Skild AI人之于学，非必千例，举一足矣。机器人究竟怎样，才能像人一样快速学会一件新事？过去，机器人学习新任务通常要重新采集数据、训练或微调模型，再部署到现场。每增加一项技能，都意味着新一轮的数据与训练成本。近期，Generalist Robotics 与 Skild AI 展示了另一种可能：模型参数保持不变，机器人只需观看一段人类演示视频，便能理解任务，并尝试完成此前未被专门训练的新任务。视

Skild AI人之于学，非必千例，举一足矣。机器人究竟怎样，才能像人一样快速学会一件新事？过去，机器人学习新任务通常要重新采集数据、训练或微调模型，再部署到现场。每增加一项技能，都意味着新一轮的数据与训练成本。近期，Generalist Robotics 与 Skild AI 展示了另一种可能：模型参数保持不变，机器人只需观看一段人类演示视频，便能理解任务，并尝试完成此前未被专门训练的新任务。视

大事件，朋友们。按照官方定义，这是一套让 AI Agent 安全操作物理设备的共享规范。显微镜、机械臂、液体处理器、激光器，只要拥有可编程接口，都可以通过 MHS 向 Agent 公开自己的状态、能力和安全限制。Anthropic 给出的结果是：过去需要数周甚至数月完成的设备集成，MHS 希望缩短到数小时或数分钟。Claude 可以同时协调多台设备，根据实时结果修改参数，遇到部分故障时还能自行恢复

数据有没有围绕真实任务组织，才是关键。任务没有拆清楚，即使采集了几百小时视频，也未必能形成有效数据。真正可用于训练的轨迹，需要把环境观测、机器人状态、动作、物理反馈和任务结果放在同一时间轴上，形成“观察—状态—动作—结果”的完整链路。不能只记录机器人做了什么，还要记录它为什么成功，以及失败发生在哪里。写到这里，我们大概能理解，工业场景最终还得由真正懂工程的人来做。这并不是在降低模型研究的价值。模型

机器人完成一项操作，看起来像是在回答一个动作问题：下一步，机械臂应该怎么动？但对于具身智能预训练模型来说，这还远远不够。拿起杯子、装配零件、整理物品，每一个动作都会改变物体的状态，也会改变机器人下一时刻看到的世界。模型不仅要生成动作，还需要持续理解：当前发生了什么，动作会带来什么变化，哪些变化真正关系到任务能否完成。如果模型只记住动作轨迹，却没有学会世界如何随行动变化，那么面对新的物体、位置和场景

Robix 凭借 “统一模型架构 + 三阶训练” 的创新模式，在业界首次达成机器人 “推理 - 规划 - 交互” 的端到端整合，为通用具身智能的发展提供了全新范式。在技术实现上，其统一模型架构打破了传统机器人系统中推理、规划、交互模块相互割裂的局面，让机器人能以更连贯的方式理解和执行任务。而三阶训练，从持续预训练夯实基础，到监督微调适配机器人高层认知需求，再到通过特定数据合成流程打造出涵盖多样化人

Mamba-3VL 的研究不仅在技术上实现了“18 类异构任务全覆盖”打破任务壁垒：证明具身模型可以通过统一架构 + 模块化创新，适配 “感知 - 理解 - 推理 - 交互” 全链路任务，无需为单一任务设计专属模块；效率与性能兼得：线性计算复杂度解决了传统模型 “处理大规模 3D 数据效率低下” 的痛点，为真实场景部署奠定基础；拓展能力边界：首次系统性验证了具身模型处理 18 类异构任务的可行性，

该研究的核心价值不仅在于实现了端侧 LLM 架构设计的效率与性能突破，更在于首次提出了可落地的端侧 LLM 硬件协同设计定律，构建了 “架构超参数-模型精度-硬件性能” 的统一建模框架，实现了从 “经验式设计” 到 “原理性优化” 的范式转变。建模跨越：首次将损失定律与 Roofline 硬件建模结合，实现了精度-延迟的显性映射，为多约束优化奠定基础；搜索跨越：提出 PLAS 框架，将架构搜索转化

一篇讲"可信"的综述，为什么由一家创业公司的实验室牵头？SparkLab 是 Xspark AI（无界智航）旗下的前沿研究实验室。可信物理智能。创始团队融合学术研究与产业实践双重优势，对技术发展趋势具备超前判断力。早在 WAIC 发布可信 AI 顶层治理导向之前，团队便率先形成清晰判断：搭建完整可信体系，是具身智能实现大规模落地的核心前置基础。CEO 熊祺，前蔚来自动驾驶核心高管，带领团队完成业内

刚从北京回来，然后足足走了10w步，日均3w步真的累坏了。这届WRC逛下来，我们有一个很强烈的感受：机器人本体已经挤到了聚光灯下，甚至说很卷：打拳的、cosplay啸天犬的、卖饮料的还有售卖柜上工作的比比皆是。具身花园的那个机器人小姐姐，也承担了很多迎宾任务，也是颜值担当。但最想看的那个大脑却依然藏在后台，或者说没有直观表现出来。一直相信大脑能力的释放即将到来，但更多是在国外几家的技术博客上。二指