Physical AI 日报
统计时段：2026-05-17 09:00 至 2026-05-18 09:00（北京时间）
信息来源：arXiv、Google News RSS、wxrank、36氪、界面新闻、联网搜索
说明：今日 arXiv 与 Tier 1 公众号自动管线均无回流，论文章基于 wxrank 论文解读类推文，并经联网检索核对原始论文（arXiv 编号、机构、指标）。
一、论文进展
SANA-WM：单卡分钟级可控世界模型
原名：SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer
作者/机构：NVLabs et al. (NVIDIA)
arXiv：2605.15178
摘要：2.6B 参数的开源世界模型（Apache 2.0），输入单张图像 + 一条相机轨迹，原生生成 60 秒、720p、严格跟随轨迹的视频。核心是混合 Gated DeltaNet + softmax 注意力骨干，使循环状态保持常数 D×D 大小、不随视频长度爆炸，从而突破标准注意力在分钟级生成上的显存墙；相机控制采用双分支设计（隐帧率 UCPE + 原始帧率 Plücker 混合），相机一致性 0.2047，优于体量大 5× 的对比模型。仅用 212,975 条公开视频、64 张 H100 训练约 18.5 天；蒸馏版在单张 RTX 5090（NVFP4）上 34 秒生成 60 秒 720p。官方报告其 + refiner 在 8×H100 上达 22.0 视频/小时，在可比画质下吞吐为 LingBot-World 的 36×。
看点：首个可信的"单 GPU、分钟级、可控"开源世界模型，直接冲击此前属于闭源/巨型模型（Cosmos、Genie 系）的世界模型算力与数据护城河；线性注意力的常数状态设计是绕开长程 rollout O(L²) 显存瓶颈的关键工程点，值得入行者重点拆解。
IntentVLA：为消除"视觉混叠"的短时意图建模
原名：IntentVLA: Short-Horizon Intent Modeling for Aliased Robot Manipulation
作者/机构：HUST（华中科技大学）et al.
arXiv：2605.14712
摘要：机器人模仿数据天然多模态——相似的视觉-语言观测后接不同动作块。逐帧条件的 VLA 策略会在相邻重规划步之间重采样到不同"意图"，导致动作块间冲突与执行抖动。IntentVLA 用冻结的 VGGT 历史编码器把近期观测压成紧凑的相机/寄存器 token 作为历史证据，经门控交叉注意力与当前 Qwen3-VL 视觉-语言上下文融合，形成条件相关的短时意图表征，去调制标准 DiT 流匹配动作头。作者构建 12 任务的 AliasBench（基于 RoboTwin2）专门隔离短时观测混叠；在 AliasBench/SimplerEnv/LIBERO/RoboCasa 上 rollout 稳定性提升，公众号解读称成功率提升约 17.7%，优于强 VLA 基线。
看点：针对一个具体且被忽视的 VLA 失效模式（视觉高度相似场景下动作块间意图翻转）给出轻量历史条件化补丁，而非靠堆规模；对双臂/人形等连续视觉帧高度相似的接触密集任务尤具参照价值。
MindVLA-U1：统一流式 VLA 弥合与 VA 的规划鸿沟
原名：MindVLA-U1: Unified Streaming VLA for Autonomous Driving
作者/机构：理想汽车 + 清华大学
arXiv：公众号解读（智驾具身数据挖掘，2026-05-15）
摘要：自动驾驶范式正从模块化走向端到端统一，但现有 VLA 模型的规划品质普遍弱于传统 VA（视觉-动作）模型。作者指出核心瓶颈不在模型规模，而在接口设计缺陷——动作接口精度错配、时序分块建模割裂、语义推理与连续控制脱节。MindVLA-U1 提出统一流式 VLA 架构，重新设计动作接口与时序上下文，意在打破"端到端 VLA 规划反而不如 VA"的反常现象。
看点：直面量产智驾的真问题（端到端 VLA 规划质量回退），从接口/时序设计而非参数规模入手；恰逢国内智驾 VLA 路线分化（"华为不用 VLA"、小鹏第二代 VLA），该工作提供了一个工程化对照。
CoWorld-VLA：多专家隐思维自动驾驶世界模型
原名：CoWorld-VLA: Multi-Expert Latent-Thinking World Model for Autonomous Driving
作者/机构：吉利 + 天津大学
arXiv：公众号解读（智驾具身数据挖掘，2026-05-17）
摘要：针对自动驾驶 VLA 三大短板——直接动作预测无中间推理状态、文本 CoT 丢失连续时空几何结构、单一隐世界表征不完备且无法作为规划显式条件，提出多专家隐思维世界模型，用隐式世界表征替代文本 CoT 以保留连续时空几何，并作为规划的显式条件，改善复杂路口与多车交互场景下的规划泛化。
看点：把"世界模型当老师、VLA 当学生"的闭环范式落到自动驾驶，是自驾世界模型与 VLA 融合的代表性尝试，与 SANA-WM 的可控世界模型方向形成"基础设施—应用"呼应。
视觉世界模型全景综述（VWM）
原名：A Survey on Visual World Models
作者/机构：北京交通大学 + 字节跳动 et al.
arXiv：公众号解读（CCF学术组委会，2026-05-18）
摘要：提出视觉世界模型统一分析框架，将运行逻辑精炼为三步：异构视觉数据编码（Vision Encoding）→ 学习含时空连贯性、物理动力学与因果机制的结构化世界知识（Knowledge Learning）→ 在此基础上做预测/规划。系统梳理 VWM 的底层逻辑与方法谱系。
看点："世界模型"已是过载术语，这类全景综述适合入行读者快速建立技术地图，与下条能力分层框架互补。
世界模型能力分层框架综述（L1/L2/L3）
原名：From Predictors to Evolvers: A Capability Taxonomy of World Models
作者/机构：多机构联合（综述）
arXiv：公众号解读（深耕智能体，2026-05-17）
摘要：提出统一的世界模型能力分层框架，划分 L1 预测器、L2 模拟器、L3 进化者三个能力层级，并从物理、数字、社会、科学四个治理法则领域做全面分析。
看点：给"世界模型"一个可操作的能力分级标尺，便于判断各家声称的"世界模型"实际处于哪一层（多数停在 L1/L2），是评估今日 SANA-WM/InSpatio-World 等的有用框架。
其他今日论文（一句话）：
· LangForce（arXiv:2601.15197）——以贝叶斯分解 + 可学习"潜动作查询"双分支对抗 VLA"视觉捷径/信息坍缩"，无需新数据在 OOD SimplerEnv 提升 11.3%（2026-01 论文，今日 AI未来范式 公众号集中解读）。
· WM-DAgger——基于 Cosmos-Predict 类世界模型实现模仿学习中的高效数据聚合，缓解累积误差（今日"大语言模型和具身智体及自动驾驶"公众号解读）。
· InSpatio-World（影溯 / 藕舫投资被投）——4D 世界模型技术报告，单段参考视频即可生成可实时交互漫游的"活世界"，采用时空自回归 + JDMD 流程（技术报告解读）。
· 西湖大学等"机器人学得好靠遗传好基因"研究——指向预训练表征质量决定下游迁移（新浪财经报道，⚠️ 论文细节未独立核实）。
二、融资与交易
Vbot 维他动力（Vbot Power） | Pre-A 轮 | 近 5 亿元人民币 | 估值未披露
领投/跟投：东方嘉富、华泰紫金、复星锐正联合领投；上汽集团尚颀资本、明荟致远参与；老股东凯辉基金、今日资本、高瓴创投、BV 百度风投、柏睿资本等追投
业务：消费级具身智能（embodied / 消费机器人）。首款"超能机器狗"已技术量产并交付（首批 500 台下线，经微信小程序与京东发货，5 月交付 1500 台、6 月产能升至 2500 台/月），并同步启动新一代人形机器人研发。
意义：创下消费级具身智能赛道最大单笔融资纪录——资本从"实验室 Demo"明确转向押注已具备规模化交付能力的消费机器人标的。
来源：新浪科技 · 投资界（5/11 公布，今日多源共振）
Makinarocks（韩国） | KOSDAQ IPO | 机构申购冻结资金约 14 万亿韩元
领投/跟投：公开发行（机构申购超额认购）
业务：industrial——工业 AI 异常检测 / 制造质检软件。
意义：韩国工业 AI 头部标的 IPO 获大幅超额认购，显示二级市场对"可落地工业 AI"标的的强需求，与本报告长期判断的"仓储/工业自动化是最被低估子类"一致。
来源：Seoul Economic Daily
Faraday Future / FFAI（法拉第未来） | 机构定向募资 | 本周新增 2500 万美元，两月累计 7000 万美元
领投/跟投：机构投资者（未具名）
业务：adjacent——智能电动车 + 自研"FF AI Operating System"；贾跃亭重掌 Global CEO，启动战略/产品技术/财务/资本/AI OS"五大变革"。
意义：更多是边缘造车新势力叠加 AI 叙事的资本容忍度信号，与具身/自驾核心栈关联弱，仅作 adjacent 观察。
来源：Stock Titan ⚠️ 单方投资者更新，金额为公司自述
融资市场背景：创投通数据显示本周一级市场 108 起融资、环比 +63.64%，航空航天与具身智能活跃度居前；自变量机器人近 20 亿元 B 轮（小米战投 + 红杉中国领投）今日再度被广泛转载——该轮 4 月已宣布，非今日新事件，列此仅作甄别。
三、产业动态
人形机器人（humanoid）
Figure AI 人形机器人 Jim 连续 81 小时无人干预分拣 10.1 万件包裹
Bucket：humanoid
内容：Figure AI 全程直播其人形机器人"Jim"在真实物流仓内运行，仅靠自研 Helix-02 AI 系统、无任何遥操作，连续作业 81 小时、累计分拣 101,391 件包裹，平均约 3 秒/件（折合 >28,000 件/天），前 24 小时零错误零中断。原定 8 小时 Demo 因机器人持续运行而被无限延长（官方称"不到机器人故障不停"）。观察者指出精度仍是最大短板——视频中存在未精确投放的镜头，实际物流场景对精度的要求高于速度。
来源：Seoul Economic Daily · 芝能汽车
核查：✅ 已证实（公开直播 + 多家国际媒体；精度短板为现场观察，量产可用性仍待第三方介入率/MTBF 数据）
宇树发布全球首款量产版载人变形机甲 GD01，390 万元起，王兴兴亲测
Bucket：humanoid（炫技/品牌展示）
内容：5 月 12 日宇树科技发布"GD01 载人变形机甲"，售价 390 万元起（约 65 万美元），王兴兴坐进操控舱亲自演示，马斯克点赞。多方评价其更像"中国人形机器人工厂硬实力"的炫技演出而非走量产品。背景：宇树冲刺 STAR 上市（市场传约 70 亿美元目标），招股书披露 2025 年人形机器人出货超 5,500 台，但收入结构中科研教育占 73.6%、商业消费 17.39%、行业应用仅 9.01%。
来源：虎嗅 · 2AIBot（招股书数据） · MSN
核查：✅ 已证实（官方发布 + 招股书问询回复数据）
特斯拉 Optimus Gen-3：传 7–8 月量产、定价约 4.9 万美元，Q2 筹备首座大规模人形机器人工厂
Bucket：humanoid
内容：多家供应链/财经公众号称 Optimus Gen-3 已下线投入内部测试，计划 7–8 月量产、定价约 4.9 万美元，特斯拉将于二季度启动首座大规模人形机器人工厂筹备，核心零部件七成由国内供应商提供、部分供应商已拿到 Q2 正式采购订单及货款。
来源：基析智库 · 特供一分钟
核查：⚠️ 单方/供应链口径待核实——量产日期与定价为厂商指引及供应链传闻，特斯拉历史上 Optimus 时间表多次推迟，按"声明目标"而非"已交付"看待
自动驾驶（autonomy）
特斯拉 Robotaxi 安卓客户端上线，美国三城进入小规模商业运营
Bucket：autonomy
内容：特斯拉 Robotaxi 安卓客户端已上架并适配 Google Pay，已在奥斯汀、达拉斯、休斯顿三城投放，进入小规模商业运营；第三方数据显示其无安全员车辆增至约 39 辆。William Blair 称其奥斯汀试运营定价具优势。同期亦曝出"远程接管仍发生撞车"的事故讨论。
来源：汽车机器人视界 · 汽车产业前线观察 · MSN（William Blair）
核查：⚠️ 三城上线为官方动作（✅）；39 辆无安全员为第三方估算、事故为媒体讨论，待核实
文远知行 Robotaxi 商业化提速，全球车队约 2800 台；韩旭：达不到百万公里级 MPI 别自称无人驾驶
Bucket：autonomy
内容：截至 4 月 30 日文远全球自动驾驶车队约 2800 台，较 3 月 23 日财报日增约 700 台，规模与范围同步加速；创始人韩旭公开表态以"百万公里级 MPI（接管里程）"作为"是否够格称无人驾驶"的硬门槛。
来源：算法与数学之美 · 新浪财经
核查：✅ 已证实（财报口径车队数 + 公开表态）
小鹏第二代 VLA / 理想"下半场造人"——国内智驾 VLA 路线分化加剧
Bucket：autonomy / embodied
内容：小鹏公布第二代 VLA，刘先明称将带来"中国最好用的自动驾驶"（ArenaEV 实测 XPeng VLA 2.0 北京路况）；理想提出"上半场造车、下半场造人"具身智能蓝图（理想 L9 被包装为"会思考的车"）；与之对照，有媒体报道"华为不用 VLA"。VLA 与世界模型路线之争同时蔓延到智驾与具身两端。
来源：汽车圆桌谈 · ArenaEV · 新浪财经
核查：✅ 已证实（厂商公开表态，量产效果待验证）
产业与政策（industrial / policy）
全国首个国家级具身智能中试基地落户杭州，"国家人工智能应用中试基地（具身智能）"揭牌
Bucket：industrial / policy
内容：5 月 16 日杭州市具身智能创新发展大会上，"国家人工智能应用中试基地（具身智能）"正式揭牌，将构建以算力保障、数据开放、模型服务、场景验证为核心的公共技术服务平台，打通从算力到落地的链路。配合此前国家电网约 68 亿元（拟采购约 8500 台具身智能设备：四足巡检 5000 台/15 亿，人形带电作业 500 台/25 亿，双臂巡检 3000 台/18 亿，另 10 亿研发，本体供应商含云深处、宇树、智元、优必选、傅利叶）、业内预计电力行业全年或破百亿的采购规划，国内具身智能正从"小批量验证"转入"规模化部署 + 国家级基础设施"阶段。
来源：科创板日报 · 界面新闻（电网采购）
核查：✅ 杭州中试基地揭牌已证实；电网 68 亿采购为 4 月发布规划、今日再度转载（非新事件，作背景）
智元机器人香港大会主打"可部署性"，灵巧手现场捏网球；获沪滇党政高层调研
Bucket：embodied / humanoid
内容：智元在香港现场展示机器人作业，重点从"炫技"转向把客户可见的"部署能力/部署态"摆上台面（机器人扮"李小龙"飞踢、灵巧手现场捏网球）；上海市委书记陈吉宁与云南省党政一行调研智元，邓泰华、彭志辉汇报 AI 基础设施、大模型与规模化部署进展。
来源：2AIBot · 中科创星 · Tiger Brokers
核查：✅ 已证实（多源 + 官方调研报道）
✅ 已证实 / ⚠️ 单方声明待核实 | 今日 arXiv 与 Tier 1 公众号自动管线均空，论文章为 wxrank 解读 + 联网核对论文原文；本地完整归档含全部原文链接：history/2026-05-18/daily_full.md
基于公开信息 + arXiv + wxrank + 联网搜索聚合，AI 分析生成，仅供参考。