Boston Dynamics换上AI背景CEO，Atlas之后真正的竞争转向Physical
Boston Dynamics宣布任命曾负责Amazon Alexa和AGI业务的Rohit Prasad为新CEO，自10月7日起生效。Prasad长期从事语音AI、生成式AI、多模态AI和AGI研发及产品化，此次从Amazon转向机器人领域，释放出明显信号：Boston Dynamics希望进一步把自身的运动控制能力与基础模型、感知和推理能力结合起来。过去Atlas最令人印象深刻的是机械运动能力，而下一阶段的关键将是机器人能否理解环境、自主规划并执行复杂任务。 ([Boston Dynamics][14])
Doosan拿下两项Physical AI项目，韩国开始把机器人从设备变成AI平
韩国Doosan Robotics获得两项政府支持的Physical AI研发项目，总研发预算约989亿韩元，接近7400万美元。项目重点并非传统工业机器人重复执行固定动作，而是让机器人具备更强的环境理解、任务判断和自主操作能力。韩国正在把Physical AI视为下一代制造业基础技术，并通过机器人企业、AI企业和制造企业协同推进。对于Doosan而言，这也意味着业务重点正在从传统协作机器人进一步向AI驱动的智能制造系统扩展。机器人产业的竞争焦点正在由机械本体逐渐转向“本体+模型+数据+工业场景”。 ([AI Insider][15])
SiMa.ai与Wobot.ai合作，边缘AI开始从“看见”走向“理解并给建议
SiMa.ai与Wobot.ai合作，将后者基于推理能力的视频分析系统部署到SiMa.ai的Physical AI平台，包括Modalix PCIe卡和System-on-Module。传统机器视觉往往只能识别“有人”“有车”或“发生某个动作”，而新一代视频Agent希望进一步理解事件背景，并给出与生产效率、安全和运营指标相关的判断。把这类模型放到本地边缘设备，还可以减少视频上传云端带来的延迟、成本和隐私问题。AI视觉正在从识别工具向现场决策系统演变。 ([SiMa AI][16])
Tulip把AI Agent搬进工厂，工业软件开始直接连接机器和人
工业软件公司Tulip在Operations Calling 2026推出多项AI能力，包括Frontline Agent、工业连接、Factory Playback以及新的验证工具。其目标不是让企业员工单独使用聊天机器人，而是让Agent直接面对生产线上的机器数据、视觉数据和操作员数据，在统一治理框架下执行任务。一个值得注意的变化是，AI的“推理过程”和人的最终决策可以被记录下来，从而形成可追溯的生产数据。AI进入工厂之后，真正的价值正在从自动生成文本转向参与生产流程本身。 ([Tulip][17])
Multiply Labs融资7500万美元，机器人开始进入最难自动化的药物生
美国机器人公司Multiply Labs完成7500万美元B轮融资，累计融资超过1亿美元，主要用于扩大复杂药物生产自动化。其机器人系统面向基因疗法、mRNA等生产流程，这些制造过程目前仍大量依赖人工操作，成本高、速度慢，而且容易受到人为误差影响。公司正在尝试通过机械臂、耗材系统和自动化生产单元，把原本高度人工化的药物制造变成可重复的机器人流程。与仓储机器人相比，这类场景对精度、洁净度和流程可靠性的要求更高，也是Physical AI商业化更有价值但难度更大的方向。 ([Business Insider][18])
日本卫星运营商开始用AI辅助“调轨”，AI正进入航天基础设施
日本SKY Perfect JSAT与东京大学松尾研究室孵化的AI公司EQUES完成卫星AI运营PoC，重点测试AI辅助地球同步轨道卫星的定轨和机动决策。系统利用历史运行数据和积累的专家经验，为操作人员提供相关信息，并根据物理规律预测卫星机动后的轨道变化、生成候选操作方案，但最终决策仍由人工完成。这种方式与普通生成式AI不同，系统必须同时满足物理约束、可靠性和可解释性。卫星数量增加后，AI可能成为地面运营体系的重要自动化工具。 ([スカパーJSAT][19])
GMO在东京开设大型人形机器人研发基地，日本开始补Physical AI产业
GMO互联网集团10月6日全面开放位于东京涩谷的GMO Humanoid Lab，整体面积约382坪，集成Unitree等人形机器人和研发设备，并由GMO集团、GMO AIR和GMO Various Robotics共同开展研究。除了机器人本体，GMO还在此前推出面向Physical AI的安全服务、现场数据回流和专用维修车辆，试图覆盖机器人部署之后的安全、模型迭代和维护环节。相比单纯销售机器人，这套布局更接近完整的机器人基础设施服务，日本企业正在尝试从“买机器人”走向“运营机器人”。 ([ヒューマノイドをすべての人へ｜GMO AI&ロボティクス商事（AIR）][20])
特斯拉削减AI5、AI6内存，Optimus开始与AI数据中心抢资源
马斯克10月2日透露，为了给Optimus人形机器人量产预留足够的内存资源，特斯拉将削减下一代AI5、AI6芯片的内存配置：AI5从原计划144GB降至72GB LPDDR5，AI6从216GB降至144GB LPDDR6。马斯克认为内存带宽而不是容量更可能成为性能瓶颈，因此对机器人实际性能影响有限。这件事背后的产业信号更值得关注：人形机器人正在成为DRAM、NAND等存储产业的新需求方，并开始与AI服务器争夺有限的内存产能。
英伟达推出64GB版DGX Spark，AI算力开始进一步下沉到桌面
英伟达正式推出64GB版本DGX Spark，售价4999美元，10月23日上市，并将通过宏碁、戴尔、华硕、技嘉、微星、H3C等OEM厂商推出相关产品。新机继续采用GB10 Grace Blackwell超级芯片和统一内存架构，64GB内存中约56GB可供模型权重和KV Cache使用，可运行Gemma 4、Qwen等中大型模型。值得注意的是，原128GB版本价格同步上涨至6950美元，反映出当前AI设备市场一个现实变化：内存已经成为影响本地AI产品定价的重要变量。
Volantis融资8800万美元，用光连接GPU和内存
美国芯片创业公司Volantis完成8800万美元A轮融资，核心目标不是再造一颗更大的GPU，而是解决AI芯片内部越来越突出的“内存墙”。公司计划利用VCSEL垂直腔面发射激光，把计算芯片与大量内存之间的数据传输从传统电连接转向光连接，并宣称未来单颗GPU周围最多可连接220颗内存芯片。公司希望2027年推出首批产品。随着AI模型规模持续扩大，计算能力本身已经不再是唯一瓶颈，内存带宽、互连和封装正在成为新的技术战场。
OpenAI与Synopsys合作开发芯片设计专用模型，AI开始真正操作EDA
OpenAI与EDA巨头Synopsys宣布建立多年战略合作，共同开发面向半导体设计的专业模型GPT-Synopsys。与普通AI辅助编程不同，该模型将直接与Synopsys EDA工具结合，理解工具输出并持续进行设计优化，目标覆盖功耗、性能、面积、时序收敛和验证等芯片工程流程。过去AI更多承担“给工程师建议”的角色，而这一合作开始尝试让AI直接操作专业设计工具、执行复杂工程任务。如果落地，芯片设计可能成为Agent最早深入工业软件核心流程的领域之一。
韩国开发机器人AI专用芯片，LPDDR6和Chiplet一起进入机器人
韩国半导体设计公司SEMIFIVE与Mobilint签署机器人AI芯片开发合同，项目属于韩国“K-On-Device AI Semiconductor”计划，目标是为农业机械等户外机器人提供本地AI计算能力。芯片计划集成LPDDR6、PCIe Gen6和UCIe-S，并由SEMIFIVE负责从详细设计、封装、测试到量产导入。相比依赖云端或外部服务器，这种架构更强调机器人本地完成视觉、传感器和决策处理。机器人芯片由通用SoC向专用ASIC、Chiplet和高带宽内存融合发展的趋势正在加速。
波士顿动力Atlas换上13自由度新手，人形机器人开始攻克精细操作
Boston Dynamics公布Atlas新一代机器人手部结构，由此前三指七自由度升级为四指13自由度，官方展示中Atlas能够拿起钻头、装入电钻、拧紧螺母，并完成高精度物体操作。新手不仅增加自由度，还加入更丰富的触觉感知能力，目标明显指向工业装配和工具操作。相比早期人形机器人主要展示行走、跑跳等运动能力，这次升级把竞争焦点进一步推向“手”的灵巧性。未来机器人能否进入真实生产线，很大程度取决于这种末端执行能力。
Agility为Digit 5增加机外安全系统，人形机器人开始接入工厂安全基
Agility Robotics与FORT Robotics达成合作，为下一代Digit 5开发新的机外安全接口。双方过去已经围绕机器人安全系统合作，此次进一步形成由安全控制器、机器人内部通信以及机器人外部接口组成的三层安全架构，使Digit不仅依赖自身传感器判断风险，还能够与工厂现有安全设施进行联动。这个变化非常关键：当人形机器人真正进入工厂后，安全问题就不再只是机器人本身的算法问题，而会涉及产线、人员、区域控制和整个工业安全体系。
蚂蚁Robbyant推出LingBot-VA 2.0，机器人模型实现150Hz闭环控制
蚂蚁旗下机器人公司Robbyant发布LingBot-VA 2.0，重点解决视觉语言动作模型在真实机器人控制中响应速度不足的问题。该模型采用混合专家架构和因果预训练，在单GPU条件下实现最高150Hz闭环控制，并可以通过约20次视觉示范快速适应新的机器人任务。传统VLA模型虽然能够理解图像、语言和动作，但推理频率往往限制机器人运动的流畅度。LingBot-VA 2.0把重点放在低延迟控制上，意味着机器人基础模型正在从“理解任务”向“实时操控”推进。
Runway推出Praxis-1，视频生成模型开始转向机器人世界模型
视频生成公司Runway公布Praxis-1，这是其首个开放权重的World Action Model，目标并不是生成视频，而是利用此前大规模视频训练形成的世界理解能力，直接学习机器人如何在真实环境中执行任务。Runway表示，机器人训练最大的瓶颈之一是真实世界数据昂贵且稀缺，而视频数据几乎无限，因此希望通过视频和世界模型为机器人提供更大规模的训练数据。公司还称其仿真机器人策略与真实世界结果具有较高相关性，这条路线值得关注，因为它可能降低机器人获取训练数据的成本。
DoorDash自己造无人机，外卖平台开始把“最后十米”当成技术核心
DoorDash公布自研无人机配送系统DoorDash Air，并计划在美国北加州启动试点，与Chipotle、Popeyes等餐饮品牌合作。与传统无人机企业先造飞机、再寻找配送场景不同，DoorDash的研发顺序反过来：先解决餐厅厨房取货、包装、装载、无人机接驳以及消费者收货等环节，再围绕实际订单需求设计飞机。公司认为约80%的典型餐饮订单符合无人机配送的重量和尺寸条件。无人配送正在从单纯的飞行器竞争，转向完整物流基础设施竞争。
Dyna展示Taku洗衣机器人，从单个动作转向完整工作流
美国机器人公司Dyna Robotics展示Taku机器人完成从洗衣机取出衣物、整理并放到货架上的完整流程，演示持续约一小时，机器人通过轮式底盘和双机械臂完成多个连续动作。与过去机器人只展示抓取、搬运等单点能力相比，Taku更强调从一个工作站跨越多个环节完成完整任务。对于酒店、洗衣房等劳动密集型场景，这种“工作流自动化”比单项技能更接近真实商业需求。人形或半人形机器人下一阶段的竞争，也可能从动作数量转向每小时到底能替代多少人工。
MIT造出纸片大小的“肌肉机器人”，生物材料开始进入微型机器人
MIT研究人员开发了一种由活体肌肉细胞驱动的超薄水下机器人，整体尺寸接近口香糖大小，主体由凝胶薄膜构成，两侧覆盖经过基因改造的肌肉细胞。当研究人员用蓝光照射不同区域时，肌肉会收缩并推动机器人前进，机器人能够在培养皿中的水下环境完成路径运动。相比传统电机和电池，这种生物混合结构在微型化方面具有潜力。虽然目前仍属于实验室阶段，但它展示了机器人硬件与生物组织融合的另一条技术路线。
AWS推出Well-Architected Agent，云运维开始从“分析”走向自动修
AWS开放Well-Architected Agent预览版，将AI Agent直接用于云基础设施优化。它能够分析AWS环境，从成本、安全、性能和可靠性等维度给出针对具体业务的建议，同时读取Terraform、CloudFormation和CDK等基础设施代码，并在适用场景下生成可以直接执行的SSM Runbook和CLI脚本。相比传统云架构审计工具定期给报告，这类Agent强调持续分析、自动发现问题和生成修复方案。云计算厂商正在把AI从聊天助手逐步推进到真正能够参与基础设施管理的执行层。
JERA、戴尔和RHAELM在日本建设40万千瓦AI数据中心，电厂开始变成算
日本电力公司JERA与Dell Technologies、RHAELM达成合作，计划在千叶火力发电站附近建设最高40万千瓦规模的AI数据中心，预计2028年开始分阶段运营。项目总投资预计超过150亿美元，并计划把发电、电力基础设施、冷却系统和AI计算平台进行标准化整合。JERA希望利用既有发电能力直接向AI数据中心供电，从而减少传统数据中心等待电网接入的时间。这意味着AI基础设施竞争正在从GPU和服务器进一步向电力、土地、冷却和数据中心建设能力延伸。
Anthropic获Broadcom最高420亿美元融资支持，AI公司和芯片商开始深
Anthropic提交的IPO文件披露，Broadcom同意向其提供最高420亿美元融资，用于支持Anthropic租赁和部署TPU等AI计算基础设施。这笔安排覆盖Anthropic未来五年约1252亿美元的计算基础设施承诺，相当于AI模型公司开始直接与芯片设计、设备租赁和融资体系绑定。Broadcom不仅提供芯片相关能力，还通过融资帮助客户扩大算力采购，形成类似“芯片+资本”的新商业模式。AI产业的竞争因此越来越不像传统软件行业，而更接近一场长期资本密集型基础设施建设。
微软重新定义Copilot，企业AI开始从助手变成“工作操作系统”
微软正在重新设计Copilot，并将其定位进一步推向企业工作的核心入口。新Copilot将代码开发、AI Agent工具和Office完整工作流整合到同一个环境中，目标是让用户不再分别打开Word、Excel、代码工具和各种AI服务，而是在Copilot中直接完成任务。微软内部正在强化企业版设计，同时重点处理Agent自主操作带来的安全、权限和控制问题。这个变化说明AI助手正在从“帮我写一段内容”进入“替我完成一整套工作流程”，企业软件入口可能因此发生变化。
苹果修改macOS磁盘权限，AI Agent开始逼迫操作系统重做安全边界
苹果调整macOS Full Disk Access权限机制，以减少第三方应用滥用系统级权限读取用户信息的风险。此次调整发生在Meta的Muse AI Agent被曝能够读取Apple Messages相关内容之后。过去，用户授予一个应用访问文件、邮件或消息的权限，通常对应的是一个相对固定的软件行为；但Agent出现后，一个获得权限的AI可能进一步调用其他工具、读取更多数据并持续执行任务，因此传统权限体系开始面临新的挑战。AI Agent真正进入电脑操作层后，操作系统可能需要重新定义“应用能做什么”。
Olmo-core 3开源训练栈升级，AI模型竞争开始转向“数据搬运效率”
Allen Institute for AI推出Olmo-core 3，重点解决MoE模型规模扩大后出现的数据移动和通信效率问题。MoE虽然能够让超大模型只激活部分专家，从而降低单次推理和训练计算量，但专家分布、Token路由、GPU之间通信以及负载均衡都会带来新的系统开销。Olmo-core 3尝试让专家常驻GPU，并结合多种并行方式提升训练效率，同时把这些系统层面的权衡更加透明地暴露出来。AI基础模型继续扩张后，真正决定效率的已经不只是模型结构，也包括底层系统如何移动数据。