史丹佛於 RSS 2026 發表 3D 世界模型 Point-World，僅需 15 小時微調；NVIDIA 同場推出全模態 Cosmos 3 佈局邊緣部署

7 月 13 日，2026 年機器人頂級學術會議 RSS（Robotics: Science and Systems）於澳洲雪梨開幕，本屆主會僅接收約 160 篇論文。在「Robot World Models」工作坊中，學界與業界聚焦具身智慧如何擺脫對海量標註資料的依賴，轉向少樣本與強泛化能力。 史丹佛大學李飛飛實驗室的黃文龍發表了 3D 世界模型 Point-World，提出以「反事實推理」與「腦內搜索」取代傳統的演示學習。該模型給定 RGB-D 輸入與機器人描述文件（URDF），將機器人動作空間統一定義為「3D 點雲流（3D Point Flows）」。Point-World 基於 Transformer 架構，作為零樣本（Zero-shot）真實世界模擬器，無需物體分割即可處理剛體、流體與布料等可變形物體，並能隱式識別關節結構與推斷遮擋時的接觸幾何關係。 在資料擴充方面，史丹佛團隊對 Joy 資料集進行重新標註，生成約 3500 小時具備深度資訊與相機位姿的 3D 點雲。實驗數據顯示，利用 2D 影片資料進行預訓練，再配合僅 15 小時的 3D 互動資料進行微調，Point-World 的環境動力學預測能力便超越過去 500 小時的訓練成果，並能在未見過的環境與機械臂上保持極高的物理保真度。 同場工作坊中，NVIDIA 物理 AI 專家 Max Li 發表了全新產品 Cosmos 3。這是全球首個在單一 Transformer 架構下，完全打通文字、視覺、音訊與動作全模態的世界基礎模型。Cosmos 3 旨在將具身智慧的運算從雲端資料中心轉移至邊緣側，支援在 Jetson 等邊緣設備上即時運行，推動機器人控制的軟硬體一體化。