MIT 研发纸薄生物混合机器人，靠活体肌肉细胞划水并响应光线转向
麻省理工学院工程师研发出一种由活体骨骼肌细胞驱动的薄型游泳机器人，其厚度约半毫米，可通过光刺激控制肌肉收缩实现前进和转向。该机器人采用 GelMA 骨架和方形沟槽引导细胞排列，训练后鳍片位移提升约四倍，直线游速约为每分钟 4 个自身长度。研究团队认为这种二维肌肉薄膜设计比三维肌肉块更省细胞、成本更低，未来或可用于环境监测等精细探测任务。
#具身智能
cnBetaAI 评分4545 cnBetaAI 评分3636 MIT 研发蓝光驱动超薄肌肉机器人，水中速度达每分钟4倍体长
MIT 工程师研发出由活体骨骼肌细胞驱动的超薄水下机器人，其左右鳍片由可响应 470 纳米蓝光的小鼠肌肉细胞薄层控制。该机器人在水槽中直线最高速度约为每分钟 4 倍机身长度，旋转速度最高约每分钟 1200 度，且优化后的肌肉薄膜功能维持时间超过 30 天。这项研究旨在解决传统生物混合机器人体积过大的问题，未来或可用于环境监测等任务。
cnBeta精选AI 评分6060 KAIST 与微软研发“神经价值对齐”AI 系统，通过脑电波判断意图
KAIST 与微软的研究团队开发了名为“神经价值对齐”的 AI 系统，利用脑电图监测用户大脑的预测误差信号，以判断 AI 是否理解或执行了用户的真实意图。系统分析奖励预测误差和状态预测误差两类神经信号，能区分错误发生在目标还是执行层面。
推荐理由：原文介绍了利用脑电信号解决人机意图对齐模糊性的具体方法，为理解下一代交互式智能系统提供了技术视角。
IEEE Spectrum · 机器人AI 评分3131 Video Friday: Albatross Falls, Spins, Self-Rights, and Sails Away
IEEE Spectrum 机器人版块发布了 Video Friday，介绍了一款名为 ALBATROSS 的混合空海机器人，可从空中释放、无降落伞自动旋转入水、被动翻正并利用相同刚性机翼作为帆进行自主风力导航。
Hugging Face · 每日论文精选AI 评分5858 Skill2Real：基于智能体的零样本仿真到现实机器人操作技能学习
Skill2Real 提出一种基于智能体的策略框架，通过共享 API 学习可执行技能，利用 Proposer-Verifier-Governor 循环在仿真中诊断与验证更新，保持技能与公共观测及 API 语义一致。
推荐理由：该研究提出通过共享 API 实现零样本仿真到现实的机器人操作技能迁移，验证了框架在真实场景中的有效性。
Hugging Face · 每日论文AI 评分4949 Ego2Act：评估以第一视角生成视频中的目标导向操作
Ego2Act 是一个用于评估目标导向操作能力的基准，包含 110 个日常任务的 2,640 条视频，要求模型根据初始场景图像和高层目标生成第一视角的手部操作视频。Ego2ActJudge 作为无参考评估流程，比相关基线更贴近人类共识，发现模型常跳过或部分执行步骤，导致目标未达成，并在复杂物体操作和持久世界建模中表现不佳。该基准旨在推动视频模型向物理合理、目标导向的模拟方向发展。
Hugging Face · 每日论文AI 评分4343 RLE-Bench：评估编码智能体作为机器人学习工程师的综合性基准
RLE-Bench 发布，用于评估编码智能体在机器人学习工程中的综合能力，涵盖交互控制、策略学习、感知估计和机械设计四类工作流。该基准采用任务特定指标评估智能体生成的策略成功率、构建的工具链和设计的机械结构，整合为 RLE 指数与工作流能力画像。该评测为未来智能体在物理世界中的工程化能力训练提供系统性评估框架。
Nature Machine IntelligenceAI 评分4949 Minute-scale training for microrobot navigation
一种向量化模拟器和结构化奖励框架使微型机器人导航策略能在分钟级时间内完成训练，并可在不同机器人和环境中直接迁移，无需重新训练。该方法显著缩短了训练时间，提升了跨平台适应性。研究发表于 Nature Machine Intelligence，未明确说明是否开源或提供 API 接口。
Nature Machine IntelligenceAI 评分3232 Cybernetics, interoception, and the art of embodiment
Nature Machine Intelligence 发布新框架，融合生理感知、控制论与强化学习，构建具备自主适应能力的类体智能体。该框架基于生物体内感知机制，支持在复杂环境中动态调节行为。研究未提及具体模型版本、参数规模或可用性细节。
MIT News · 人工智能AI 评分5252 MIT与Motional提出CW-Net，帮助人类预测自动驾驶汽车的决策失误
MIT与Motional的研究人员开发了Concept-Wrapper Network (CW-Net)，旨在为自动驾驶汽车的机器学习规划器决策提供忠实且可理解的解释。
MIT News · 人工智能AI 评分3939 MIT CSAIL 与清华大学提出 GeoPT：让 AI 模型具备物理感知，模拟更广泛的真实场景
MIT CSAIL 与清华大学的研究人员提出了一种名为 GeoPT 的预训练方法，能让模拟模型更高效地学习物理规律。该方法通过 130 万份合成动力学样本进行训练，使模型在达到峰值性能时速度提升 2 倍，所需标注数据减少高达 60%。GeoPT 在模拟风洞、波浪对船体作用及车辆碰撞变形等工业场景中，其速度和准确性均超越了当前最先进的模型。
Berkeley AI ResearchAI 评分4949 GRASP：面向长时程世界模型的梯度规划方法
伯克利 AI 研究团队提出梯度规划器 GRASP，旨在解决基于学习型世界模型进行长时程规划时面临的优化病态、局部极小值和高维潜在空间失效等难题。该方法通过将轨迹提升至虚拟状态以实现跨时间并行优化，直接向状态迭代添加随机性以增强探索，并重塑梯度以提供清晰的动作信号。GRASP 提升了梯度规划在长时程、高维视觉空间任务中的鲁棒性。