The Decoder 发布 Frontier Radar #5，分析了在 GPT-6 Astra 发布后，Ilya Sutskever、Yann LeCun 等顶尖人才离开大厂创立新实验室的现象。文章将 27 家新实验室分为六类，分别押注持续学习、非语言模态、私有数据、计算效率、自动化科研及垂直应用，并指出这些实验室正通过巨额融资填补大厂未覆盖的研究空白。
推荐理由：文章梳理了27家新实验室的技术押注与融资现状，为理解大模型之后的研究分化提供了具体参照。
工业智能旨在将制造商积累的隐性知识与生产数据转化为物理世界的行动力，通过 Physical AI 连接业务智能与制造现场。Toyota Industries 利用该方案将分析周期从 5 天缩短至 4 小时内，并降低约 25% 的油漆缺陷。Rockwell Automation 在新加坡工厂部署维护 Copilot，将新员工故障排查学习时间从 9 个月缩短至 3 个月。
前 Nvidia 产品营销负责人、Techable Ventures 创始人 Amulya Vishwanath 表示，物理 AI 目前处于“乐高时代”，而非机器人领域的 ChatGPT 时刻。她指出行业正在重构基础软件与执行器等核心组件，如同乐高积木般逐步组合以推动创新规模化。
Dyna Robotics 联合创始人 Jason Ma 在 Latent Space 访谈中介绍了 Dyna-2 世界动作模型，该模型基于超过 100 万小时的人类视频预训练，通过预测未来视频来指导机器人动作。Dyna 已部署半人形机器人在 Din Tai Fung 等真实场景折叠餐巾，并探讨了机器人数据瓶颈、硬件限制及智能体框架在长时程任务中的作用。
MIT Technology Review 指出，尽管 AI 技术正在推动机器人发展，但通用型人形机器人距离真正改变生活仍有很大距离。文章分析了 Google DeepMind 的 Gemini Robotics 和 Physical Intelligence 的 π0.7 等最新进展，指出当前模型在未见过的任务上仍会失败，且演示视频往往掩盖了人类远程操控的事实。