Physical AI 前沿雷达 · 2026-09-22
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:
2026-09-22 01:40 UTC - 统计窗口:
2026-09-19 → 2026-09-22 (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. Why Deploying Physical AI at Scale Demands Safety at Every Layer
- 主线: 安全、权限与合规 ｜ 证据:
[O]｜ 来源: NVIDIA Blog ｜2026-09-21 - 含真机实验
- 为什么重要: 在专用标准落地前，安全要靠架构与运行时保证；这一层直接决定能否进客户现场。
Physical AI is moving rapidly from research to large-scale deployment. By 2035, ABI Research projects an installed base of 49 million level 3-5 autonomous vehicles (AVs), while Omdia estimates that roughly 60 million industrial robots…
2. Cyborg Roaches Can Stab You With Needles
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[M]｜ 来源: IEEE Spectrum Robotics ｜2026-09-05 - 含量化指标 / 有开放代码或权重 / 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。
Imagine you are trapped under rubble after an earthquake and you see an electronics-covered cockroach with a spring-loaded needle on its back scuttling toward you.
3. Video Friday: Humanoid Robot Takes On Monkey Bars
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[M]｜ 来源: IEEE Spectrum Robotics ｜2026-09-11 - 有开放代码或权重 / 含延迟或控制频率
- 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。
Video Friday is your weekly selection of awesome robotics videos, collected by your friends at IEEE Spectrum robotics.
4. Boots on the Ground: ‘WARDOGS’ Goes All Out on GeForce NOW at Early-Access Launch
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[O]｜ 来源: NVIDIA Blog ｜2026-09-10 - 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。
Gear up: The latest PC games and major updates are ready to play on GeForce NOW this week. WARDOGS drops onto the cloud at early-access launch, alongside the Valheim 1.0 Deep North update and Bus Simulator 27 — part of nine new titles…
5. Skild AI Taps NVIDIA Physical AI to Teach Robots New Tasks From a Single Video
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[O]｜ 来源: NVIDIA Blog ｜2026-09-10 - 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。
Manufacturing floors, warehouses and production lines rarely stay fixed — tasks change, layouts shift and new products arrive, and most robots can’t keep up without significant reprogramming.
6. BenchMIRT: What are LLM benchmarks actually measuring?
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[O]｜ 来源: Hugging Face Blog ｜2026-09-01 - 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。
7. Give Your Coding Agents a Memory You Own
- 主线: 系统与编排（长程 / 多策略） ｜ 证据:
[O]｜ 来源: Hugging Face Blog ｜2026-09-03 - 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。
8. Async GRPO with LoRA across HF Jobs: a bucket, a proxy, and no NCCL
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[O]｜ 来源: Hugging Face Blog ｜2026-09-10 - 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。
前沿基线（人工策展）
1. ISO 25785-1 (under development): safety for dynamically stable industrial mobile robots
- 主线: 安全、权限与合规 ｜ 证据:
[O]｜ 来源: ISO ｜2026 - 关键数字:
committee stage as of 2026-09·covers legged / self-balancing robots - 为什么重要: 人形打破了 ISO 10218 的固定基座前提；专用标准落地前，安全只能靠架构与运行时保证。
2. 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。
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. 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。
5. EgoScale: scaling dexterous manipulation with diverse egocentric human data
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[R]｜ 来源: arXiv 2602.16710 ｜2026 - 关键数字:
44k hours of egocentric video·+54% average success vs no-pretraining on a 22-DoF hand·transfers to lower-DoF hands - 为什么重要: 大规模人类动作被证明是可复用、跨本体的 motor prior，灵巧手不必从零学起。
6. Egocentric human video can outperform real-robot data for embodied pretraining
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[R]｜ 来源: arXiv 2606.20521 ｜2026 - 关键数字:
-24% validation loss at equal data·+52.5% in-distribution success·+90% out-of-distribution success - 含延迟或控制频率
- 为什么重要: 没有机队的团队也能建立数据优势；有机队但没有清洗与判定管道的团队，数据只是存储成本。
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） | 6 |
| 仿真与评测（sim2real / 闭环） | 6 |
| 边缘与实时性（端侧推理 / 控制频率） | 6 |
| 安全、权限与合规 | 6 |
| 系统与编排（长程 / 多策略） | 2 |
| 本体与供应链（硬件 / 成本） | 2 |
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。