AI coding 赛道今日焦点是「编码智能体接入开发工具链」：Google 与 Slack 同日（10/28）开放 Agent 接入口，让智能体从聊天窗口走进真实的构建、测试与协作流程。具身智能方向，全国首批分级标准与港大评测榜单相继落地，行业从「讲能力」进入「可度量」阶段；开源侧 LeRobot 突破 2 万星，把 VLA 数据管线的入场门槛又压低了一档。

Google 开放 Android Studio：40 余款编码智能体接入开发全流程

Google 在 10 月 28 日 Android Dev Summit 上发布稳定版 Android Studio Rabbit 2，通过 Agent Client Protocol（ACP，一个连接 AI 编码智能体与代码编辑器的开放标准）向 40 余款第三方智能体开放，包括 Anthropic Claude Agent、OpenAI Codex 与 Google Antigravity。接入后的智能体不再局限于聊天面板：它可以查看项目结构、构建应用、启动 Android 模拟器、读取 Logcat 运行日志——也就是说，智能体第一次拿到了「检查自己工作」的手段，而不只是生成代码。新功能 Change Review 能扫描待提交的改动、标记潜在 Bug 并逐步解释变更内容；配套的 Android 命令行工具还支持终端智能体直接渲染 Compose 界面预览。Google 称内部测试中界面任务提速 77%、Token 消耗最多降至三分之一，但该数据为公司自报，并非独立基准。

值得关注：本博多次提过「AI coding 的瓶颈正从生成转向验证」，Google 这次把模拟器、日志、代码审查这些验证工具直接交到智能体手里，等于补上了闭环里最缺的一环。如果 ACP 成为事实标准，编码智能体的竞争焦点将从「谁更能写代码」转向「谁更会用工具自证正确」——这也是 Claude Code、Codex 这类终端型智能体此前一直在手工搭建的能力，如今被平台标准化了。

来源：https://superpowerdaily.com/posts/google-opens-android-studio-to-more-than-40-coding-agents-including-claude-and-codex

Slack Code API 正式开放：编码智能体获得共享作业频道

Slack 于 10 月 28 日正式开放 Code API，全量付费方案可用。开发者可以让自建编码智能体在接到超出「一句话能答」的任务时，创建一个共享的 code channel（代码频道），把任务上下文、执行过程与产出集中在一处；团队成员可进入频道查看进度、补充信息、纠正方向、审查改动，界面内置代码 diff、HTML 预览与智能体思考步骤视图。权限沿用频道现有的管理与合规体系，不需要另建访问系统。Slack 披露已有超过 150 家客户与合作伙伴提出接入需求；GitHub Copilot 智能体会话中有 30% 会打开代码频道——注意该比例仅统计 Copilot，不代表所有智能体。

值得关注：这标志着「多人监督智能体干活」的组织界面开始产品化——此前智能体的执行过程困在一对一的私聊窗口里，团队无法插手。把执行过程搬进频道，本质上是给智能体协作加上了「组织记忆」与「可审计」两个属性。缺口也很明确：GitHub 评审与合并工作流尚未上线，代码频道目前只能「看」，还不能闭环到 PR 合并。

来源：https://superpowerdaily.com/posts/slack-opens-shared-coding-channels-to-custom-ai-agents-with-a-new-api

全国首批人形机器人具身智能分级标准发布：L1-L4 与 G1-G5

10 月 28 日，国家地方共建人形机器人创新中心联合智元、傅利叶、开普勒等 50 余家头部企业与科研院所，在上海发布全国首批人形机器人具身智能标准。《人形机器人分类分级应用指南》按具身智能、下肢运动、上肢作业、应用环境四个要素，将人形机器人划分为 L1-L4 四个技术等级；《具身智能智能化等级分级指南》按感知、认知、决策、自主四项核心能力，将智能化水平划分为 G1-G5 五个阶段。现场还发起首个具身智能语料数据生态倡议，并签订语料运营合作意向书。这是继首批六项人形机器人国家标准获批（2027 年 4 月 1 日起实施）之后，行业标准体系在「分级度量」维度上的关键补位。

值得关注：对数据侧尤其重要的是「语料数据生态倡议」——具身智能语料的确权、流通与运营，开始有了官方背书的组织形式，这与此前工信部数据集质量标准（11 月 1 日实施）形成呼应。当「智能化程度」第一次可以被分级打分，营销叙事与真实能力的差距将无所遁形：对踏实做模型与数据的公司是利好，对靠 Demo 讲故事的公司是压力测试。

来源：http://mp.weixin.qq.com/s?__biz=Mzk0MjQxMDY1Mg==&mid=2247504963&idx=1&sn=0e7fa9dc750a7267f2c608c80170c169&chksm=c32271f6be2059af95e61d234ea790111a527a3877c6ec0b35311cce0fb1b005d9a574cdc03d#rd

智元 GO-3 Nano 登顶 RoboDojo 仿真榜，GO-3 正式版今日发布

10 月 27 日，香港大学主导的机器人操作评测基准 RoboDojo 披露最新仿真榜单：智元（AGIBOT）尚未正式发布的 GO-3 Nano Preview 以 61.90 分平均成绩、56.42% 平均成功率登顶，超过 OpenAI 的 GPT-6 Astra（通用多模态大模型，此前被认为可直接充当机器人「大脑」），并在精细操作（78.65 分）、长程执行（68.21 分）、开放语义理解（61.71 分）三个细分维度均列第一。GO-3 正式版将在今天（10 月 29 日）的智元 AI Day 上发布。榜单背后是路线之争：宇树王兴兴此前展示机器人零训练接入 GPT-6 即可绘画、下棋；而银河通用团队的多任务评估发现，Astra 在复杂接触、灵巧操作与高动态运动中仍有明显局限。

值得关注：两点需要并排看。其一，这是具身专用模型（VLA，Vision-Language-Action，视觉-语言-动作模型）对通用大模型的一次公开「卡位」，说明专用路线在操作类任务上仍有护城河，但一张仿真榜单不等于真机能力，也不能证明哪条路线已赢。其二，评测榜、分级标准在同一周密集出现，具身智能行业正补上从「讲能力」到「可验证」的关键一课——2027 年交付大考的准考证，正在这一周陆续发放。

来源：https://www.thepaper.cn/newsDetail_forward_34342173

Hugging Face LeRobot 突破 2 万星：VLA 训练管线与数据格式走向标准化

Hugging Face 旗下的开源机器人操作框架 LeRobot（面向低成本机械臂的视觉-语言-动作学习项目）GitHub Star 数突破 2 万，最新版本加入了端到端 VLA 训练管线：遥操作示范数据采集工具、SmolVLA 级策略的微调配方、以及基于 MuJoCo 的仿真到真机迁移测试框架。项目明确面向 500 美元以下的硬件（如 SO-100/SO-101 开源机械臂），社区贡献者补充了标准化数据格式并兼容 Hugging Face Hub，让操作数据集可以像模型权重一样被分享和复用。目前已有多个高校实验室和至少两家商业初创将其作为基线技术栈。

值得关注：真正重要的不是模型本身，而是数据格式的标准化。操作学习长期被数据碎片化困住——每个实验室自采的示范数据格式互不兼容，迁移学习几乎无从谈起；LeRobot 的 episode 格式（多相机同步帧、关节状态、动作块）正在复制 LLM 微调可复现化的路径。一个类比广为流传：ROS 标准化了机器人通信，LeRobot 标准化了机器人学习。对「数据基础设施层」的从业者而言，这意味着采集与训练的中间件正在被开源商品化，差异化将加速向数据质量、治理与评估集中——低质量数据集泛滥反而是下一个风险点。

来源：https://smartotics.com/2026/10/2026-10-26-robotics-daily-2026-10-26.html

今天的重点集中在两条主线：AI coding 侧，Cursor 把自家内部智能体框架开放成 Agent SDK，让提示词、工具与评测变成可评审、可版本化的代码工程；基础设施侧，Cloudflare 披露 GLM-5.3 因 KV 缓存池与上下文窗口错配导致 155 条回复串入其他客户的数据，且全程返回 HTTP 200。具身智能侧则罕见地出现标准、评测、赛事三线并进：两项国家标准化指导性技术文件落地、工信部数据集质量标准将于 11 月 1 日实施、WorldOracle 以「失败案例」为核心考点开放世界模型评测，同时上海千台机器人进真实工位开考。

Cursor 发布 Agent SDK：把智能体写成可评审的代码工程

Cursor 已将其内部使用的智能体框架 Agent SDK 开放为正式可用（GA）。据 Cursor 官方博客，发布帖由 Rustam Lalkaka 署名、日期为 10 月 20 日；Cursor 于 10 月 26 日又通过社交平台重申该发布，另有媒体将时间记为 10 月 26 日或 27 日——三个日期口径并存，本文以官方博客日期为准。在这套框架里，一个智能体就是一个文件夹：instructions.md 是常驻系统提示词，tools/ 下每个 .ts 文件是一个带类型的工具，另有 skills/（按需加载的流程）、mcp-connections/（外部 MCP 服务器工具）、channels/（消息收发渠道）、hooks/、schedules/ 与 evals/。触发方式覆盖 GitHub、GitLab、Bitbucket 的 PR 与 CI 事件、Slack 提及与私信、任意 webhook 以及 cron 定时；CLI 提供 validate、run、eval 三条命令，部署可走 Cursor 托管，也可作为单个 Node 进程或容器自托管。官方称这套 harness 与其自家的 Bugbot、Security Review、Approval Bot、Rollouts 是同一套，但尚未公布定价与基准测试。

值得关注：此前智能体的提示词要么散落在管理后台，要么躺在 .cursorrules、CLAUDE.md 这类 IDE 配置里，改动一行没有任何回归测试兜底。Cursor 的做法把提示词升级为可评审、可版本化、自带测试的工程文件，尤其关键的是 evals 断言的对象是「调用了哪个工具、传了什么参数」，而不是「回答听起来对不对」——这是智能体开发从氛围调试走向可验证工程的分水岭。边界需要注意：Cursor 未公开定价与基准数据，instructions.md 会随每次事件唤醒计费，长提示词的成本在无人值守场景下比在 IDE 里更敏感；自托管路径的运维成本也需自行评估。

来源：Cursor's Agent SDK is GA: your agent is a folder of Markdown and TypeScript ｜ Cursor's Agent SDK Turns AI Agents Into Code Projects You Can Test ｜ AICoder 报道

Cloudflare 披露 GLM-5.3 跨租户泄漏：155 条回复串入他人数据，全部返回 HTTP 200

Cloudflare 于 10 月 26 日发布事故复盘：Workers AI 上托管的 @cf/zai-org/glm-5.3 模型在 8 月 27 日至 9 月 9 日期间，有 155 条回复包含了其他客户的提示词片段与部分生成内容，触发条件是超过 681,280 token 的超长提示词。根因是两层问题叠加：一是配置错配——模型上下文窗口设为 1,048,576 token，而 prefill GPU 上的 KV 缓存池只有 681,280 token 容量；二是开源推理引擎 SGLang 在分离式 prefill/decode 部署下的缺陷，超长请求被标记为 rejected 后替换成一 token 占位符，但准入队列检查的是 finished() 而非「是否被拒」，请求照常放行；decode 节点按原长提示词预留了全部缓存页，prefill 只写入一页，其余页仍残留前序请求的内容，模型注意力读到这些数据并生成进新回复。客户端拿到的是 HTTP 200、看起来完全正常的回复，而且比正常的 8 页 prefill 更快——没有报错、没有告警，最终由安全公司 Knostic 的研究员 Gadi Evron 于 9 月 8 日经 HackerOne 报告。修复包括把 prefill KV 池扩至约 204 万 token（约为上下文长度的两倍）、在 KV 传输前拦下被拒请求的引擎补丁（已上游化为 SGLang PR #38704，官方建议所有运营方升级至 v0.5.22 或更高），以及新增部署前校验缓存池与上下文长度一致性的检查。Cloudflare 称未发现蓄意利用的证据，其他 Workers AI 模型未受影响。

值得关注：这不是模型幻觉，而是共享 GPU 显存页的归属追踪失效，属于基础设施层的多租户隔离失效。对开发者的三条实际启示：不要把密钥、客户记录放进不受控的长提示词；不要把 HTTP 状态码和延迟当作唯一健康检查，必须校验输出内容是否真的与输入相关——Cloudflare 自己也承认，上线前只验证了状态码和性能，没有验证输出连贯性；自托管 SGLang 分离式部署的团队应立即核对 KV 池容量是否覆盖上下文窗口。还有一个更值得警惕的细节：同一缺陷早在 7 月 6 日就以 SGLang issue #30233 被提出，公开挂了两个月，直到生产环境真的泄漏才推动修复。

来源：Cloudflare reports GLM-5.3 on Workers AI leaked other customers' data in 155 responses ｜ Cloudflare GLM-5.3 Leak: 155 Cross-Tenant Responses

Gemini Robotics ER 2 登陆 Google Cloud 公开预览：既是机器人大脑，也是数据裁判

Google Cloud 于 10 月 27 日宣布，具身推理模型 Gemini Robotics Embodied Reasoning 2（ER 2）在 Gemini 平台开放公开预览。该模型今年 7 月 30 日首次面向开发者发布，定位是机器人的「高层大脑」：跨本体工作（从固定机械臂、轮式机器人到四足与人形），开发者可把 VLA 模型、导航 API 等底层控制接口声明为工具供其调用，模型对连续视频流做时空推理，判断每一步是否真的成功，失败时只需重试该步骤而不必重启整个工作流。Google 给出的指标包括：定位关键事件发生帧的准确率 91.3%、平均绝对帧距离 0.96 秒、运行速度为执行速度的 4 倍，可读取 10 类以上仪表读数（圆形表盘、视镜、数字显示、线性刻度、直尺、液体温度计等）。生态表态来自 Boston Dynamics（Spot 的视频巡检产品 AIVI-Learning）、DeepReach、Arm 与新加坡 ASTAR IMRE。定价方面，预览期促销价为每百万输入 token 1 美元（有效期至 2026 年 12 月 31 日），2027 年 1 月 1 日起为 2 美元；预览期仅由 Google 的 global 端点提供服务。

值得关注：真正值得注意的是 ER 2 被同时定位成数据标注工具。Google 明确建议用它的空间指向、时刻定位与进度分类能力，去筛选和打标存放在 Cloud Storage 与 BigQuery 里的演示视频，再去训练自定义 VLA 模型。这意味着同一个模型既做运行时大脑、又做训练数据的裁判——用同一把尺子给仿真数据和真机数据打分，正是缓解 sim-to-real 差距最实用的路径，也让数据管线的自动化程度再上一台阶。边界需要说明：91.3% 等指标来自 Google 自家测试，公告未点名对比模型；生态客户均为厂商引述、没有独立性能数字；预览期仅 global 端点，数据驻留与合规要求需自行确认。

来源：Gemini Robotics Embodied Reasoning 2 is now available on Google Cloud ｜ Google Brings Gemini Robotics ER 2 to Businesses on Google Cloud

具身智能数据侧标准与评测同步落地：两项国标、工信部标准 11 月实施、WorldOracle 开放提交

国家市场监督管理总局与国家标准化管理委员会发布了我国具身智能领域首批两项国家标准化指导性技术文件：GB/Z 220-2026《人工智能 具身智能数据生成平台技术要求》与 GB/Z 218.1-2026《人工智能 具身智能数据质量规范 第 1 部分：真实数据》。位于浦东张江的国家地方共建人形机器人创新中心（国地中心）深度参与了两项标准的研制与验证；GB/Z 220-2026 给出了数据生成平台引擎层、生成层、应用层三层参考框架。日期口径提示：有媒体将 GB/Z 218.1-2026 的发布记为 2026 年 8 月 27 日，与部分报道中「近日发布」的表述并存，本文并列两个口径不做取舍。此外，由工业和信息化部批准、中国信息通信研究院联合 40 余家单位起草的《人工智能关键基础技术具身智能数据集质量要求及评价方法》将于 2026 年 11 月 1 日正式实施。评测侧同步跟进：由智元、NVIDIA 与普林斯顿大学、德克萨斯大学奥斯汀分校、多伦多大学研究者联合打造的世界模型评测平台 WorldOracle 已开放评测提交，它收录 335 条真实操作轨迹，其中约 40% 的交互片段包含失败或次优操作，覆盖 AGIBOT G2 与 YAM 两种本体以及第一人称人手操作，任务包括取水果、挂毛巾、倒水、拉抽屉，分别对应刚体、可变形体、流体与铰接物体；若真实执行失败，模型准确预测出失败即算正确。对 7 个世界模型的测试显示：机械臂动作能较准确复现，但对物体状态的预测偏差显著，长程预测表现明显下降。

值得关注：这几件事指向同一个转折——具身智能的竞争重心正从「谁的本体更炫」转向「谁的数据可验证、可交换、可复现」。标准把数据供给模式推向「少部分真机采集 + 大规模仿真合成生成」，WorldOracle 则把失败案例设为核心考点，逼迫世界模型预测真实物理后果而不是输出一个美化后的成功版本。对数据岗位而言，采集规范、可追溯性、评价可复现正在从软要求变成硬指标；对中小企业，合规数据集有望降低重复采集成本。边界必须说清：标准落地不等于效果落地，标准能否发挥作用，要看企业是否真正采用、数据评价能否落到具体项目、机器人在真实产线的表现有没有改善——11 月 1 日是观察节点，不是问题解决的信号。

来源：服务、标准、科研协同发力！浦东人形机器人产业生态加速迈向体系化 ｜ WorldOracle Tests Whether World Models Can Reliably Predict Real-World Executions ｜ 工信部发布具身智能数据集质量标准 2026年11月1日实施

上海国际具身智能技能大赛：千台机器人进真实工位开考

2026 全球开发者先锋大会暨国际具身智能技能大赛近日在上海举办，由上海市人工智能行业协会与中国电子技术标准化研究院联合主办，汇聚 300 余家机器人本体企业、超 200 家上下游供应链企业。大赛设 9 大赛道、23 个赛项，覆盖能源巡检、质检检测、商超零售、应急救援、文旅导览、医疗康养等真实场景，800 余支竞赛队伍、上千台人形机器人同台，70 余名行业专家担任裁判。张江科学会堂搭建了约 2000 平方米的实景实训空间，1:1 还原能源巡检、商超零售、快递分拣、消防灭火等作业场景；商超零售赛项要求机器人在 30 分钟内完成周转箱拣货、整理货架、补货再到装箱打包等多个步骤。有参赛队长的总结很直白：7 天真实实景实训，机器人精细操作能力的提升效果远超实验室 3 个月的模拟训练。真实场景也暴露了仿真里不会出现的问题——商品标签位置各异、圆柱形包装易打滑、磁吸标签的间隙对夹爪来说太小、二维码褶皱导致漏扫或机械臂抖动多扫。评分规则明确向自主性倾斜：动作必须由模型驱动、连贯完成，若采用遥操作，评分会明显降低。

值得关注：这条与上一条形成完整对照——标准解决「数据怎么算合格」，大赛解决「机器人在真实工位能不能干完活」。评判标准把遥操作降分，意味着行业开始把自主执行与演示效果分开计价，「机器人能不能自己干」第一次成为可量化的评分项。另一个信号是场景本身正在变成稀缺资产：张江商超场景赛后计划保留并开展常态化实景训练，持续沉淀真实场景数据——这类由场景方出真题的持续采集点，恰恰是具身智能数据供给中最缺的一环。边界同样清楚：赛事成绩不等于产线可用性，比赛中暴露的漏扫、抖动、夹爪间隙等细节问题，恰恰说明距离稳定商用还有相当距离。

来源：机器人上岗亮绝活 ｜ 「7天实景实训胜过实验室3个月模拟」，上海真实具身场景俘获参赛者「芳心」

编码工具链进入「平台重构与安全事故并行」的一周：前 GitHub CEO 正式推出面向 AI Agent 的原生开发平台 Emergent，OpenCode 披露大规模蒸馏攻击导致部分工作区 API Key 疑似泄露。具身智能侧，ROKAE 人形力控臂交付突破一万台，银河通用与宇树宣布联合研发原生智能体机器人「银河星仔」，深圳与汉诺威两场具身机器人展会同期聚焦「从演示走向作业」。

前 GitHub CEO 发布 AI 原生开发平台 Emergent

Thomas Dohmke——2021 年至 2026 年初担任 GitHub CEO、主导 GitHub Copilot 整合的人——于 10 月 26 日正式发布新开发平台 Emergent，定位为「人类开发者与 AI 编码 Agent 共用的原生平台」。该平台采用「Agent 优先」架构：AI Agent 作为一等协作者获得独立工作区分配、持久记忆和与人类相同的版本控制权限，并针对 AI 高频提交优化了冲突解决算法与多模态代码审查流程。平台支持标准 Git 协议并扩展了批量重构、自动依赖更新等 Agent 专属操作，目前限量开放注册，正式版计划 2027 年初上线，定价将按 Agent 用量而非传统按席位收费。

值得关注：Dohmke 的核心论断是，传统平台的基础设施为人类协作而设计，当 AI 贡献 50% 以上的代码变更、提交量增长十倍时，代码审查、合并与测试管线将成为新的瓶颈——这是「为 Agent 重构基础设施」与「改造存量平台」两条路线的正面交锋，GitHub 的应对节奏值得跟踪。需要说明的是，目前该消息主要来自平台官方发布页，尚待独立媒体报道交叉验证；对个人开发者而言，迁移成本仍是是否切换的最大变量。

来源：https://emergent.sh/news/former-github-ceo-launches-ai-native-coding

OpenCode 披露大规模蒸馏攻击，部分工作区 API Key 疑似泄露

开源编码 Agent 控制台 OpenCode 本周披露遭遇「大规模蒸馏攻击」（指攻击方通过大量诱导性请求从托管平台抽取模型输出，以复制其模型能力），并可能导致约 1.4% 的 Console 工作区中保存的第三方供应商 API Key 暴露。官方建议受影响用户立即轮换相关 Key，并核查 10 月 16-17 日以来的用量与账单是否存在异常。同期 GitHub Copilot 于 10 月 19 日下线一批旧模型，并使其模型策略 REST API 正式 GA，企业管理员从此可程序化控制 Copilot 内 Agent 可用的模型清单与发布节奏。

值得关注：这是编码 Agent 工具链从「能跑就行」进入「运维与安全」阶段的标志事件——托管控制台里保存的 Key 正在成为新的攻击面。同一周内 Anthropic 为 Claude Code 连发多个版本，重点全部是沙箱、插件市场加固与 Agent 工具安全；VS Code 也在官方文档中明确警告插件可以在本地执行代码。使用编码 Agent 的团队应把 Key 轮换、插件清单审查、沙箱化构建列入常规运维流程，而非一次性整改。

来源：https://aiagentstore.ai/ai-agent-news/topic/coding

ROKAE 人形力控臂交付突破一万台

ROKAE Robotics（港交所 3752）10 月 27 日宣布交付第 10000 台人形力控臂，里程碑机型已于 9 月在其山东生产基地下线。该公司的人形机器人已实际部署于舍弗勒（Schaeffler）位于太仓的灯塔工厂——五台搭载 AR 系列力控臂的 Helios 轮式人形机器人在一条人形机器人零部件装配线上承担搬运、装配与检测任务；此外有超过 80 家工业伙伴将其力控臂集成进生产应用。该交付数字仅统计人形力控臂产品线，不包含其销往 40 多个国家和地区的工业与协作机器人。

值得关注：「力控」（每个关节具备力反馈控制能力）被业内视为具身智能操作能力的硬件前提，万台交付说明这条供应链已跨过样机阶段、进入批量复购区间；而舍弗勒「用机器人生产机器人零部件」的场景，恰好构成一个自我增殖的产业闭环样本。公司创始人兼 CEO 表示「力控没有捷径」，万台的意义在于硬件、控制算法与制造工艺在规模化下保持一致——这与其掌宽 213 × 145.5 × 45 毫米的 MAC 控制器即可驱动一双臂全部 14 个关节的工程密度是同一件事的两面。

来源：https://hkbusinesswire.com/rokae-delivers-its-10000th-humanoid-force-controlled-arm

银河通用与宇树宣布联合研发原生智能体机器人「银河星仔」

10 月 22 日，在 2026 世界物理 AI 大会暨宇树合作伙伴生态大会上，银河通用机器人与宇树科技宣布全球首个「原生智能体机器人」银河星仔（Galbot ET1）由双方联合研发——所谓原生智能体，指机器人出厂即以「感知—决策—行动」的 Agent 方式自主运行，而非执行预设动作。银河星仔今年 8 月曾在世界机器人大会首次亮相，此次确认双方将围绕产品定义、硬件打磨与具身智能能力研发深度协同。其能力核心是银河通用自研的 AstraBrain-WBC 通用小脑基模，训练依托 AstraData 数据基座中百万小时级的人类动作数据——既包含高精度动作捕捉，也包含从互联网人类视频中提取并重定向的动作数据。

值得关注：这是「本体厂 × 模型厂」分工模式的又一次典型落地——宇树提供硬件本体与量产能力，银河通用提供小脑基模与数据管线，分工边界清晰。对关注具身数据基础设施的读者，AstraData 的「动捕 + 互联网视频重定向」双源数据策略尤其值得对照参考：它验证了非结构化视频数据经重定向后可进入训练管线的可行性。宇树创始人王兴兴在会上表示，随着基础模型能力持续提升，物理 AI 可能正接近重要突破时刻。

来源：https://www.163.com/dy/article/LA74EEAP05199NPP.html

深圳与汉诺威两场具身机器人展会同期开幕：从展品走向「作业模式」

10 月 27-29 日，2026 ROBOTECH ASIA 亚洲具身机器人应用及产业链展在深圳国际会展中心（宝安）开幕，展区从传统工业应用扩展为工业、商用、特种三大类，覆盖从人形机器人、四足机器人到零部件的全产业链。同一周，德国汉诺威举行人形机器人 Deep Dive Forum（10 月 27-28 日），BMW、舍弗勒、KUKA、DLR、西门子等参与，主题被明确为「可行性优先于愿景」——直面「为人类设计的既有工厂里，人形机器人到底值不值得投」这一争议，并安排了正反方观点交锋的圆桌辩论。

值得关注：两场展会同期开幕、议题高度一致，说明具身智能正在全球同步从演示验证转向部署验证。汉诺威论坛以「brownfield（既有工厂）作为试金石」的视角尤其务实——它对应的核心论题与国内「实景实训」政策的逻辑不谋而合：真实场景作业中沉淀的高质量真机数据，比实验室指标更能决定产业节奏。对从业者而言，这两场展会上释放的场景需求清单是判断真实落地进度最直接的风向标。

来源：https://roboticsandautomationnews.com/2026/10/06/robotech-event-expands-focus-on-real-world-robot-applications/105558 、http://ringier.home.smartinfo.com.cn/article/480218

精准输入：搜索时主动"做减法"

避免信息泛滥的第一步，就是在搜索时提高精准度。

• 技巧性搜索：多使用 ""（精确匹配）、减号 -（排除特定词）、site:（限定网站）和时间范围等高级搜索语法，能直接过滤掉大量无关结果。
• 策略性搜索：每次搜索前问自己："我想用查到的信息解决什么问题？" 这能有效对抗算法推荐带来的无目的浏览。

即时处理：让大脑专注于思考

每打开一个新标签页，都应有明确的处理策略。

• 三秒决策：快速判断网页价值，并决定：归档保存（用稍后读工具）、立即精读并做笔记，或直接关闭。避免让未处理的页面堆积。
• "5 分钟原则"：如果预估能在 5 分钟内读完并消化，就立刻做。拖延是导致标签页堆积的主要原因。
• 初步结构化：看到一个有价值的观点时，可以立刻用"曼陀罗九宫格"这类简单工具，在中心写下主题，在周围快速发散记录相关想法，为后续整理奠定基础。

深度整理：从发散到收敛

这是将碎片信息转化为知识的关键一步。

• 运用"发散-收敛"思维方法：先无拘束地收集（发散），再用固定的时间进行汇总、分类、提炼核心观点和行动计划（收敛）。每天工作结束前，强制自己完成一次"收敛"操作。
• 构建知识体系：将整理好的内容，存入双链笔记软件（如 Obsidian、Logseq）或大纲工具（如 Workflowy）。关键在于建立笔记之间的关联，而非简单堆积。

行动与应用：从知道到做到

真正的消化意味着信息能改变你的思考或行动。

• 践行"应用策略"：遇到有用信息时，停下来问："这个具体可以如何用在我的工作/生活中？" 哪怕只记下一个微小的应用点，也比单纯收藏更有价值。
• 启动"数字清理"：可以参考专家建议，进行一个为期 30 天的轻度数字清理，例如：清理浏览器书签、取消无用订阅、设置每天固定的"无干扰浏览"时段，甚至睡前 1 小时不使用电子设备。这能从环境上减少干扰源。