在南加州大学，王越教授创立的 PSI Lab（Physical Superintelligence Lab）在短短两三年内，迅速崛起为具身智能领域势头最为强劲的新锐研究团队之一。

王越本人于 2022 年获得 MIT EECS 博士学位，毕业前曾在 NVIDIA 自动驾驶研究组担任研究科学家；2023 年加入南加州大学（USC）计算机系担任助理教授，并快速组建了 PSI Lab。博士期间，他曾荣获 2020 年 NVIDIA 研究生奖学金；任教后，又陆续斩获 Toyota 青年学者奖和 Powell Faculty Fellowship 等多项荣誉。他的早期标志性成果——点云理解领域的 DGCNN、DCP，以及自动驾驶 3D 感知方法 DETR3D——至今仍是业内必读的经典之作。其中，DGCNN 作为点云深度学习的基石性工作，长期稳居 ACM Transactions on Graphics 高被引论文前列。

PSI Lab 成立时间虽不长，但学生团队的成果产出密度令人瞩目。短短两年间，组内学生已先后获得 NVIDIA、Qualcomm、Capital One、Annenberg、Amazon 等多家顶级奖学金和研究资助，本科生也曾荣获 CRA 杰出本科研究者荣誉。对于一个年轻实验室而言，如此高的获奖密度和产出效率实属罕见。

这一成长路径也恰好阐明了 PSI Lab 的独特定位：它并非从纯计算机视觉（CV）突然转向机器人领域，也不局限于单一控制方向，而是稳稳扎根于 3D 世界理解、物理世界感知与真实机器人任务的交叉地带。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 主页

在今年的 CVPR 2026 具身智能 Workshop 上，王越教授带领的 PSI Lab 与合作者一举斩获三项大奖。

Psi-0 荣获 3D-LLM/VLA Workshop 最佳论文奖，PhysWorld 获得同一 Workshop 的最佳论文提名奖，Humanoid Everyday 也摘得 Embodied AI Workshop (EAI) 最佳论文奖。三篇工作随后均顺利进入各自方向的主会：Psi-0 被 RSS 2026 录用，PhysWorld 和 Humanoid Everyday 均被 ICRA 2026 录用。

这三个项目恰好对应了人形机器人当前最紧迫的三个关键环节。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配套基准评测；Psi-0 在此基础上更进一步，训练一个能迁移到人形身体上的基础动作模型；而 PhysWorld 则向前推进了一步，让模型不仅能“看懂”眼前的世界，还能预测一个动作执行之后，世界会变成什么样。

如果将打造人形机器人视为搭建一个长期系统，而非一次性 demo，那么这三项工作实际上串联成了一条完整的路径：先获取足够真实、足够多样的数据，再用这些数据训练出能落地到机器人身上的基础模型，最后让模型具备对动作后果的预测能力。

王越老师

Psi-0：人形机器人的基础模型框架

Psi-0 的全称为 Ψ₀：An Open Foundation Model Towards Universal Humanoid Loco-Manipulation。Loco-manipulation，指的是移动与操作相结合的任务，例如推车、递送、倒水、清洁、开水龙头、拉椅子。机器人并非固定在桌前抓取物体，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，也比桌面操作复杂得多。

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、机器人轨迹和其他多模态数据混合在一起训练。但人和机器人并非同一种 embodiment——人的手臂长度、关节范围、手指灵活性、运动方式，都与机器人截然不同。人类视频中包含丰富的操作经验和物体交互过程，但它们无法直接等同于机器人可执行的指令。

Psi-0 采用的思路是分阶段训练。

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。而且，这类数据天然易于规模化：不需要遥操作，也不需要专门采集设备，一部头戴相机甚至手机就能录制，数据量远大于真机示教数据。

第二步，再用约 31 小时的 Humanoid Everyday 人形机器人轨迹进行后训练。这个阶段的作用，是把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，用少量目标任务数据做适配。模型不需要为每个任务从零开始学习，而是在已有的先验和能力基础上，继续微调适配具体任务。

所以说，Psi-0 关心的不是单纯扩大机器人数据规模，而是如何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 embodiment 对齐，少量目标任务数据完成具体适配。这篇工作的意义在于，它把人形机器人 foundation model 的训练问题，拆解成了更清晰的阶段——先从人类数据中学习可迁移的交互先验，再通过机器人数据把这些先验落到可执行的指令上。不是一股脑混在一起，而是让不同数据在不同阶段各司其职。

PhysWorld：世界模型开始负责物理

PhysWorld 的论文名为 Robot Learning from a Physical World Model。在机器人的语境中，世界模型关心的是：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，许多世界模型工作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，模型就生成一段未来视频。视频越稳定、越真实，往往越像是在“理解世界”。但对机器人来说，视觉上合理还远远不够。一个视频模型可以生成“手把杯子推走”的画面，但这不等于它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的身体执行。

PhysWorld 处理的正是这个中间环节。它不是把世界模型停留在未来视频生成上，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。

流程可以拆解为三步：先给定图像和任务指令，生成任务相关视频；再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 object-centric residual reinforcement learning，把视觉预测进一步转化为机器人可执行的轨迹。这里的 object-centric，指的是围绕物体来组织场景和动作信息。机器人操作中，真正重要的通常不是整张图，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。Residual RL 可以理解为在已有视觉指导的基础上，再通过强化学习做物理层面的修正，让动作更符合机器人动力学和环境约束。

所以，PhysWorld 真正关心的不是视频质量本身，而是 physical actionability：世界模型预测出来的未来，能否进一步转化成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，那它主要还是生成模型；只有当这些预测能够进入机器人训练和控制链路，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。相比固定机械臂和桌面操作任务，人形机器人面对的是更开放的任务设置。它不仅要感知物体，还要协调身体、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。

在这个背景下，Humanoid Everyday 提出了一个包含 260 个任务、7 类任务、1.03 万条轨迹、超过 300 万帧数据的数据集，模态包括 RGB、深度、LiDAR、触觉和自然语言标注。它不只提供训练数据，还提供了一个云端评测平台，让不同方法可以在统一控制环境中部署和评估。

云端评测平台是这项工作的重要组成部分。机器人学习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，方法之间很难直接比较。对于开放世界人形操作，这个问题会更明显，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，就是为模型能力提供一个更稳定的比较坐标——让研究者能够展示某个策略在特定场景中的表现，也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 的价值不只是数据规模，而是把开放世界人形操作放进了可训练、可评测、可复现的研究框架里。它是人形机器人基础模型训练中很关键的一层：面向真实日常任务的多模态数据集，以及可以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。它关心：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。它关心：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 则把问题推向了世界模型。它关心：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。

这三篇工作的对象不同，但可以放进同一个问题链条里理解：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 token。它要在真实物理环境中移动、接触、调整姿态，处理物体、地形、身体约束和长程任务中的误差累积。

因此，对人形机器人来说，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它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，和 VLM、世界模型本质上并不是一回事。后者的落点是理解和生成，机器人最终要的，是在物理世界里把一个动作做对、做完。把语言或视觉模型那套范式直接搬过来，大概率不合身，更值得做的是一套 robotics-native 的基础模型，每个环节都按机器人自己的需求来设计。Psi-0 的路线，就是先从人类视频里学先验，再用机器人数据落地。这个判断不会只出现在 Psi-0 里，EgoScale、DreamDojo 这些方向也都在指向同一件事：机器人必须先向人类数据借力，再想办法跨过 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视频，而是可执行的未来：杯子会不会滑，接触点对不对，物体会不会翻倒，动作能不能由机器人的身体完成——这些才是真正决定任务成败的问题。PhysWorld 指向的正是这个悬而未决的问题：世界模型生成的未来，能不能进入控制闭环。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怎么预测。三篇放在一起看，它们不是在讲一个更大的端到端模型，而是在搭一条更完整的链路。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。