AI 走進物理世界：人形機器人、具身基礎模型與真實環境操作能力的進展追蹤。
Google DeepMind 發佈 Gemini Robotics 2 系列模型，為機械人帶來全身控制、靈巧操作及多機協作能力。系列包括將視覺與語言輸入轉為動作控制的 Gemini Robotics 2、用於具身推理與多步任務規劃的 Gemini Robotics ER 2，以及可在機械人裝置本地運行的 Gemini Robotics On-Device 2。
推薦理由：全身控制、靈巧操作、多機協作與本地適配均有具體案例，呈現 Gemini Robotics 2 系列面向機械人任務的能力佈局。
Pollen Robotics 發佈開源、低成本的 Grabette 手持式系統，可記錄人工操作示範並轉成機械人訓練數據集。裝置配備兩部攝影機，瀏覽器處理流程透過 RTAB-MAP 執行 SLAM，並輸出 LeRobot 格式數據；Grabette 的物料清單成本約 490€。
推薦理由：Grabette 把手持式示範、SLAM 軌跡處理與 LeRobot 數據集串成採集流程，並以 200 段示範呈現訓練及機械臂評估的端到端用法。
LeRobot v0.6.0 新增世界模型策略、統一六項模擬基準的 lerobot-eval，以及用於部署和收集人工修正資料的 lerobot-rollout CLI。
推薦理由：版本把策略部署、人工接管修正與資料回訓串成可重複流程，並以統一 CLI 整合六項模擬基準，呈現機械人學習由實作到評估的工作流。
LeRobot 團隊發佈 v0.5.0，擴展機械人硬件、策略模型、資料集處理及模擬環境支援。版本加入 Unitree G1 人形機械人完整支援（包括全身控制）、Pi0-FAST 自回歸 VLA 及 Real-Time Chunking，並新增 EnvHub 以從 Hugging Face Hub 載入模擬環境，亦整合 NVIDIA IsaacLab-Arena。
推薦理由：版本把人形機械人控制、即時推理、模擬環境和資料提速納入同次更新，呈現 LeRobot 從硬件接入至訓練工具鏈的擴展範圍。
LeRobot 發佈 v0.4.0，加入 Datasets v3.0、VLA 模型 PI0 和 PI0.5、GR00T N1.5，以及硬件插件系統。Datasets v3.0 採用分塊 episode 格式並支援串流，可處理 OXE 級（> 400GB）資料集。
推薦理由：資料集規模化、模擬評測、多 GPU 訓練和硬件插件同時更新，勾勒出 LeRobot 從資料處理到機械人控制的工具鏈演進。
Pollen Robotics 與 Hugging Face 推出 Reachy Mini，一款面向人機互動、創意編程與 AI 實驗的開源桌面機械人，售價由 $399 起。
推薦理由：Reachy Mini Lite 與 Compute 版分別售 $399 和 $499，連線及供電配置不同，規格表可供對照入門成本與功能取捨。
Hugging Face 發佈 SmolVLA，一款 450M 開源 Vision-Language-Action（VLA）機械人模型，以 LeRobot 社羣數據預訓練，可在消費級硬件上運行。
推薦理由：文中比較社羣數據預訓練前後的成功率，以及同步與非同步推理的完成時間和吞吐量，呈現數據與推理架構各自帶來的變化。
Hugging Face 收購 Pollen Robotics，並開始銷售其開源人形機械人 Reachy 2。Reachy 2 可透過 sales@pollen-robotics.com 電郵訂購，價格為 $70,000，適用於研究、教育和具身 AI 實驗，並兼容 VR。
推薦理由：這宗收購把 Hugging Face 的 LeRobot 開源機械人項目與 Pollen Robotics 的硬件團隊納入同一組織，呈現其軟硬件佈局。
NVIDIA 在 GTC 2025 發佈 Cosmos Transfer、Physical AI Dataset 和 NVIDIA Isaac GR00T N1 三項 Physical AI 開源資源。
推薦理由：三項資源分別涵蓋可控合成場景、機械人訓練數據與人形機械人推理及技能，呈現 Physical AI 開發中生成、訓練和執行能力的不同分工。
OpenAI 訓練兩個神經網絡，讓仿人機械手解開魔方。網絡完全在模擬環境中訓練，使用與 OpenAI Five 相同的強化學習程式碼，並結合新技術 Automatic Domain Randomization（ADR）。系統能應對訓練中未曾遇到的情況，例如被毛絨長頸鹿玩偶戳碰；OpenAI 指出，這展示了強化學習可用於需要前所未有靈巧度的現實世界問題。
推薦理由：這項工作以全程模擬訓練的兩個神經網絡讓仿人機械手解魔方，並用 ADR 應對訓練中未見情況，呈現強化學習應用於實體操作的方法。