今日机器人学习活跃：ABot-M0提出动作流形VLA，新基准覆盖多任务多形态；NVIDIA以Microduck演示仿真训练；辉羲智能融资25亿转轨具身智能。算法、平台与资本多线并进，显示具身智能从研究走向产业化。
今日主线是具身智能技术栈的加速分化与闭环。ABot-M0 VLA基础模型采用动作流形学习，将高维动作映射到低维流形，提升操控策略学习效率；NVIDIA在GTC Berlin由黄仁勋（NVIDIA CEO）展示四台Microduck机器人，配合仿真训练流程，突显 sim-to-real 从实验室走向舞台。评测端，多模态智能体基准覆盖多样任务与形态，为系统比较提供标尺。
产业侧信号同样明确：辉羲智能年内累计融资25亿元，业务从智能驾驶转向具身智能；央视报道「具身智能机器人应用技术员」给机器人当老师，反映技能培训需求。这些动向共同指向：模型、工具与人才正在形成新的分工。
ABot-M0是面向机器人操控的VLA基础模型，创新采用动作流形学习方法，将高维动作空间映射到低维流形，以提升策略学习效率与泛化能力。该工作发布在alphaXiv，面向复杂操作任务，强调动作表示优化。技术解读：动作流形可减少探索维度，是具身智能基础模型的一种新路径。
NVIDIA开发者博客以Microduck四足机器人为例，展示用AI智能体在仿真中训练行走。流程包括资产与环境创建、物理仿真交互建模、策略训练与评估；机器人需感知周边、维持平衡并动态调整动作。仿真训练可降低硬件试错成本，是sim-to-real的重要环节。
辉羲智能年内累计完成25亿元融资，业务重心从智能驾驶转向具身智能。该动向反映主机厂及自动驾驶技术积累向机器人领域迁移的趋势，也体现资本对具身智能赛道的持续关注。技术解读：智驾与机器人操控共享感知与规划栈，转轨具备一定技术复用性。
ABot-M0是用于机器人操作的VLA基础模型，创新性采用动作流形学习方法。该模型将高维动作空间映射到低维流形，以提升操控策略学习的高效性与泛化能力。
研究员注:💭 动作流形学习试图降低动作空间维度，若在真实任务中验证有效，可能成为VLA模型泛化的关键突破。