研究
Anthropic研究：机器人技术上可完成美国74%的体力任务，但具成本优势的仅占0.3%
Anthropic经济研究团队分析美国O*NET数据库中约1.9万项工作任务后发现，机器人在技术上可完成74%的体力任务，但成本低于人工的任务仅占0.3%。研究估计，若机器人价格延续每年约3%的历史降幅，这一比例升至10%需要40年。
新闻
Wire
每一笔融资、每一次发布、每一篇论文，随报道即时呈现。
研究
Generalist发布GEN-1.5，一段3至12秒演示即可学会机器人任务，免微调成功率59%
美国Generalist AI于2026年8月19日发布GEN-1.5，称只需把一段3至12秒演示放进上下文，即可在10项任务上取得59%的平均成功率，用约5分钟数据训练10步后升至83%。公司称该能力在八个多月预训练中自然出现，但承认任务简单、技能脆弱，也未披露客户。
研究
无需传感器即可感知外力：MIT的NeuralActuator获RSS 2026最佳系统论文奖
MIT计算设计与制造组（CDFG）与亚马逊研究人员合作的NeuralActuator获得RSS 2026杰出系统论文奖。该模型仅凭电机电流、电压和温度学习低成本舵机的真实特性，外力估计平均误差为0.12牛，传统方法为0.66牛至1.41牛。
研究
亚马逊FAR团队OmniRetarget摘得ICRA 2026最佳会议论文，宇树G1成为关键验证平台
亚马逊前沿AI与机器人团队（FAR）联合多所美国高校提出的运动重定向方法OmniRetarget，在6月于维也纳举行的IEEE ICRA 2026上同时获得最佳会议论文奖和机器人操作与运动最佳论文奖。该方法保留人体、物体与地形之间的接触关系，生成8小时以上轨迹，训练出的策略在宇树G1上无需真机微调即可完成跑酷和搬箱等动作。
研究
丰田研究院在《Science Robotics》发表盲测结果，多任务机器人模型只需少量数据即可学会新任务
丰田研究院（TRI）、康奈尔大学和麻省理工学院的82位作者于2026年4月15日在《Science Robotics》发表论文称，基于扩散策略的多任务“大型行为模型”在盲法随机试验中成功率和鲁棒性均优于单任务基线，学习新任务所需的数据也少得多。预印本显示，研究使用了覆盖500多项任务、约1700小时的机器人示范数据，并进行了1800次受控真机试验。
研究
Generalist发布GEN-1，预训练不用机器人数据，每项任务约1小时真机数据即达99%成功率
Generalist AI于2026年4月2日发布具身基础模型GEN-1，预训练数据为50万小时以上、由人佩戴可穿戴设备采集的物理交互数据，不含机器人数据。公司称，在前代模型平均成功率64%的任务上，GEN-1平均达到99%，每项任务约需1小时机器人数据，作业速度约为此前最佳水平的3倍。上述结果均为公司自测，尚无独立复现。
研究
Figure发布Helix 02：一个神经网络接管人形机器人全身控制，删掉10.95万行手写C++代码
美国人形机器人公司Figure AI于2026年1月27日发布机器人基础模型Helix 02，从摄像头画面和指尖触觉一直到1kHz的关节指令全部由学习系统完成。公司称，一个1000万参数的学习型控制器取代了109504行手写C++代码，Figure 03在完整厨房中连续4分钟、61个动作完成洗碗机卸载与装载，全程无重置、无遥操作。
研究
Generalist AI发布GEN-0:以27万小时真实操作数据首次提出机器人规模定律
美国机器人AI初创公司Generalist AI于2025年11月4日发布具身基础模型GEN-0。公司称在70亿参数处观察到能力相变,模型已扩展至100亿参数以上,预训练数据超过27万小时并以每周逾1万小时的速度增长。相关结果以公司博客形式发布,未经同行评审。
研究
波士顿动力与丰田研究院用一个4.5亿参数行为模型同时控制Atlas的手和脚
波士顿动力与TRI展示了由单一大行为模型同时控制行走与操作的Atlas人形机器人。这一4.5亿参数模型以30Hz运行，通过VR遥操作数据学习新动作，无需编写新代码。双方未披露成功率和数据规模。
研究
Physical Intelligence发布π0.5，移动机器人在训练中从未见过的家庭完成厨房和卧室清洁，97.6%训练样本来自其他数据源
美国机器人AI初创公司Physical Intelligence于2025年4月22日发布视觉语言动作（VLA）模型π0.5。该模型驱动移动操作机器人在3个未纳入训练集的真实家庭中完成10至15分钟的整屋清洁，公司称跨机器人、网络数据与语音指导的混合共训练是泛化能力的关键。