Physical AI 日报

统计时段：2026-05-20 09:00 至 2026-05-21 09:00（北京时间）

一、论文进展

PointACT：把分层 3D 点云直接喂进 VLA 动作解码
原名：PointACT: Vision-Language-Action Models with Multi-Scale Point-Action Interaction
作者/机构：Shizhe Chen, Paul Pacaud, Cordelia Schmid（INRIA / Google）
arXiv：2605.21414
摘要：主流 VLA 大多只用 2D 视觉表示，对精确操作所需的 3D 几何与空间接地能力有限。PointACT 提出双系统 3D-aware VLA 策略，将分层点云表示直接接入动作解码：通过多尺度 point-action 交互机制（带 bottleneck window self-attention），让演化中的动作 token 同时关注局部几何细节与全局场景结构。
看点：Cordelia Schmid 组对 VLA 几何接地缺陷的直接回应——不再外挂深度，而是把点云作为一等公民写入动作 token 注意力路径，是 2D-VLA → 3D-VLA 路线又一次的工程化尝试。

DriveMA：用单步 meta-action 替代冗长推理，2B 模型刷新 Waymo E2E SOTA
原名：DriveMA: Rethinking Language Interfaces in Driving VLAs with One-Step Meta-Actions
作者/机构：Weicheng Zheng, Yixin Huang, Qiao Sun, Derun Li, Hang Zhao 等
arXiv：2605.21273
摘要：Driving VLA 普遍用自然语言长链推理作为端到端规划的中间接口，作者指出该范式标注昂贵、紧凑模型生成困难且推理延迟显著。DriveMA 改用简洁的单步 meta-action 作为低熵语义决策接口，可从专家轨迹自动派生，并配合轮级信用分配的 RL 联合优化 meta-action 正确性、轨迹质量与一致性。
看点：2B 模型据称在 Waymo 端到端驾驶挑战赛拿下 RFS 8.060（4B 进一步推到 8.079），是少见把 CoT 范式在驾驶端被「短链 meta-action」直接超越的工作；榜单数据由作者自报，建议关注后续独立复现。

Lost in Fog：用传感器扰动揭示驾驶 VLA 的推理脆弱性
原名：Lost in Fog: Sensor Perturbations Expose Reasoning Fragility in Driving VLAs
作者/机构：Abhinaw Priyadershi, Jelena Frtunikj
arXiv：2605.21446
摘要：对 Alpamayo R1（10B 参数）在 1996 个场景、8 种传感器扰动（高斯噪声 ×4、极端光照 ×2、雾 ×2）下做了约 18000 次推理。发现"推理一致性"是轨迹可靠性的高保真指标：当 Chain-of-Causation 解释因扰动而改变时，轨迹偏离量飙升 5.3 倍（21.8m vs 4.1m），跨攻击类型 r=0.99，单样本相关 r_pb=0.53。
看点：规模够大的对照实验，并不是再证 VLA 不抗扰动，而是给出了一个"无需 ground-truth 即可识别失败"的代理信号——可能影响未来 driving VLA 安全监控的设计模式。

ESI-Bench：把感知-动作闭环写进具身空间智能基准
原名：ESI-Bench: Towards Embodied Spatial Intelligence that Closes the Perception-Action Loop
作者/机构：Yining Hong, Jiageng Liu, Han Yin, Manling Li, Leonidas Guibas
arXiv：2605.18746
摘要：现有空间智能评测多假设 oracle 观测，作者将观察者重新定义为执行者：基于 OmniGibson 构建覆盖 10 大类、29 子类任务的基准，扎根 Spelke 核心知识系统，要求 agent 自行决定何时调用感知、运动、操作能力并合理排序。
看点：Leonidas Guibas + Manling Li 组合的"主动空间智能"标杆，HF 社区热度 ↑3；与 Architectural Spatial Intelligence、ArchSIBench 等同期工作一起，预示着 2026 年 spatial-intelligence benchmark 将从静态 QA 转向 active 决策。

GaussianDream：把 3D Gaussian world model 当训练时插件，推理时丢弃
原名：GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation
作者/机构：Zijian Zhang, Yuqing Jiang, Qian Cheng, Si Liu, Ding Zhao
arXiv：2605.20752
摘要：VLA 标准模仿训练对 3D 几何、密集视觉结构与短时域演化缺乏显式监督。GaussianDream 在训练期将当前 Gaussian 重建与时域条件未来 Gaussian 预测耦合，迫使紧凑时空前缀可解码为 renderable 3D Gaussian，提供 RGB / 深度 / 伪 3D 场景流的密集监督；推理时舍弃所有解码头，仅留前缀条件化动作生成。
看点："训练时世界模型监督、推理时零开销"是兼顾物理一致性与部署效率的实用范式。作者宣称 LIBERO 平均成功率 98.4%、RoboCasa Human-50 52.6%、真实评估 50.0%，数字来自作者自报，建议参考其他独立复现。

ScenePilot：可行性引导的边界场景生成——只制造"物理可解但栈搞不定"的攻击
原名：ScenePilot: Controllable Boundary-Driven Critical Scenario Generation for Autonomous Driving
作者/机构：Qiyu Ruan, Yuxuan Wang, He Li, Zhenning Li, Cheng-zhong Xu
arXiv：2605.21168
摘要：多数 AV 场景对抗生成要么产物理无解的极端碰撞，要么孤立强制物理或策略可行性。ScenePilot 把生成表述为约束多目标 RL，融合 RSS 派生物理可行性分数 σ 与在线学习的 AV 风险预测器 Φ，并用逐步可行性感知 masking 把探索锁在可行性边界附近。SafeBench 上对多个规划器宣称碰撞率提升 +6.2pp，且在边界带样本上做对抗微调能持续降低下游碰撞率。
看点："物理可解但栈仍失败"是产业最关心的灰区，把对抗生成从"刷碰撞率"转向"刷边界带"，对仿真测试圈是值得关注的方向。

DEFLECT：把推理延迟本身变成 VLA 后训练的偏好信号
原名：DEFLECT: Delay-Robust Execution via Flow-matching Likelihood-Estimated Counterfactual Tuning for VLA Policies
作者/机构：Yixiang Zhu, Yonghao Chen, Rui Meng, Jingyu Guo, Jiaxiang Zou
arXiv：2605.19294
摘要：异步推理下，VLA 的动作 chunk 是基于推理开始前观测算的，但物理状态已漂移；Kinetix 上当推理周期覆盖 7 个控制步时朴素异步翻转成功率从 89% 崩到 1% 以下。DEFLECT 在冻结参考策略上构造"新鲜/过期"反事实动作对，用隐式 flow-matching 似然比代理为它们打分，无需人工标签、奖励模型或在线 rollout。高延迟区间（5-7 步）成功率 +6.4，最长延迟下迁移到真实规模 VLA +4.6，两项真实机器人任务上均稳定提升。
看点：异步 chunk 推理是几乎所有规模化 VLA 都绕不开的工程现实，把"延迟"做成可对齐的离线信号、无需在线交互，工程上具备 plug-in 价值。

roto 2.0：触觉强化学习的"奥运会"基准，仅本体感觉+触觉的盲操作
原名：roto 2.0: The Robot Tactile Olympiad
作者/机构：Elle Miller, Jayaram Reddy, Ayush Deshmukh, Trevor McInroe, David Abel
arXiv：2605.21429
摘要：tactile-based RL 长期被零碎工作和过饱和的旋转任务困住。roto 2.0 是 GPU 并行化的基准，覆盖 16-DOF 到 24-DOF 四种机械手形态，仅用本体感觉与触觉、不给状态信息或蒸馏，端到端"盲"操作。作者宣称盲 agent 在 10 秒内完成 13 次保定球旋转，比 SOTA 快一个量级。
看点：开源环境 + 标准化基线，对推动触觉 RL 跨形态可比性是值得关注的基础设施。

其他今日值得一看：Mem-π（HF↑1，LLM agent 按需生成 guidance 而非检索）；Proprioceptive Transformer（PT，纯关节传感器实现立方体旋转 3.1× 加速）；Demo-JEPA（基于 JEPA 的跨形态单样本模仿）；DISC（hypernetwork 从指令生成视觉运动策略，结构上消除观测泄漏）；Mobile UMI（移动 UMI 的双相机捕获 + 异步延迟补偿）；PhyWorld（物理忠实的视频世界模型）；Dexora（首个开源双臂双手高 DoF VLA）；HITL-D（diffusion 与人工共享控制）；UAM（清华 × 字节，VLA 微调隐性侵蚀视觉语言能力的实证）。

二、融资与交易

LiberAI / OriginFlow（具身智能 · 物理世界模型） | 天使+轮 | 近 5 亿元 | 估值未披露
领投/跟投：未披露完整名单（5 个月内累计完成多轮，总额超 5 亿元）
业务：2025 年 12 月成立，创始人为清华在读博士刘松铭（00 后），聚焦物理世界模型与具身智能，宣称已打通硬件、数据、大模型训练全闭环。Bucket：world-model / embodied。
意义：2026 年世界模型赛道在中国进入"清华系学生创业 → 顶级资本快速堆叠"模式，是继 LeCun-OpenAI 路线之争之后中国侧的高估值押注样本。
来源：元创元宇宙 / 新浪财经·投资界
核查：⚠️ 单方/早期投资方披露，融资金额与估值待 IPO 或权威披露核实。

AGILINK（智元机器人灵巧手分拆子公司） | 新一轮（系列内第 4 轮）| 未披露具体金额 | 估值破 10 亿美元
领投/跟投：未披露
业务：2026 年 1 月从智元机器人分拆，专研灵巧手；4 个月内完成 4 轮融资，与上一轮间隔约 100 天。Bucket：humanoid / dexterous hand。
意义：这是智元生态首个非本体类独角兽，验证了"人形整机 + 关键部件分拆独立融资"的资本路径，也再次确认 2026 年灵巧手赛道估值进入加速通道（参考另一则消息：灵心巧手已聘请招银国际、中信、汇丰筹备 IPO，市占率 80%+、月出货超 4000 台——单一来源 Robo百科，⚠️）。
来源：机甲觉醒
核查：⚠️ 估值"破 10 亿美元"为媒体报道口径，融资细节未由官方公告确认。

擎天租（机器人租赁 RaaS） | A 轮 + A+ 轮（累计 6 轮，半年内完成两轮）| 累计数亿元 | 估值 70 亿元
领投/跟投：未披露完整名单
业务：面向工业场景的 Robot-as-a-Service 租赁运营商，主打"以租代购"降低人形/工业机器人部署门槛。Bucket：embodied / industrial。
意义：从模型公司、本体公司、部件公司，扩展到"机器人金融服务"层独角兽——产业链估值正在从硬件向服务/运营延伸。"成立不到半年估值 70 亿"是 2026 年具身赛道资本节奏的另一极端样本。
来源：东方财富 / 新浪网
核查：⚠️ 仅一级市场口径，估值未经二级市场或外部审计验证。

Differential Robotics 差分机器人（飞行机器人） | A1 轮 | 数亿元 | 估值未披露
领投/跟投：未披露
业务：杭州飞行机器人创业公司，成立不足两年累计 6 轮融资合计超 5 亿元。Bucket：embodied / drone-robotics。
意义：2026 年具身赛道资本不只押注人形——飞行 / 移动平台仍在持续吸金。
来源：Pandaily
核查：⚠️ 单方披露。

弦动未来（仿肌腱机器人） | 天使轮 | 未披露金额
业务：聚焦仿肌腱（tendon-driven）机器人本体研发，方向上与同期 ORCA Hand / Robert Katzschmann 的肌腱驱动手研究高度相关。Bucket：humanoid / actuation。
意义：2026 年人形机器人本体并未收敛到单一驱动路线，肌腱驱动仍有新创业团队拿到天使轮。
来源：DoNews
核查：⚠️ 早期轮次，公开信息有限。

三、产业动态

Autonomy / Robotaxi

小鹏 Robotaxi 量产下线 + GX 上市 + 12 小时大定 24,863 台
Bucket：autonomy
内容：2026-05-20，小鹏首台 Robotaxi 在广州量产下线，基于即将上市的旗舰 GX 打造，宣称搭载 4 颗自研图灵 AI 芯片、有效算力 3000 TOPS、第二代 VLA 大模型，定位 L4，预计下半年开启示范运营。同日 GX 限时 26.98 万元起上市，何小鹏称"激光雷达已不是必需品"，重申纯视觉路线。
来源：CleanTechnica / CnEVPost / 第一电动网 / 多家公众号
核查：⚠️ "全球车端最高算力 3000 TOPS"、"L4 级"为厂商自报。"前装量产 L4"指硬件预装而非已获 L4 路权，规模化运营时间表为下半年示范，尚非生产化指标。

特斯拉 Model S/X 产线退役，弗里蒙特将切换至 Optimus 量产线
Bucket：humanoid / autonomy（产线复用）
内容：2026 一季度业绩会信息显示，特斯拉 Model S/X 产线已于 5 月前后退出，将用"数月时间"切换为 Optimus 人形机器人产线；陶琳同期对外确认最后一批 Model S/X 完成交付。
来源：DoNews / blockchain.news / TradingView
核查：⚠️ "Optimus 量产在即"为公司表态，无明确时间表与产能数字；产线物理切换是事实，量产化能力仍是 demo 与小规模 pilot 阶段，并非可量产指标。

Embodied / Humanoid

智元机器人 WITA（硅光动语）通过生成式 AI 服务备案，号称全国首个具身智能大模型获批商用
Bucket：embodied
内容：2026-05-18 上海市网信办公告显示，智元 WITA 模型完成生成式 AI 服务备案。智元方面定位 WITA 为"全域具身智能生态的核心交互中枢"，融合运动控制与作业逻辑。
来源：AI 大能 / 多家媒体
核查：✅ 网信办备案为可核实事实；"全国首个具身大模型商用"措辞为公司宣称的细分定义口径，建议核对备案清单中具身类条目。

星动纪元 Era0 登顶 RoboChallenge Table30 全球真机评测榜
Bucket：embodied
内容：清华系具身公司星动纪元自研模型 Era0 据称以 64.33% 成功率、76.34 综合得分位列 RoboChallenge Table30 第一，30 项任务中 17 项 SOTA；在"做素食三明治"（成功率 20%）与"擦白桌"（60%）两项公认高难任务上是 Top8 中唯一非零模型。该榜被纳入 ICRA 2026 / CVPR 2026 Workshop Competition。
来源：量子位
核查：⚠️ 榜单数字与 SOTA 数为厂商/榜单方共同披露；RoboChallenge 是新基准，跨平台可比性仍依赖第三方独立运行。属能力演示，非生产力指标。

极佳视界发布拾光 S1：宣称"全国首个面向家庭场景的通用人形机器人"
Bucket：humanoid
内容：湖北极佳视界联合湖北人形机器人产业联盟与创新中心，在武汉发布家庭通用人形机器人"拾光 S1"，演示场景包括叠衣、做饭、收拾餐桌、陪伴老人聊天。媒体援引"今年 20 万、明年砍一半"价格说法。
来源：机器人REVIEW
核查：⚠️ 发布会演示与价格预期均为厂商宣称；连贯叠衣/做饭多步动作在受控场景中"流畅完成"是能力演示，与可量产、可入户的 MTBF/介入率不可等同。

优必选发布消费级人形品牌 UWORLD（优世界）
Bucket：humanoid
内容：优必选发布消费级人形机器人独立品牌"优世界"（UWORLD），定位面向 C 端市场，宣称凭借量产经验与成本控制能力推动消费级人形落地。
来源：元创元宇宙
核查：⚠️ 单方品牌发布，售价、出货时间表、首发 SKU 暂未公开核实。

工业 / 基础设施

NVIDIA 在分析师沟通中正式拆分 Physical AI 业务板块，并将 Anthropic 列为新合作伙伴
Bucket：industrial / adjacent
内容：据 digitimes 报道，NVIDIA 引入 ACIE（AI Compute & Infrastructure Ecosystem）子分类，并把 Physical AI 单列为独立业务披露口径；同期把 Anthropic 列为合作伙伴。
来源：digitimes
核查：⚠️ 单一英文来源，分类调整是否反映在最新季报需对照 NVIDIA 官方分部披露；视为分析师沟通口径变化，而非财务定论。

FANUC 与 Google 合作，把 Physical AI 推进到制造现场
Bucket：industrial
内容：Assembly Magazine 报道，工业机器人厂商 FANUC 与 Google 在 Physical AI 方向展开制造业合作（具体技术分工与产品形态未在标题层披露）。
来源：Assembly Magazine
核查：⚠️ 单一英文来源，合作细节、是否含资金/合资条款、落地时间表未在已抓取 snippet 中展开。

新加坡 Punggol Digital District 被定位为 Physical AI 系统试验场，OpenAI / Google / NVIDIA 共同入驻新加坡 AI 部署枢纽
Bucket：adjacent / 政策
内容：GovInsider、Asia Tech Review、Telecompaper、CRN Asia 等多源同期报道：新加坡更新国家 AI 战略，将 Punggol Digital District 作为 Physical AI 部署试验场；OpenAI、Google、NVIDIA 在新加坡共建生态。
来源：GovInsider / Asia Tech Review / Telecompaper
核查：✅ 多源共振，框架性事实可信；具体试点项目与厂商分工待官方文件核对。

京东在宿迁落地全国首个具身智能数据采集社区
Bucket：embodied / data infrastructure
内容：京东（09618.HK）公告称全国首个具身智能数据采集社区已在宿迁正式运行。
来源：AASTOCKS
核查：⚠️ 港交所/公司公告口径下"全国首个"，规模、人形/移动平台覆盖范围、对外开放程度待补充。

MachinaRocks 韩国上市首日大涨 4 倍，市场将其视为 Physical AI IPO 通道开启
Bucket：industrial / 二级市场
内容：thelec.net 报道，韩国 Physical AI 公司 MachinaRocks 上市首日股价较发行价上涨四倍，投资者把其视为 Physical AI IPO 管线启动信号；同期 LG 电子、现代汽车集团股价因人形机器人路线图与 Physical AI 题材联动上涨。
来源：thelec.net / Seoul Economic Daily
核查：⚠️ 首日涨幅为市场情绪指标，与公司基本面分离；是否能维持估值待长期跟踪。

✅ 已证实 / ⚠️ 单方声明待核实。本期数据基线：arXiv 论文 205 篇、Tier 1 公众号 1 篇、wxrank 关键词 160 篇、Google News 104 条、界面新闻 3 条；融资条目主体来自具身/世界模型/机器人租赁专题报道，多为一级市场口径。