicable 2027-01-20.
- EU AI Act official timeline (Council of the EU) — High-risk deadlines 2027-12-02 / 2028-08-02 per Digital Omnibus.
本仓库为技术观察，不构成投资建议、产品承诺或安全认证结论。论文结论以作者自报为准。