Physical AI: Closing the Embodied Iteration Loop

A public, problem-first research lab for helping AI learn from the physical world.

本项目的出发点不是一个等待证明的市场判断，而是一条北极星：

机器人是 AI 进入物理世界的接口。它让 AI 能观察、行动、接受真实反馈，并最终在原子世界形成自我迭代。

这里不把“做一台会表演的机器人”当终点。真正的目标是跑通一条可度量、可纠错、可持续加速的闭环：

flowchart LR
    G["目标与任务"] --> O["观察真实世界"]
    O --> W["世界模型与预测"]
    W --> A["安全行动"]
    A --> V["判断进展与成败"]
    V --> F["诊断失败与选择数据"]
    F --> L["更新策略"]
    L --> R["回归测试与部署"]
    R --> O

Loading

机器人本体只是这条链上的一环。没有可靠的 verifier（验证器：判断任务是否成功、进展到哪里）、失败数据、策略更新和回归测试，机器人不会因为“接触了现实”就自动变聪明。

当前判断

• 世界模型正在从“生成看起来合理的世界”走向 action-conditioned prediction（动作条件预测：预测采取某个动作后世界如何变化）。
• 机器人行业的共同瓶颈正在收敛到真实数据、成功检测、跨本体泛化、长任务恢复和可规模部署。
• 本项目的第一项研究赌注是 Embodied Iteration Engine（具身迭代引擎）：把执行、评价、失败归因、纠正数据、再训练和防回归部署连成一个开放闭环。
• 选择它不是因为它容易，而是因为没有可信反馈，就没有自我迭代；没有自我迭代，世界模型和机器人本体都只是静态能力展示。

从这里读起

文档	回答的问题
Thesis	哪些是信仰，哪些实现假设必须接受证伪？
Company landscape	现阶段重要公司分别在攻哪一层？
Problem map	真正卡住物理 AI 的关键问题是什么？
Entry strategy	为什么从具身迭代闭环切入，以及具体做什么？
90-day roadmap	如何从仿真走到真实机器证据？
Research method	如何区分宣传、演示、基准和真实部署？
Decision log	项目的稳定决策与修改理由

机器可读的公司与问题数据位于 research/，可复用实验模板位于 experiments/。已有的 mujoco-intuition-lab/ 是第一块仿真学习资产；两个课程仓库继续保持独立 Git 历史，不进入本公开仓库。

工作方式

每两周只押一个可能改变方向的不确定性，并交付四样东西：

1. 一个可证伪问题；
2. 一个可复现实验；
3. 一份失败和扰动证据；
4. 一个继续、换路或停止的裁决。

项目不按“学了多少工具”计分，而按闭环是否更短、失败是否更可解释、策略是否真的进步、结果能否迁移到真实机器计分。

快速验证

python3 scripts/validate_research.py

研究版图最后核验于 2026-08-04。活跃公司信息超过 90 天未回读官方来源即视为过期。