明尼阿波利斯、芝加哥、迈阿密的居民，有机会白拿一次管道、电工或暖通空调维修。代价是让技术人员戴上可穿戴设备，把你家从头录到尾。AI公司HUMXN做这笔买卖，要的是机器人训练数据。技术人员照常拿工资，公司拿到的是不同户型、不同设备、不同故障现场的影像。他们想让AI学会师傅怎么判断问题、怎么挑工具、碰见意外怎么收场。
光有数据不够，机器人还得在人群里走得动。arXiv上的CoopUQ盯的就是这件事：多台机器人在有人活动的空间里导航。单机强化学习方案直接搬到多机编队会翻车，因为每台机器人都在猜别人下一步干嘛。CoopUQ把不确定性算进预测里，让机器人协同预判彼此和行人的走向，再决定怎么动。它们得先承认"我并不知道"，队伍才不会互相堵死。
另一篇论文问得更狠：机器人的自我改进能力到底从哪来。作者做了PhysRSI-eval，把"物理递归自我改进"变成可量化的指标，还观察了LLM当策略时的缩放规律。结论指向一件事——物理世界同样存在可观测的缩放定律，模型规模、数据量、任务表现之间有迹可循。这跟当年大语言模型走的路子像极了，只是舞台从文本换成了真实世界。
把三条线拼起来：数据、协同、自我进化。HUMXN用免费维修买真实场景录像，解决数据从哪来；CoopUQ解决机器人在混乱环境里怎么不撞人；PhysRSI那条线在想，机器人能不能靠自己越练越强。答案还没定，方向倒是清楚了——机器人要走出实验室，得靠足够脏、足够杂、足够多的真实数据。