在南加州大学，王越教授创立的PSI Lab（Physical Superintelligence Lab），堪称过去两三年间，在具身智能领域崛起速度最快的年轻研究团队之一。

王越于2024年从MIT EECS获得博士学位，毕业前曾在NVIDIA自动驾驶研究组担任研究科学家。2024年，他正式加入USC计算机系担任助理教授，并随即创立了PSI Lab。博士就读期间，他荣获了2020年NVIDIA研究生奖学金；任教之后，又陆续获得了Toyota青年研究员奖、Powell教师奖学金等多项荣誉。

他的早期代表作包括点云理解领域的经典工作DGCNN、DCP，以及自动驾驶3D感知方法DETR3D。其中，DGCNN是点云深度学习中不可绕过的一篇重要论文，长期位列ACM Transactions on Graphics高引用论文的前列。

PSI Lab成立时间虽不长，但其学生团队的学术产出密度却相当高。在过去两三年里，该实验室学生已斩获的奖项和奖学金名单令人印象深刻，涵盖NVIDIA奖学金、高通奖学金、Capital One、Annenberg、亚马逊等知名机构项目。此外，本科生也获得了CRA杰出本科研究者的相关荣誉。对于一所年轻实验室而言，如此高的获奖与产出密度确实极为罕见。

这条发展路径也清晰解释了PSI Lab的定位——它并非从纯计算机视觉突然转向机器人领域，也不是只专注于控制，而是立足于3D世界理解、物理世界感知和真实机器人任务的交叉点。目前，实验室的研究方向覆盖人形机器人、灵巧操作、从人类视频中学习机器人策略，以及面向真实部署的数据与学习系统。

PSI Lab 团队主页

在今年的CVPR 2026具身智能Workshop上，王越带领的PSI Lab与合作伙伴一举斩获三项大奖。

Psi-0荣获3D-LLM/VLA Workshop的最佳论文奖，PhysWorld获得同一Workshop的最佳论文提名奖，Humanoid Everyday也赢得了Embodied AI Workshop (EAI)的最佳论文奖。这三篇论文后续均被各自方向的主会议接收：Psi-0被RSS 2026录用，PhysWorld和Humanoid Everyday均被ICRA 2026录用。

这三项成果恰好对应了人形机器人当前最核心的三个环节。Humanoid Everyday解决的是数据问题——开放世界中人形机器人的日常操作数据及其配套评测基准；Psi-0则更进一步，旨在训练一个能够迁移到人形机器人身体上的基础动作模型；PhysWorld则再向前迈一步，让模型不仅“看懂”眼前的世界，还能预测执行某个动作后，世界将发生怎样的变化。

如果将人形机器人视为一个需要长期构建的系统，而非一次性的演示，这三项工作实际上串联成了一条相对完整的路径：首先获取足够真实、多样化的数据，接着利用这些数据训练出能够部署到机器人身体上的基础模型，最后让模型具备对动作后果的预测能力。

王越教授

Psi-0：人形机器人的基础模型框架

Psi-0的全称是Ψ₀：An Open Foundation Model Towards Universal Humanoid Loco-Manipulation。

Loco-manipulation，指的是将移动与操作结合的任务，例如推车、递送、倒水、清洁、开水龙头、拉椅子等。机器人并非固定在桌前抓取单一物体，而是需要移动身体、协调双臂和手部动作，并在长程任务中持续处理场景状态的动态变化。

这类任务更接近人形机器人未来要面对的真实应用场景，其复杂度远高于桌面操作。

一个直接的问题是：人形机器人的基础模型应该用什么数据来训练？

过去的一种思路，是将人类视频、机器人轨迹以及其他多模态数据混合在一起进行训练。但人与机器人并非同一种“身体形态”（embodiment）。人类的臂长、关节活动范围、手指灵活性以及运动方式，都与机器人存在显著差异。人类视频中包含丰富的操作经验和物体交互过程，但它们不能直接等同于机器人可执行的动作。

Psi-0采用分阶段训练策略。

第一步，使用约829小时的EgoDex第一人称人类视频进行预训练。第一人称视频更接近操作发生时的视角，能够提供手如何接近物体、物体如何被移动、视野如何随动作变化等人类操作先验。这一阶段学习的是宽泛的视觉、交互和任务过程先验。此外，这类数据天然易于规模化：无需遥操作，也无需专门的采集设备，一部头戴相机甚至一部手机就能录制，数据量级远大于真机示教数据。

第二步，使用约31小时的Humanoid Everyday人形机器人轨迹进行后训练。这一阶段的目的，是将预训练阶段学到的操作和交互先验，进一步对齐到人形机器人的身体结构、动作空间和真实控制约束上。

第三步，利用少量目标任务数据进行适配。模型无需为每个任务从零开始学习，而是在已有的人类视频先验和人形机器人动作能力基础上，针对具体任务进行微调。

因此，Psi-0关注的核心并非简单扩大机器人数据规模，而是如何有效组织不同来源的数据。人类第一视角视频提供规模化的操作先验，真实人形机器人轨迹提供身体形态对齐，而少量目标任务数据则完成具体任务的适配。

这项工作的意义在于，它将人形机器人基础模型的训练问题，拆解为更清晰的阶段：首先从人类数据中学习可迁移的交互先验，再通过机器人数据将这些先验转化为可执行的动作。它并非简单地将所有数据混合在一起，而是让人类视频和机器人轨迹在不同阶段承担不同的角色。

PhysWorld：世界模型开始负责物理

PhysWorld的论文全称为Robot Learning from a Physical World Model。

在机器人领域的语境中，世界模型关注的是：给定当前状态和可能的动作，世界接下来会如何变化。

过去一年，许多世界模型研究主要以视频预测或视频生成的形式呈现。给定一张图、一个任务指令，模型生成一段未来的视频。视频越稳定、越真实，往往越像是在“理解世界”。

然而，对于机器人来说，视觉上的合理性还远远不够。

一个视频模型可以生成“手把杯子推走”的画面，但这并不意味着它已经掌握了机器人真正需要的物理信息：杯子的位姿如何变化，接触点是否成立，摩擦和支撑关系是否合理，生成的运动能否由机器人自身的身体执行。

PhysWorld正是处理这个中间环节的。它并未将世界模型停留在未来视频生成的层面，而是尝试将视频生成、物理世界重建和机器人策略学习连接起来。

其流程可以拆解为三步：首先，给定图像和任务指令，生成与任务相关的视频；其次，从视频中重建背后的物理世界，形成以物体为中心的场景表示；最后，通过以物体为中心的残差强化学习（object-centric residual reinforcement learning），将视觉预测进一步转化为机器人可执行的轨迹。

这里的“以物体为中心”（object-centric），是指围绕物体来组织场景和动作信息。在机器人操作中，真正重要的通常不是整张图像，而是目标物体的位置、姿态、运动，以及它和机器人、桌面、其他物体之间的接触关系。

残差强化学习（Residual RL）可以理解为：在已有视觉指导的基础上，通过强化学习进行物理层面的修正，使动作更符合机器人动力学和环境约束。

因此，PhysWorld真正关注的并非视频质量本身，而是物理可执行性（physical actionability）：世界模型预测出的未来，能否进一步转化为机器人可执行的轨迹。如果一个世界模型只能生成视觉上合理的未来，那么它本质上仍是一个生成模型；只有当这些预测能够进入机器人训练和控制链路时，它才开始接近机器人真正需要的世界模型。

Humanoid Everyday：开放世界人形操作的数据与评测底座

Humanoid Everyday是一个面向开放世界人形操作的数据集和评测平台，全称为A Comprehensive Robotic Dataset for Open-World Humanoid Manipulation。

它关注的是人形机器人学习中的一个基础问题：如何构建覆盖真实场景、复杂任务和多模态感知的数据基础设施。

与固定机械臂和桌面操作任务相比，人形机器人面临的是更开放的任务设置。它不仅要感知物体，还需要协调身体、双臂和移动能力，在家庭、办公、工业等日常环境中完成长程、接触丰富的操作任务。移动后操作、搬运、工具使用、柔性物体操作、铰链物体操作、人机交互和高精度操作，都属于这类问题。

Humanoid Everyday正是在这一背景下提出的。该数据集覆盖260个任务、7类任务类型、1.03万条轨迹、超过300万帧数据，模态包括RGB、深度、LiDAR、触觉和自然语言标注。它不仅提供训练数据，还提供云端评测平台，使不同方法可以在统一控制环境中进行部署和评估。

云端评测平台是这项工作的一个重要组成部分。

机器人学习领域长期面临一个评测难题：不同论文往往使用不同的机器人、环境、物体和任务定义，导致方法之间难以直接比较。对于开放世界人形操作，这个问题会更加突出，因为任务本身包含移动、接触、双臂协同和长程执行，任何环境差异都可能影响结果。

标准化评测的意义，在于为模型能力提供一个更稳定的比较基准。它让研究者不仅能展示某个策略在特定场景中的表现，还能在统一任务和控制设置下，比较不同方法的泛化能力、鲁棒性和执行效果。

因此，Humanoid Everyday的价值不仅在于数据规模，更在于它将开放世界人形操作纳入了一个可训练、可评测、可复现的研究框架中。它是人形机器人基础模型训练中非常关键的一层：面向真实日常任务的多模态数据集，以及能够持续比较模型能力的评测基础设施。

数据、模型、世界预测，被放进同一条链路

Humanoid Everyday更接近数据基础设施。它关注的是：如果要训练开放世界中的人形机器人操作能力，真实、可复现、可评测的数据从哪里来。

Psi-0更接近基础模型框架。它关注的是：人形机器人能否先从大规模人类第一视角视频中学习操作先验，再通过真实人形机器人数据完成后训练，从而获得更可迁移的移动操作能力。

PhysWorld则把问题推进到世界模型层面。它关注的是：世界模型生成的未来，能否进一步转化为机器人可执行的轨迹，而不只是停留在视觉上合理的视频预测。

这三项工作的对象不同，但可以放在同一个问题链条里来理解：

数据如何构建，能力如何学习，动作后果如何被预测和利用。

这也是人形机器人相比一般VLA任务更复杂的地方。机器人不是只在图像和语言之间建立对应关系，也不是简单输出一个动作标记。它需要在真实物理环境中移动、接触、调整姿态，处理物体、地形、身体约束以及长程任务中的误差累积。

因此，对于人形机器人来说，单纯扩大端到端模型规模，未必能覆盖全部问题。更重要的是，数据、模型训练和物理世界预测之间能否形成有效配合。

从这个角度看，Humanoid Everyday、Psi-0和PhysWorld分别落在这条链路的不同位置。它们没有给出一个单一的答案，而是共同指向一个更系统的问题：人形机器人基础能力的形成，可能需要数据底座、机器人原生模型和物理世界预测一起推进。

两个判断

第一个判断：人形机器人需要一套为其重新设计的基础模型框架——包括预训练、后训练、部署等环节。

机器人要解决的问题，与VLM、世界模型本质上并不是一回事。后者的落脚点是理解和生成，而机器人最终需要的，是在物理世界里把一个动作做对、做完。将语言或视觉模型的那套范式直接搬过来，大概率会“不合身”，更值得做的是打造一套机器人原生（robotics-native）的基础模型，让每个环节都按照机器人自身需求来设计。

Psi-0的路线，就是先从人类视频中学习先验，再通过机器人数据落地。这个判断不会只出现在Psi-0里。EgoScale、DreamDojo等研究方向也都在指向同一件事：机器人必须先向人类数据借力，再想办法跨越身体形态差异（embodiment gap）。

第二个判断：世界模型最重要的问题不是视频质量，而是物理可执行性。

如果世界模型只是在比较谁生成的视频更清晰、更长、更稳定，那它离机器人还差一步。机器人需要的不是漂亮的视频，而是可执行的未来：杯子会不会滑落，接触点对不对，物体会不会翻倒，动作能否由机器人自己的身体完成——这些才是真正决定任务成败的关键。

PhysWorld指向的正是这个悬而未决的问题：世界模型生成的未来，能否进入控制闭环。换句话说，世界模型对机器人真正有用的时刻，不是它生成了一段好看的视频，而是它能帮助机器人判断下一步该怎么做。

这也是王越团队这组三篇工作的核心脉络。Humanoid Everyday解决数据从哪里来，Psi-0解决人形机器人的基础动作能力怎么学，PhysWorld解决动作之后的物理后果如何预测。三篇放在一起看，它们不是在讲述一个更大的端到端模型，而是在搭建一条更完整的链路。

人形机器人的基础能力，可能不会只来自模型规模的继续放大。它更可能来自数据底座、机器人原生模型和物理世界预测之间的系统闭环。