中关村两院发布科研成果 @2026中关村论坛

在具身智能迈向具身通用智能的演进中，PhysBrain 1.0 实现了从“动作模仿”向“物理常识习得”的范式转轨。在"人类学习"范式的指导下，通过构建能够将海量人类第一视角视频转化为多模态语料的数据引擎，它赋予了模型跨越单纯代码的“物理直觉”，让机器人在交互前便理解了世界运行的底层逻辑。依托这种物理觉醒，PhysBrain 首先在通用视觉语言模型（VLM）基准测试中取得了显著突破，在空间逻辑与物理常识等维度展现出优于主流基座模型的性能。进而，在无需动作预训练的前提下，它在 SimplerEnv、RoboCasa等具身任务国际权威评测中打破了性能上限。该体系由三项支柱技术驱动：基座模型通过人类第一视角数据注入点亮物理常识；TwinBrainVLA 架构利用“双脑融合”化解了领域微调中的通用能力衰退难题；LangForce 策略则从贝叶斯统计视角攻克了视觉捷径困境。PhysBrain 1.0 展现的极致数据效率，印证了物理觉醒是机器人步入真实世界的关键，正加速将AGI带入物理世界，开启人工智能“经验时代”。

（二）AutoSOTA：重新定义SOTA，让科研回归创新本质

在人工智能研究中，SOTA（State-of-the-Art，当前最佳水平的AI模型）是衡量一项研究价值的“金标准”。然而，攀登这一高峰往往伴随着极高的研究投入，一个顶尖的研究成果通常源于一个“大胆的直觉”（Brave New Idea），但更离不开此后持续数月甚至数年的高强度优化改进。以Transformer架构为例，自2017年问世以来，全球科研人员在随后数年中投入了海量算力与人力，围绕其开展了大量变体研究，才将其在通用语言理解评测集（GLUE）上的性能从约75%提升至90%以上。这种持续迭代的“增量式”优化固然必要，却也在很大程度上占用了人类科学家本可投入原创性探索的宝贵精力。北京中关村学院依托自主研发的OmniScientist科研智能体系统，正式发布年度重要成果——AutoSOTA。该项目面向端到端的AI科研自动化，致力于通过科研智能体大幅加速繁琐而高强度的实验迭代优化过程。AutoSOTA采用多智能体协作框架，精准模拟人类算法研究中的分工逻辑，并配备了完善的工具库（Toolkit）和技能集（Skill Set），使其既能应对实验运行中的各种复杂状况，也能通过文献调研、创新构思等高层次思考进行顶层设计，从而实现高效、系统的AI模型性能优化。在为期一周的实验中，AutoSOTA在近一年AI顶会论文成果的基础上，成功发现了105个性能显著提升的SOTA模型，其中超过60%具有新颖的结构设计，平均性能提升达到近10%。AutoSOTA的价值不仅在于刷新性能指标，更在于其对科研范式变革的启发。它既是人类科学家的“创造力放大器”，也促使我们重新思考科研创新的本质：将最宝贵的注意力，从重复性的实验迭代中回归到更具颠覆性、更难被替代的原创性研究上。

（三）让量子化学计算走进真实复杂体系：中关村两院实现大规模DFT和TDDFT新突破

针对传统密度泛函理论（DFT）和含时密度泛函理论（TDDFT）计算规模受限、难以处理真实复杂体系的问题，两院在底层算法和工程实现上持续攻关，先后实现了十万原子级非周期体系的高精度 DFT 计算，以及数万原子规模分子激发态的高效 TDDFT 计算。团队自主研发的软件 MegaDFT，通过万亿规模 Hamiltonian 矩阵的快速构建与分解，突破了传统DFT 软件通常只能处理千原子级体系的限制，将第一性原理计算能力提升至十万原子尺度。进一步地，团队引入张量分解近似算法，使 TDDFT 计算效率再提升两个数量级，显著增强了对大体系激发态和光谱性质的模拟能力。这一系列突破意味着第一性原理计算正从“研究小体系”迈向“研究真实复杂体系”，首次能够以量子化学精度支持超大规模生物分子和非周期材料的定量分析，可广泛应用于蛋白质研究、荧光探针、光敏药物、生物光过程和光功能材料等方向。相关成果将于今年 6 月全面开源，推动大规模 DFT和TDDFT 计算能力在学术界和产业界的广泛应用。

（四）RLinf-USER：可扩展的真实世界在线策略学习开源框架

“纸上得来终觉浅，绝知此事要躬行”。具身智能要真正走向落地，关键在于从真实在线交互数据中持续学习。然而，该领域现有研究多停留在小模型或少量真机场景，易产生过拟合，难以支撑复杂真实世界的泛化需求。因此，在线策略学习必须迈向规模化，才能推动具身智能在真实世界中的持续进化。但主流大规模学习框架通常建立在环境“可加速、可复制、低成本、弱物理约束”的前提之上，这一假设在物理世界中不再成立，使问题演化为系统与算法深度耦合的复杂挑战。针对这一瓶颈，RLinf-USER 从系统与算法两方面协同设计：系统层通过统一硬件抽象，实现多机与异构机器人资源的统一调度，并构建端云协同的自适应通信平面，将通信效率提升至3倍；算法层采用全异步训练架构，相比传统同步方法提升约5倍效率，并引入支持数据预取与持久化的缓冲机制，实现历史数据的高效复用。RLinf 系列工作致力于构建下一代具身智能训练基础设施，已形成从方法研究到实际部署的闭环生态。开源代码在Github 获得近3k Star，获得EAI-100 年度十大突破奖，被英伟达IsaacLab官方收录为首个具身大模型训练引擎；也被智元机器人、自变量机器人、灵初智能、原力灵机、摩尔线程与地瓜机器人及伯克利、港大、北大、清华、上交等顶尖企业与研究机构广泛采用，展现出良好的应用价值与推广潜力。

（五）社会模拟器：AI引领社会科学研究新范式

社会科学长期面临一个根本困境：无法对社会做实验。自然科学可以在实验室中控制变量、重复验证，社会科学却只能在事后解释已经发生的事情——既不能"重放"历史，也不能预演未来。中关村两院开发的社会模拟器试图改变这一局面。它以大语言模型驱动的智能体为基本单元，构建大规模数字孪生社会，使研究者能够在虚拟世界中设定初始条件、施加政策干预、观察社会演化，从而将社会研究从"解释过去"推向"推演未来"。为实现这一目标，我们突破了三个关键瓶颈：高保真 —— 建立智能体个体级对齐机制，使模拟从"宏观看似合理"推进到"微观机制可检验"；大规模：——实现十亿级智能体的并行演化，逼近真实社会的复杂性；广数据 ——通过持续感知与多源异构数据融合，为模拟提供接近真实世界的信息输入。该方法已在千万级公众舆论仿真中得到验证，为社会科学研究提供了一种可实验、可复现、可推演的全新范式。