AI 日报 | 2026年11月14日

今天的五条动态围绕两个关键词展开：AI 交付的「可验证性」与具身智能的「路线之争」。数学证明方面，Claude Code 用 19.4 万行零 sorry 的 Lean4 代码完成了三元哥德巴赫猜想的机器可验证证明；工程实践方面，一份质量工程报告揭示了 81% 团队正在合并不理解的 AI 代码。具身智能侧，OpenAI 解散独立机器人团队押注通用模型、Gemini Robotics 2.5 登上奔驰产线、国内 Touch-R1 触觉模型入选 NeurIPS——专用模型与通用模型的边界正在被重新划定。

Claude Code 完成 19.4 万行 Lean4 代码，三元哥德巴赫猜想实现机器可验证证明

独立开发者 Charlie Reams 借助 Claude Code 完成了对三元哥德巴赫猜想的形式化证明，累计产出 19.4 万行 Lean4 代码且全库零 sorry（Lean 语言中「sorry」表示跳过未证完的步骤，零 sorry 意味着每一行推理都通过机器内核的严格检查）。三元哥德巴赫猜想又称弱哥德巴赫猜想，指任何大于 5 的奇数都可表示为三个质数之和，2013 年由数学家 Harald Helfgott 宣布证明，但其 300 页手稿充满不等式放缩与常数计算，十余年来全球几乎无人逐行核验。Claude 在推导过程中自主发现原版证明中的 11 处问题（含常数写错、不等式不成立、引用数据偏差），逐一修补后，又把证明依赖的外部假设从 5 项精简至 2 项已有公开数值验证的结果；原作者 Helfgott 本人在 X 上确认了这一工作。

值得关注：这件事的分量不在「证完了」，而在把「证完了」的判定标准从同行评议推向完全机器可验证的闭环——AI 交付的不再是文本，而是可被内核逐行检查的数学产物。对数学、密码学协议验证这类可形式化领域，这是一套可复用的工作流；对 AI coding 而言，它展示了长上下文推理在超大规模工程任务上的真实上限。

来源：新智元（网易）、AIBase

OpenAI 解散独立机器人团队，转向通用模型直接控制机器人

据《财富》杂志 11 月 13 日独家报道，OpenAI 已解散独立机器人研究团队：机器人研究人员并入首席研究官 Mark Chen 领导的核心研究团队，应用机器人与硬件团队转入总裁 Greg Brockman 负责的应用部门。OpenAI 确认此举是重组而非放弃，并解释了动因：年初研究人员还认为机器人技术应建立在 Sora 等模型之上，但 GPT-6 Astra 等前沿通用模型已展现出直接控制机器人的能力。英伟达一项研究显示，搭载 Astra 的智能体在模拟机器人操作基准上成功率达 74.8%，高于该榜专用机器人模型此前报告的 51%。OpenAI 仍计划研发人形机器人，CEO 奥尔特曼此前提出争取 2027 年首次公开演示。一个细节是：OpenAI 本已报名参加本周在奥斯汀举行的机器人学习会议 CoRL 并预留展位，但《财富》到访时展位已空。

值得关注：这是一条横跨 AI coding 与具身智能的路线级信号——当通用大模型的能力足够强，「为机器人单独训练专用模型」的必要性被重估，机器人正在从「需要单独攻克的问题」变成「通用智能的下游应用」，如同编程、法律工具今天所走的路径。但边界也要看清：通用模型运行慢、依赖云端，机器人公司在真机部署与数据积累上仍有优势（MIT 教授 Russ Tedrake 即持此观点），重组不等于路线之争终结。

来源：腾讯新闻、格隆汇

Gemini Robotics 2.5 登上奔驰产线，汽车零件分拣成功率 96%

Google DeepMind 于 11 月 10 日在 CoRL 2026 发布 Gemini Robotics 2.5——迄今最强的视觉-语言-动作（VLA）模型，并在本周会议现场做了实机演示。该模型在 200 多项任务上成功率比上一代提升 30%-100%、完成速度提升 20%-30%，其中长短板项尤其突出：用夹子夹取烘焙食品成功率从 5% 升至 100%，系蝴蝶结从 0% 升至 70%。最受关注的是真产线验证：在奔驰位于匈牙利凯奇凯梅特与德国辛德尔芬根的活产线上，搭载该模型的 Apptronik Apollo 2 人形机器人执行汽车零件分拣（kitting，从散料箱中按装配顺序分拣金属支架），成功率 96%；架构上由 Gemini Robotics ER 负责推理规划、Robotics 2.5 负责动作执行。模型目前仅向 Apptronik、Boston Dynamics 等合作伙伴开放，无公开 API。

值得关注：这是通用 VLA 模型首次在真实工厂产线上给出可量化的成功率，且可变形物体操作这一传统弱项出现代际跃升。DeepMind 同时开源了 ASIMOV-Jailbreak 物理安全基准（1500 条对抗性提示），为行业提供了首个机器人安全测试公共标准。口径提醒：96% 为 DeepMind 自报数据、属 proof of concept 而非正式部署，无失败样本分母与人工介入频率披露；「推理模型规划 + 执行模型动手」的双层架构正在成为行业模板，与 OpenAI 的通用模型直控路线形成对照。

来源：GE Roundtable、MLLLM

戴盟机器人 Touch-R1 入选 NeurIPS 2026，触觉推理补上灵巧手「最后一厘米」

深圳戴盟机器人主导研发的 Touch-R1 模型近期被机器学习顶会 NeurIPS 2026 正式接收，成为首个将强化学习系统性引入触觉推理的模型。其针对的痛点是：现有具身模型重视觉轻触觉，机器人看得见水果却控制不好力道——抓空或捏烂。Touch-R1 将触觉认知从「看起来是什么」推进到「实际是什么」，实现跨传感器的一致物理判断。配套发布还包括 TouchReason-1M 数据集（1.47 万条触觉序列、132.3 万个同步数据对）与 TouchReason-Bench 评测基准；在该基准上 Touch-R1-7B 综合得分 60.1，比 GPT-4o 高出约 24.7 分（自报口径）。据 21 世纪经济报道，广东正将灵巧手竞争从「比自由度」推向「比能否真正干活」，形成从触觉感知、模型训练到产线验证的生态链。

值得关注：对具身智能数据层而言，TouchReason-1M 是继视觉动作数据之后又一类新型公开数据资产——触觉序列数据的采集、同步与标准化难度远高于视觉，其数据管线与评测基准的设计思路值得数据从业者直接借鉴。这也再次印证：具身智能的瓶颈正从「本体」转向「感知-数据-模型」的完整闭环。

来源：21 世纪经济报道（网易）

TestMu AI 报告：81% 软件团队已合并自己不理解的 AI 代码

智能体质量工程平台 TestMu AI（前身为 LambdaTest）今日发布《State of AI in Quality Engineering 2026》报告。核心发现：40% 的团队已有超过一半的生产代码由 AI 编写，81% 的团队承认合并过自己未完全理解的 AI 生成代码或测试，44% 的团队表示漏检缺陷或生产事故有所增加。验证侧严重滞后：仅 41% 的团队在合并前对 AI 代码做自动化检查，55% 依赖人工审查，51% 事后交给 QA；仅 13% 制定了 AI 错误应急响应预案。更值得警惕的是，使用 LLM-as-a-judge（用一个模型为另一个模型评分）的团队中，经常合并不理解输出的比例约为其他团队的两倍（29% vs 15%）。

值得关注：这份报告为「AI 生成速度跑赢了验证能力」提供了量化证据，且点出一个反直觉结论——让 AI 评判 AI 可能制造虚假的验证安全感，而非填补缺口。报告提出的解法与当前行业方向一致：AI 输出应在合并前交由独立于生成模型的系统验证。对企业落地 AI coding 而言，验证与生成同等需要预算和工程投入，这正是下周各团队排期时容易漏掉的一行。

来源：腾讯快报