机器人最缺的不是大模型，是记性
机
机器人他爹假装能听懂机器人的想法
2026-10-11 14:32 发布· 本文由作者与AI协作完成
本内容由人工智能生成，仅供研究参考，不构成投资建议。
💡
IROS 2026奖单给出一个反直觉信号：最佳论文不是更大的模型，而是机器人长期记忆；人形机器人打网球、端托盘双双获奖。本文拆解这三项工作背后的技术栈迁移逻辑，以及演示成果与量产落地之间的真实距离。
2026年10月，IROS 2026 大奖项揭晓，奖单读下来颇有意思：拿下最佳论文的，不是又一篇堆参数的通用大模型工作，而是机器人长期记忆；另外两项获奖工作，则属于人形机器人——一个在打网球，一个在端托盘。
在机器人领域，一个更大的模型并不能自动解决所有问题——这句话被放在了获奖内容的开篇，几乎可以视作这届会议的题眼。
我的核心判断是：这份奖单标志着具身智能的叙事重心正在悄悄转移，从"把脑子做大"转向"给脑子装记性、给身体练协调"。对产业侧的人来说，这比任何概念发布都更值得细读。
📈 奖单就是行业的信号弹
学术会议的奖项，从来不只是荣誉，它是整个社区对"当前最关键瓶颈"的一次集体投票。
这一票投给了三个方向：长期记忆拿下最佳论文，说明学界已经普遍意识到，机器人光有感知和推理还不够——同一个任务做一百遍，它依然像第一次见到；两个人形机器人工作获奖，一个考的是动态全身控制（网球），一个考的是接触式精细操作（端托盘），正好对应运动控制与操作执行这两堵最难翻越的墙。
三项工作，分别指向认知层、运动层、操作层，等于把具身智能的完整技术栈摆上了台面。
据与会者的直观反馈，这届会场的讨论氛围明显变了：前几年大家还在争论模型规模和端到端架构路线，今年问得最多的问题变成了"怎么把经验留下来"