FutureX · 记录未来如何发生

今日要点

· arXiv 当日静默（0 篇），机器人世界模型成研究主线：Yann LeCun 团队开源世界模型"操作系统"stable-worldmodel，实测把当前几个"最强"世界模型在分布外条件下的成功率打到 6%。

· 极佳视界一个月内累计融资约 25 亿元、估值破百亿，成国内首个"世界模型"百亿独角兽。

· 智元密集发声：发布 BFM-2 运控基座模型，拿下其自称的国内首例具身智能合规备案，西南基地首批 200 台下线，喊出"部署态元年"。

· Waymo 因施工区与积水路面问题暂停全美高速 Robotaxi 及亚特兰大全部运营；特斯拉 Robotaxi 推迟至 10 月、二季度净利同比下滑。

· Figure 03 三机连播自主分拣（累计逾十万件、逼近人类速度），人形机器人"耐力演示"再升级——但仍属能力演示，非量产生产力指标。

stable-worldmodel：把世界模型研究装进一套统一平台，并戳破"最强模型"的泛化泡沫

〈为什么重要〉由 Yann LeCun、Randall Balestriero 牵头的 12 人团队出手，瞄准世界模型领域"复现地狱"——CEM 这类规划器被 TD-MPC2、DINO-WM、V-JEPA2 等论文各自重写五遍、数字无法横向比较。该平台用 World×Policy×Solver 三层抽象统一数据/求解器/评估，并顺手证明：当前几个 SOTA 世界模型一旦遇到分布外扰动，成功率可跌至 6%——把"基准是温室"这一行业病灶摆上台面。

Mila / NYU / Oxford / Brown 等 7 家机构（Yann LeCun、Randall Balestriero 牵头）· arXiv 预印本 · 解读：肉身算法

论文将当前世界模型研究的卡点归为三条：脆弱的一次性代码库、缓慢的视频数据加载、缺乏标准化泛化基准。stable-worldmodel（swm）基于 PyTorch + Gymnasium，把数据采集、模型、求解器、环境、评估装进同一套 API，对模型与训练代码不设约束、却对数据与评估强标准化。其内置经单元测试的采样类（CEM/iCEM/MPPI）与梯度类（GD/Projected GD/GRASP）求解器，接到 DINO-WM、PLDM 原模型上可无损复现原论文成绩，证明统一接口"没有性能税"。随后在带扰动评估下，把多个号称最强的世界模型成功率压到 6%，直指现有评测多为"训练分布近邻测试"。

MIF：多模态交互场，让人形机器人在动态办公室"边走边记边操作"

〈为什么重要〉把建图系统从轮式/无人机平台搬到双足人形上，会同时撞上步态运动模糊、环境物体被挪动、抓握需毫米级几何三道墙。MIF 用三种"场"耦合成闭环，在真实办公室把非静态环境下的重定位成功率从 12% 拉到 94%，语义内存压到原来的 8.6%，是 RSS 2026 上一项面向真实部署痛点的系统级工作。

北京大学 / 牛津大学 / ETH Zurich · RSS 2026 · 解读：肉身算法

Multi-modal Interactive Field（MIF）耦合三场：抗模糊外观场给每个 3D Gaussian 加置信度标量、用置信度门控渲染滤掉步态鬼影；空间记忆场以分层场景图存储，用差异检测得分 D 区分"真变化"与"伪变化"、只做局部更新而非全局重建；几何场在机器人接近交互目标时按需触发、用 Flow Matching 生成毫米级网格并做抓握安全三联检查。实验中以 Unitree-G1 为平台，0.5 m/s 快走下启用置信度门控后渲染 PSNR 由 21.6 升至 29.8、虚假变化检测率从 46.5% 降到 4.2%。

GesVLA：把手势作为一等指令模态注入 VLA 潜空间，让机器人"察言观色"

〈为什么重要〉纯文字 VLA 在拥挤场景里的瓶颈不在感知而在"意图传达"——要把空间关系描述到极细粒度才能不抓错。GesVLA 让手势与语言并列、贯穿从高层意图推理到底层动作生成的全过程，三个真实机器人任务整体成功率从 31.7% 跃升到 83.3%，目标定位准确率 94.3%、比纯几何指向管线高 35.2 个百分点。

清华大学 / Dexmal · arXiv 预印本 · 解读：肉身算法

架构上采用非对称双 VLM + 流匹配动作专家：VLMint 负责意图推理（手势关键帧+语言→目标坐标、可视化提示与 KV 缓存，整段任务只算一次复用），VLMper 每个控制步在线感知并经 cross-attention 取用上游潜表示，Action Expert 用 flow matching 迭代去噪生成动作。手势经 MediaPipe 抽取手腕+食指关节编成 12 维向量再过 MLP 投影到潜空间（去掉该 MLP 准确率从 94.3% 掉到 84.1%）。数据上用"在真实 RGB-D 场景渲染合成手"的半合成流水线，绕开昂贵的指向标注。backbone 沿用 π0 与 PaliGemma-2B，单张 RTX 4090 可跑推理。

SOMA：给 VLA 装上持久化空间记忆，攻克"视野外操控"

〈为什么重要〉当目标物体离开摄像头视野，现有 VLA 往往陷入"失明"——找不到目标、任务失败。SOMA 通过构建持久化空间记忆，让机器人即便面对视野外物体也能定位操作，视野外操控成功率大幅提升。该工作今日同被两家领域账号解读（具身智能漫谈、肉身算法），社区关注度较高。

港科广（HKUST-GZ）× AI2Robotics · arXiv 预印本 · 解读：具身智能漫谈

针对"目标出框即失明"的痛点，SOMA 为 VLA 机器人构建可持续维护的空间记忆，把曾经观测到的物体位置沉淀下来，使指令涉及当前视野之外的物体时仍能检索并完成操作。框架定位于操作类任务的"记一眼、看不见也能找回"，解读称其在视野外操控成功率上较现有 VLA 有明显提升。

BehaviorVLA：把"行为"拆成原型+阶段，用 Mamba 让 VLA 跨环境不翻车

〈为什么重要〉VLA 跨环境泛化时易"翻车"，BehaviorVLA 将行为分解为可复用的行为原型与执行阶段，并引入 Mamba 状态空间结构提升跨环境鲁棒性，是当日 VLA 泛化方向的一篇代表性工作。

机构见解读 · arXiv 预印本 · 解读：肉身算法 ⚠️ 未取全文

核心思路是把策略学习的对象从"端到端动作序列"上移到结构化的"行为"层：用行为原型刻画可迁移的动作模式、用阶段划分约束执行时序，再借 Mamba 的长序列建模能力降低跨环境分布漂移带来的失败。具体指标与基准以解读原文为准。

极佳视界 ｜ B1 轮 ｜ 近 15 亿元（一个月累计约 25 亿元）｜ 估值破百亿

由多家产业巨头、国家队基金及一线双币财务机构参与；公司成立于 2023 年，创始人兼 CEO 黄冠，是国内最早系统布局世界模型的团队之一，已发布 GigaWorld-0 / GigaWorld-Policy / GigaWorld-1 等成果。bucket：world model / embodied。此轮使其成为"国内首个世界模型百亿独角兽"——与极佳同台的还有逆矩阵、Manifold、Liber AI 等一批新冒头的世界模型公司，标志该赛道从论文走向资本竞速。来源：硅星人Pro、证券时报、投资界

飞捷科思 ｜ Pre-A 轮 ｜ 数亿元 ⚠️ 二手源单方口径

据报道押注"物理 AI 底层突破"。bucket：embodied / foundational。投资方与具体技术路线未见一手披露，金额与定位以媒体口径为准，待官方或一手信源确认。来源：凤凰网

Zebra Technologies 战略投资 Apera AI

Zebra（斑马技术，工业扫描/机器视觉龙头）战略入股 4D 机器视觉公司 Apera AI，加速工业自动化工作流落地。bucket：industrial。对产线"机器视觉+抓取"环节是又一笔产业资本下注。来源：Insider Monkey

Doozy Robotics ｜ 种子轮 ⚠️ 单方口径

种子融资用于在全球扩张其"Physical AI 工业劳动力"。bucket：industrial / humanoid。早期阶段、金额未明确披露，定位为面向工业场景的具身劳动力供给，信号意义大于体量。来源：Pulse 2.0

IPO 与并购动态：人形机器人"上市元年"加速

宇树科技 IPO 获受理（同期被抽中现场检查）；云深处 IPO 前夕融资定价达 607.17 元/股、招股书显示去年靠机器狗盈利逾 3 亿、人形仅售出一台并首次扭亏；乐聚、开普勒（被收购）等亦在列。bucket：humanoid / autonomy。宇树、云深处、乐聚"三份招股书"勾勒出当下行业"一条生存线"——四足现金牛养人形长跑。来源：财联社、搜狐网、赛博人间

智元发布 BFM-2 运控基座模型，主打"肌肉记忆"式抗扰起身 · humanoid

BFM-2 为二阶段运控基座模型，宣称可在静态站立、预设动作序列或随机输入指令等任意状态下实现高稳定动作过渡与任务闭环；演示中机器人被外力推倒后能自主调整姿态、连续插值快速起身并保持动态平衡，已用于灵犀系列。公众号集中宣传的"响应速度提升 80%""0.1 秒极速抗扰"等为厂商口径，属能力演示而非生产力指标。⚠️ 厂商口径/演示数据待独立验证 来源：具身智能研究室、智元系公众号矩阵

智元密集商业化动作：合规备案、西南基地量产、城管执法试点 · humanoid / industrial

智元宣称拿下国内首例具身智能合规备案（参照国家 AI 服务管理准则核验数据/内容/隐私/算法，称交互时延 500ms），借此抢得商用入场资质；西南（成都郫都）产业基地首批 200 台下线，自述三个多月实现 5,000→10,000 台量产；并在上海张江试点"人机协同城管执法"。公司将 2026 定为"部署态元年"。其中张江城管执法试点经官方媒体印证，量产与合规"首例"表述为厂商口径。✅ 执法试点经官媒印证 ⚠️ "首例"/量产数字为厂商口径 来源：盖世具身智能、城管论坛、Global Times

Figure 03 三机连播自主分拣，逼近人类速度 · humanoid

自 5 月 14 日起，Figure 将三台 F.03 人形（被观众昵称 Bob/Frank/Gary）放进物流分拣场景连续直播，搭载 Helix-02、号称无人遥操，原定 8 小时演示一路延长至约 100 小时，累计自主分拣逾十万件包裹（部分报道称达 25 万件）；人机对决中人类以约 2.79 秒/件险胜机器人约 2.83 秒/件。这是耐力与速度的能力演示，非可量产的生产力或经济性指标，且有外媒质疑直播未必"全程真实自主"。⚠️ 能力演示，非量产指标；真实性存争议 来源：MEXC、TechRadar、36氪

国产人形新品与展演密集：星行侠 P2、宇树载人机甲、Walker C1 芭蕾 · humanoid

数字华夏发布新一代人形机器人"星行侠 P2"，主打长者监护等场景落地；宇树被报道推出量产载人机甲 GD01（双模式变形、定价约 390 万元）；优必选 Walker C1 表演《天鹅湖》芭蕾刷屏。产品发布与展演节奏密集，但载人机甲"量产"、舞蹈表演等更偏品牌展示，量产规模与真实用途待观察。⚠️ 多为产品发布/展演，部分量产口径待核实 来源：新浪财经、雷峰网、中研普华、Interesting Engineering

Waymo 暂停全美高速 Robotaxi 及亚特兰大全部运营 · autonomy

Waymo 自 5 月 21 日起暂停 SF/LA/Phoenix/Miami 四地高速运营及整个亚特兰大业务，称需更新软件以改善施工区与积水路面表现。触发事件包括社媒流传的高速施工区加速视频（警车追逐）、5 月 20 日亚特兰大一辆空车停在积水中；此前 5 月初已召回约 3,800 辆。官方称"预计很快恢复"。✅ 多源已证实 来源：TechCrunch、Bloomberg、Jalopnik

特斯拉：Robotaxi 推迟至 10 月，二季度净利同比下滑，FSD 更名 · autonomy

据报道特斯拉二季度净利润同比大幅下滑、Robotaxi 发布推迟至 10 月；FSD 在国内正式更名、不再使用"自动驾驶"表述（售价仍 6.4 万元）；Model Y 成首款通过美国新版 ADAS 安全测试的车型。马斯克另称正推进 SpaceX IPO、自动驾驶今年将更广泛部署。多为企业/媒体口径，部分财务数字待财报核对。⚠️ 部分为媒体口径/企业表态 来源：证券时报、搜狐网、财联社

英伟达生态联动：携手 Uber 推 Robotaxi、与川崎共建硅谷机器人中心 · adjacent / autonomy

英伟达与 Uber 的 Robotaxi 合作被市场视为其自动驾驶版图重要落子；据 Nikkei，川崎重工与英伟达计划共建硅谷机器人研发中心；黄仁勋重申人形机器人与自动驾驶将驱动下一波 AI 浪潮。结合其创纪录季度业绩与大额分红，英伟达正把"物理 AI"叙事进一步资本化。⚠️ 合作细节以双方/Nikkei 披露为准 来源：Yahoo Finance、MSN/Nikkei

Sortera 用 physical AI 使田纳西分拣厂产能翻倍 · industrial

据 The Robot Report，废料/回收分拣公司 Sortera 借 physical AI 把其田纳西州分拣设施的处理能力提升一倍，是"具身/物理 AI 在工业现场带来可量化产能提升"的一个落地案例。bucket：industrial。相较人形演示，这类工业分拣的产能数字更接近真实生产力信号。来源：The Robot Report

FutureX · 记录未来如何发生

素材来源多方媒体/网络新闻