如果你在机器人领域听说过一个名字,那很可能就是波士顿动力。多年来,这家公司发明的机器人视频在全世界的观众中引发了好奇、兴奋,有时甚至是恐惧。
在CES 2026上,该公司发布了Atlas的最新版本,这是一款通用人形机器人。新的Atlas原型机在现代汽车CES媒体活动上走上舞台,步态轻快且极其像人类。它转了一圈,然后戏剧性地揭开了最终Atlas产品静态版本的面纱,该产品将很快投入生产并承担自己的制造工作。
过去十年中,我们见证了Atlas从一个笨拙的金属机器人演变成今天我们看到的流线型人形机器人。这标志着它发展历程中一个令人兴奋但又令人不安的时刻。
新改进的Atlas旨在成为一个勤劳而强大的工作者,能够导航复杂环境,执行重复性任务,并通过人工智能不断学习,使其能够适应新角色。在物理方面,它具有56个自由度,配备完全旋转的关节,以及能够进行触觉感知的人类尺度手部,用于材料排序、装配和机器维护。
它将工作的第一个地点是位于佐治亚州萨凡纳的制造工厂,该工厂由波士顿动力的母公司现代汽车集团拥有。这是现代汽车全球产品组合中一系列设施之一,Atlas将能够在这些设施中执行现实世界的现场任务。
Atlas副总裁兼总经理扎卡里·雅科夫斯基在现代汽车新闻发布会上说:"我整个职业生涯都在设计、建造和编程机器人,我从未像现在这样对接下来的发展感到兴奋。我们正处于变革性转变的边缘,其影响力将与智能手机一样重大。"
现代汽车在展会上公布的机器人战略的核心是它所看到的人类与协作机器人之间的未来伙伴关系。尽管许多人对Atlas的想法表示担忧,但这个升级版机器人是该战略的关键部分。在新闻稿中,该公司表示预计人形机器人将成为未来物理AI领域中最大的细分市场。
现代汽车机器人战略的另一个关键要素是与AI领域的其他领导者合作。周一在CES上,该公司表示将与谷歌DeepMind密切合作。对该公司来说,这有点像一个完整的循环时刻,因为谷歌此前在2013年至2017年间拥有波士顿动力。
这种合作将看到谷歌的AI模型(包括Gemini Robotics)与波士顿动力整合。过去几年AI的快速发展正在加速机器人开发,谷歌DeepMind和波士顿动力之间的合作伙伴关系体现了行业中一些人所说的物理AI的增长。
DeepMind机器人高级总监卡罗莱娜·帕拉达说:"我们很兴奋开始与波士顿动力团队合作,探索他们新的Atlas机器人的可能性,同时我们开发新模型来扩大机器人技术的影响,并安全高效地规模化机器人。"
Q&A
Q1:新版Atlas机器人有什么特殊能力?
A:新版Atlas具有56个自由度,配备完全旋转的关节和具有触觉感知功能的人类尺度手部。它能够导航复杂环境,执行重复性任务,通过人工智能不断学习以适应新角色,可进行材料排序、装配和机器维护等工作。
Q2:Atlas机器人将在哪里开始工作?
A:Atlas将首先在位于佐治亚州萨凡纳的制造工厂工作,该工厂由波士顿动力的母公司现代汽车集团拥有。这是现代汽车全球产品组合中的设施之一,Atlas将在这些地方执行现实世界的制造任务。
Q3:波士顿动力与谷歌的合作有什么意义?
A:波士顿动力将与谷歌DeepMind合作,整合谷歌的AI模型包括Gemini Robotics。这种合作体现了物理AI的发展,利用AI的快速进步来加速机器人开发,目标是安全高效地规模化机器人技术。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。