Waymo 发布自动驾驶车辆事故管理演练框架
Waymo 研究人员与事故准备专家发表论文，提出首个面向自动驾驶车辆的事故管理演练框架，改编自美国联邦应急管理署的国土安全演练与评估计划。框架覆盖规划、团队启动、响应与结构化评估各阶段，并划分形成性、教育性、总结性和确认性四类演练。该框架旨在为自动驾驶开发者、运营伙伴、急救人员与公共安全机构提供统一方法，用于设计演练和持续改进应急方案。
全部信号
Waymo Blog Google DeepMind精选 Google DeepMind 发布 EmbeddingGemma 2 多模态嵌入模型
Google DeepMind 发布 EmbeddingGemma 2，一款面向端侧的多模态嵌入模型，可将文本、图像、音频和视频映射到统一嵌入空间。模型基于 Gemma 4 架构，参数 740M，采用 Apache 2.0 许可，支持 8K token 上下文，文本任务最低 270M 参数即可运行。官方称其在 MTEB Code 上从 68.76 提升至 78.68。
研判 740M 参数、Apache 2.0 许可的多模态嵌入模型把文本、图像、音频、视频映射到同一向量空间，端侧检索与 RAG 可在离线环境完成，可能降低对云端向量服务的依赖。
Microsoft Research Microsoft Research 播客：AI 评测如何暴露模型的“意外失败”
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research 播客中讨论评测如何推动 AI 系统性能边界、满足用户需求，以及模型在传统基准之外测试时出现的“意外失败”。她还分享使用当前 AI 系统的实用建议，并强调结果偏离预期时应仔细检查数据。
Google Research Google 研究用地球 AI 地理空间基础模型辅助公共卫生预测
Google Research 以 Google Earth AI 的 Population Dynamics Foundation Model（PDFM）为概念验证，展示将位置嵌入向量直接接入现有流行病学模型。
IEEE Spectrum · Robotics Video Friday：ALBATROSS 两栖机器人完成空中投放、自扶正与风帆航行
新加坡科技设计大学团队开发出 ALBATROSS 混合空中—水面机器人，可从空中投放、无降落伞自转下降、落水后被动自扶正，并复用刚性机翼作帆进行自主风力导航。Sharpa 在 IROS 上发布 D01 触觉感知机器人、W02 全触觉灵巧手和 AE01 触觉外骨骼数据手套三款自研产品。
IEEE Spectrum · Semiconductors 利用 COMSOL 多极分解设计介质超表面：从硅四聚体异常吸收到氮化镓 q-BIC 调控
NIST 博士后 Pavel Terekhov 将在网络研讨会上讲解如何用 COMSOL Multiphysics 的全波仿真与多极分解，追踪单个四聚体超原子演化为两种光调控机制。周期性晶体硅超表面由此实现由两种独立多极机制共同主导的异常吸收增强，氮化镓超表面则利用四种多极的相互作用调控反射与透射谱，包括 q-BIC 操控。
Google DeepMind精选 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 宣布推出前沿模型 Gemini 4 Argon，正通过 Fairwind Program 向一批受信任的网络安全防御方开放。该模型输出 token 上限从 64K 提升至 1M，在 DeepSWE v1.1 上得分 77.9%，在 LVBench 上得分 91.7%。
研判 Gemini 4 Argon 将输出上限提升至 1M tokens，并优先向网络安全防御方开放，显示前沿模型正以分阶段、受控方式进入高敏感企业场景。
Microsoft Research 微软研究院用机器学习预测电网空间天气风险
微软研究院实习生Rohan Kannan开发了一套机器学习流水线，可对美国本土66,935座变电站输出30–60分钟前的空间天气风险估计。该系统结合L1太阳风观测、AE与Dst指数预报、地质电导率与电网数据，在2020–2026年评估期内检测到近80%的重大空间天气事件。研究称在用于电网实际运行前，还需与电力公司及运行数据进一步验证。
Figure@Figure_robot
IEEE Spectrum · Semiconductors IC-STAR 网络研讨会：从数字到模拟的全流程自主芯片设计
IEEE Spectrum 推出 IC-STAR 免费网络研讨会，介绍从数字到模拟的全流程自主芯片设计。内容涵盖支撑硅片设计自主的四项关键技术、自主 AI 如何加速复杂工程流程，以及 Ambiq 在生产中部署自主 AI 的实际效果。
Waymo Blog Waymo 公布伦敦自动驾驶出行计划，拟申请 APS 许可
Waymo 公布面向伦敦的自动驾驶出行计划，拟通过英国 Automated Passenger Services（APS）许可机制运营无安全员的自动驾驶载客服务，该许可需英国交通部（DfT）批准并取得伦敦交通局（TfL）同意。
Skild AI@SkildAI我们训练了一个机器人踢足球。 怎么做到的？在虚拟世界杯中通过自我对弈训练了 140 年。 来认识一下 #Messinator：
IEEE Spectrum · Semiconductors 欧盟芯片政策推动欧洲超快激光初创扩产
欧盟委员会于 2026 年 6 月提出强化欧洲半导体与 AI 竞争力的立法和战略，拟议的“Chips Act 2.0”将覆盖包括超快激光在内的芯片加工设备供应链。
- Skild AI@SkildAI
Waymo Blog Waymo 在旧金山湾区推出 transit rewards 公共交通奖励计划
Waymo 宣布在旧金山湾区推出 transit rewards 计划，乘客将 Waymo 行程与公共交通衔接并使用 Visa 卡支付时，可自动获得 2.85 美元 Waymo Cash。该计划覆盖湾区 27 家支持 Visa 非接触式支付的公共交通机构，先面向员工开放，未来数周逐步向公众推出。Waymo 同时宣布与 Caltrain 合作，租赁 40 个车站停车位用于停放车辆。
- Figure@Figure_robot
观看 Helix 2.5 在 30 个家庭中连续工作整整 4 小时，且无需额外训练。
- Figure@Figure_robot
今天我们发布 Helix 2.5 我们在湾区租了 30 套住宅。机器人到达时没有经过额外训练，就开始做有用的工作
Waymo Blog精选 Waymo 与新加坡交通部合作，计划 2028 年推出全自动驾驶叫车服务
Waymo 宣布与新加坡交通部（MOT）和陆路交通管理局（LTA）合作，计划 2028 年通过 Waymo app 在新加坡推出全自动驾驶纯电商业叫车服务。首批 Jaguar I-PACE 车辆将在未来数月抵达，2027 年进入准备阶段，由受训人员先进行人工驾驶，使 Waymo Driver 适配当地路况与季风天气。
研判 Waymo 与新加坡交通部、陆路交通管理局合作，计划 2028 年通过 Waymo app 开放全自动驾驶商业叫车服务，这是其在美国以外多个城市推进落地的一环，落地节奏受当地监管审批与运营准备约束。
- Skild AI@SkildAI引用NVIDIA Robotics@NVIDIARobotics
@SkildAI's new S1 robot foundation model helps robots learn previously unseen tasks from a single video demonstration. 🤖 See how NVIDIA technology supports S1 from training and simulation to real-world deployment. Learn more ➡️ https://nvda.ws/4r29k7E
- Figure@Figure_robot精选
研判 Figure 与 Nscale 合作部署最多 10 万块 NVIDIA Vera Rubin 平台 GPU，初始承诺 35 亿美元、计划扩至 60 亿美元以上，反映人形机器人训练对算力的资本投入规模正在上升。
Apptronik@Apptronik引用Google DeepMind@GoogleDeepMindWe sat down with Apollo 2 to talk about what it's really like running on Gemini Robotics 2. 🤖
Tesla Optimus@Tesla_Optimus手部岗位开放，欢迎加入 https://www.tesla.com/careers/search/?query=Optimus%20Hand&site=US
引用Yoda@teslayoda🫶Tesla posts new Optimus hand job.
Physical Intelligence@physical_int与 @nvidia 的新工作：完全在世界模型内部评估机器人策略。策略执行动作，模型想象后果，而想象出的评估能预测真实世界的结果。🧵 真实 rollout 与世界模型 rollout 并排对比📷
- Physical Intelligence@physical_int引用Ryan McGuire@r_mcguire
https://alephsurgical.com/blogs/research-preview
- Tesla Optimus@Tesla_Optimus
- Tesla Optimus@Tesla_Optimus引用Robotaxi@robotaxi
In formation
- Physical Intelligence@physical_int精选
研判 π0.7 在无叠衣数据的情况下控制新机器人完成叠衣，并可通过语言指导学习使用新家电，说明单一模型对未见任务与硬件的泛化边界有所扩展。