AI 走进物理世界：人形机器人、具身基础模型与真实环境操作能力的进展追踪。
Google DeepMind发布新一代世界模型Genie 4的研究预览版，将场景一致性模拟时长延长至约两分钟并支持原生音频生成。用户可通过自然语言指令实时改变天气、视角与物体交互，官方同时展示了其与Gemini 4 Argon协同模拟人形机器人执行任务的实验。该能力计划在未来几周内向Google AI Ultra订阅用户及部分早期开发者开放。
推荐理由：模型将动态场景保持一致性的时长翻倍至两分钟，展示了与大模型协同进行机器人训练的混合仿真路径。
Google DeepMind 推出新一代实时交互世界模型 Genie 4，支持在模拟运行中通过自然语言实时修改场景并原生生成环境音与交互对话。模型结合 Gemini 系列模型进行上下文因果推理和多步任务拆解，适用于机器人训练环境构建与创意原型探索，生成内容均嵌入 SynthID 数字水印。
推荐理由：该模型将语言模型的逻辑推理与像素级实时渲染结合，为机器人训练和动态交互仿真提供了可参考的实现路径。
Google DeepMind 发布最新世界模型 Genie 4 的研究预览版，允许用户在模拟运行中通过提示词实时修改场景，并同步生成环境音、交互对话与背景音乐。该模型将场景一致性维持时间翻倍至两分钟，能与 Gemini 结合用于机器人仿真测试和影视原型构思。目前 Genie 4 已面向受信测试者开放，后续将推向 Google AI Ultra 订阅用户及 Gemini API 合作伙伴。
推荐理由：新模型把世界模拟时长提升至两分钟并加入实时音频控制，展示了语言模型与视觉生成协同用于仿真和内容原型的路径。
NVIDIA 扩展 Cosmos 平台，推出包含 5 个云原生蓝图的 Cosmos Data Factory、全新训练框架及 Cosmos 3 Nano 仿真模型变体，帮助开发者加速物理 AI 与世界模型的开发与落地。
推荐理由：这套工具通过合成数据生成与闭环仿真评测，为实体AI开发者打通了从物理场景采集到模型微调部署的完整流程。
NVIDIA 创始人兼 CEO 黄仁勋在 GTC Berlin 主题演讲中发布了模块化数据中心参考设计 DSX POD，以及面向智能体安全的 NVIDIA OpenShell 参考架构。
推荐理由：原文集中呈现了从模块化硬件部署到智能体安全沙箱的完整基础设施方案，有助于了解端到端落地路径。
Google 正式面向全球推出 Gemini 4 Argon 模型，主打长任务深度推理与复杂工程、科研及商业工作流处理。该模型具备 1M 统一输入输出 token 限制，API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元（缓存输入享 95% 折扣）。
推荐理由：官方披露了新模型在代码重构、科学计算和具身智能领域的实测提效数据，读者可借此评估其在长链路复杂工程中的实际价值。
NVIDIA 在 ROSCon 会议上正式发布 Isaac ROS 5.0 开源机器人软件栈，引入 AI 智能体开发工作流并新增对 ROS Lyrical 与 Ubuntu 24.04 的支持。
推荐理由：Isaac ROS 5.0 将智能体工作流与物理 AI 模型引入开源 ROS 生态，有助于开发者降低工业与人形机器人感知与抓取部署的工程门槛。
Google DeepMind 推出具身推理模型 Gemini Robotics ER 2，作为高层中枢为机器人提供连续视频理解、任务编排与多机协作能力。该模型支持边执行动作边规划后续步骤，可调度底层 VLA 模型及外部工具，在任务进度分类和关键时刻识别上分别取得 57.4% 与 91.3% 的准确率。
推荐理由：该模型作为高层大脑支持边行动边规划与多机协同，读者可以了解具身智能在任务编排与进度感知上的系统设计。
Google DeepMind 推出新一代机器人模型系列 Gemini Robotics 2，让机器人具备全身运动控制、高精细操作与多机协作能力。
推荐理由：该系列模型将具身推理、动作控制与端侧适配分层解耦，为机器人长时序多步协作与跨硬件迁移提供了清晰架构。
Google DeepMind 宣布在实验原型 Project Genie 中引入 Google 街景锚定能力，支持基于真实地理图像生成可交互的虚拟环境，并逐步向全球 Google AI Ultra 订阅用户开放。用户可以在美国地图上选点并搭配特定艺术风格与角色提示词生成对应世界，为智能体与机器人导航交互提供仿真支持。该街景生成能力目前支持美国境内地点，未来将逐步扩展至更多地区。
推荐理由：原文展示了世界模型结合真实地理街景生成交互环境的具体方式，为智能体与机器人仿真训练提供了现实落地的参考路径。
Google DeepMind 推出具身推理模型 Gemini Robotics-ER 1.6，大幅增强了空间定位、多视角理解与任务成功检测能力。该模型可原生调用搜索和 VLA 等工具，并新增结合代码执行的智能体视觉以高精度读取各类工业仪表。目前该模型已通过 Gemini API 和 Google AI Studio 向开发者开放。
推荐理由：新模型结合视觉推理与代码执行实现了工业仪表读取，为机器人多视角任务规划和成功判定提供了实用参考。