今日具身智能呈现实证与分化：至简动力在 IROS 2026 展示 0.5mm 间隙下机器人自主操作双 CNC，用 600 条真实轨迹达到 100% 成功率；Robo-COP 让 VLA 在部署中自进化，真实任务成功率升至 50%；本溯智能获五源资本领投押注动作原生模型。但 MIT Technology Review 提醒，机器人 AI 距日常生活仍远。
今日具身智能出现两条线索。一条是制造现场实证：至简动力在 IROS 2026 用 600 条真实轨迹训练，让机器人在 0.5 毫米间隙下自主照看两台 CNC，完成「机器人造机器人」。另一条是学习机制改进：Robo-COP 让 VLA 策略在部署中自我进化，真实任务成功率从 38.3% 提升至 50.0%。
但另一面是资本退潮与现实差距。本溯智能获 五源资本领投，押注动作原生具身模型；MIT Technology Review 则提醒，通用操控演示多停留在实验室，成本、数据与泛化仍是规模化障碍。行业进入验证期。
在 IROS 2026，至简动力展示了机器人自主照看两台 CNC 机床，完成工件抓取、上料、插入、取出与放置，间隙仅 0.5 毫米。仅用 600 条真实轨迹训练，采用 SimpleWAM 世界动作模型、DRAM 长时序记忆和 DPE 动作评估器，达到 100% 任务成功率。这验证了世界动作模型在精密制造场景的可行性。
Robo-COP 让 VLM 编排器与 VLA 策略在部署中共同进化：从自身执行中筛选技能演示，仅针对反复失败微调，且新策略验证提升后才采纳。在模拟 RoboLab 中保留成功率从 64.8% 升至 73.8%，真实任务从 38.3% 升至 50.0%。部署成为数据飞轮，但真实成功率仍较低。
本溯智能获 五源资本 领投，由清华 AIR 首届博士李健雄（本溯智能创始人）创立，押注动作原生 In-Context 具身基础模型。公司认为以语言为中心的 VLA 在精细操作和跨场景泛化上存在局限，提出 X-VLA 跨具身模型与 ODEWorld 隐空间世界模型，让机器人在新场景通过少量人类示范和自主尝试快速适应。
仅用 600 条真实轨迹训练，采用 SimpleWAM 世界动作模型、DRAM 长时序记忆和 DPE 动作评估器，达到 100% 任务成功率。
研究员注:💭 研究员二次解读：真实精密制造场景的零样本泛化仍有待检验，但这一数据效率表明世界模型与记忆结构对减少真机样本需求有实际价值。
提出 Robo-COP 框架，使 VLM 编排器与 VLA 策略在部署中共同进化,通过从自身执行中筛选技能演示，仅在数据能解决反复失败时微调策略，且新策略经验证提升后才被采纳。
研究员注:💭 研究员二次解读：该方法针对 VLA 部署后的性能衰减提出闭环机制，但多任务并发进化可能面临策略冲突与模型漂移风险。