2026-09-01 · OpenClaw 2.0 重构，机器人上幼儿园

今日 AI 双线：OpenClaw 发布史上最大更新 2.0（933 人、1.6 万 PR），会话可在本地与云端间迁移并支持多人协作；DeepSeek 开源 V4 首个多模态模型，DeepSWE 以 59.3% 登顶；OpenAI 采购数万台 Mac 训练电脑操作智能体。具身侧 Ropedia 发布 HOMIE Gen2 主打人类经验规模化，他山科技与萨顿共建的「机器人幼儿园」今日开园。

1. OpenClaw 发布 2.0（v2026.8.1）：933 人、1.6 万 PR，会话可跨本地与云端迁移

事件：8 月 31 日，OpenClaw 发布史上最大版本 v2026.8.1（即 2.0）。据官方博客与腾讯研究院 AI 速递 9/1 汇总：933 名贡献者（其中 569 人首次提交）合入超 1.6 万个 Pull Request，约占项目历史全部合并代码的一半，为此罕见停更近七周、跳过 v2026.7.2。改动覆盖安装、浏览器、Memory、Skills、Automations、Plugin、Security 与权限体系：

Session 可移动：会话不再绑定单台机器，可在本地设备、配对机器与 Cloud Worker 之间迁移，Workspace 随任务一起走；云端机器闲置可休眠，下次来消息再分配 Worker。
从「一人一 Agent」走向多人协作：Shared Cloud Sessions 允许团队成员进入同一任务、保留上下文接手；Shared Gateway 引入身份、在线状态、成员权限与 Agent 访问范围。
记忆与自学习：Active Memory 调用历史私人会话上下文；Background Memory Consolidation 在后台整理长期记忆并留下来源与「Dream Diary」；Self-learning 把任务中验证过的经验转化为新 Skills。
安全：新增 Private Credential Request（遮罩输入索取密码/Token，不进入聊天记录与模型 context）；周期性自动化任务仅对获批的具体操作复用授权，任务变化需重新审批；第三方插件安装前展示来源、版本与能力，可执行来源需 --force 确认。
底层：会话与 transcript 从文件迁移到 SQLite；实验性 Swarm 支持一个 Agent 并行启动多个 Subagent 再汇总结构化结果。

项目九个月获 38.8 万 GitHub 星标、8.1 万 fork。代价是迁移成本高：内置 OpenProse 插件与 /prose 被移除，codex/*、openai-codex/* 路由需迁移到 openai/*，Plugin SDK 一批接口自 2026-09-01 起进入废弃闸门，官方要求升级前备份并跑 openclaw doctor --fix。

为什么值得关注：这次更新的清单，几乎就是过去九个月用户真实痛点的一份反向索引——装不上、记不住、不安全、升级就炸。「Session 可迁移 + 多人共享」是质变：会话从「绑定某台电脑的聊天记录」变成一个带位置、文件、进度与责任人的可移植执行单元，这正是 agent 从玩具走向生产系统的必要条件。同时要清醒：官方明确 team roles 是协作控制、不是敌对租户隔离——能连到你 Gateway 的人，基本等于能碰你的 shell。此外部署维护、Token 成本与安全风险仍未解决，国内「百虾大战」热度已明显回落，也说明「装一只龙虾替你上班」的浪漫叙事，正在被真实运维账单纠正。

来源：OpenClaw 官方 Release Notes 2026.8.1 · explainx.ai《OpenClaw 2.0 Release》2026-08-31 · SEN-X 2026-08-31 · 腾讯研究院 AI 速递 2026-09-01

2. DeepSeek 开源 V4 系列首个多模态模型，DeepSWE 以 59.3% 反超 Opus-4.8 登顶

事件：据腾讯研究院 AI 速递 9/1，DeepSeek 正式开源 DeepSeek-V4-Flash-Vision-Exp——V4 系列首个实验性多模态模型，基于 V4-Flash 架构集成视觉模块持续训练。真实软件工程测试 DeepSWE 以 59.3% 反超 Opus-4.8 登顶第一；工具调用 Toolathlon-Verified 75.9%，仅落后榜首 0.3 个百分点；纯文本智能体任务 5 胜 1 平 1 负。短板同样明确：NL2Repo 与 DSBench-Hard 仍落后约 10 个百分点。V4 系列一个月内更新 6 次，Harness 开发者预览版同步开源迭代。

为什么值得关注：两点信号。一是开源在「真实软件工程」这一最难指标上首次拿下头名——DeepSWE 考的不是刷题，而是仓库级真实修改，开源模型登顶意味着企业自建 coding agent 的天花板被实质抬高。二是 DeepSeek 正在把「模型 + Harness」一起开源迭代，一个月 6 次更新的节奏，是在用发布频率换生态占位：谁的 harness 成为事实标准，谁就拿到了工具链入口。但 NL2Repo/DSBench-Hard 落后 10 个点也提醒别过度乐观——从零起仓库和硬数据科学任务，仍是开源的明显缺口。

来源：腾讯研究院 AI 速递 2026-09-01

3. OpenAI 采购数万台 Mac 做强化学习，训练「会自己用电脑」的智能体

事件：据腾讯研究院 AI 速递 9/1，OpenAI 已购入数以万计的 Mac mini 与 Mac Studio，专用于强化学习，训练可自主操作电脑的智能体；Anthropic 也通过 AWS 租用 Mac。技术动因是苹果统一内存让 CPU 与 GPU 共享同一内存池，配合独立散热可长时间满载运行。结果是苹果上季度 Mac 营收 103 亿美元、同比增近 29%，高配机型已断货数月。竞争面上英伟达以 DGX Spark 正面迎战，而苹果缺少企业工程与开发者关系团队，只能借 Mount Thor 等伙伴切入。

为什么值得关注：这是一条容易被当成「苹果财报花边」而错过的训练基建信号。要训练 computer-use agent，就必须让它在真实操作系统里点真实界面、踩真实报错——纯 GPU 集群给不了这个环境，于是「消费级整机集群」成了 RL 数据工厂，Mac mini 从桌面产品变成训练耗材。这解释了为什么 GUI/桌面操作类智能体今年突然提速，也意味着下一阶段智能体能力的瓶颈之一是「有多少台真机可跑」，而非只有参数与 token。对苹果则是意外剧本：不靠卖 AI，靠卖跑 AI 的机器赚到了 29% 增长。

来源：腾讯研究院 AI 速递 2026-09-01

4. Ropedia 发布 HOMIE Gen2 并全球开售：提出「人类经验规模化定律」

事件：据机器之心与 AI 科技评论报道（8/31），新加坡 Physical AI 公司 Ropedia 发布第四代多模态采集系统 HOMIE Gen2 并全球公开发售，提出 Human Experience Scaling Law：机器人能力将随高质量人类经验的规模化增长持续提升。硬件规格：4 目全景 360° 覆盖 + 4 路空间音频，整机约 380 克、可连续采集约 13 小时，多传感器同步精度 50 微秒，无需外部场地布置即可在家庭/工厂/商场全天候使用。交付的不是原始素材，而是十余种模态（校正双目视频、深度、相机位姿、手部 21 关键点、全身 52 关键点、三层文本标注、3D 高斯、场景 Mesh、2D/3D 检测、4D 物体跟踪）统一到同一时间轴与坐标系的训练级数据；金标准样本集精度：空间定位相对误差约 2‰、手部动捕平均误差 4.68mm、动作语义标注准确率 96.0%。据 Ropedia 自述，相比上一代部署速度提升约 10 倍、采集成本降至约 1/12.5，旗舰数据集 Xperience-10M（约 1000 万交互片段、1 万小时第一视角视频、近 1PB）在 Hugging Face 下载超 270 万次，已服务超 20 家全球机器人与基础模型团队。

为什么值得关注：核心是成本结构的重构。传统遥操作是「一人对一台机器人」，数据产能被死死绑在机器人保有量上；无本体采集把产能绑定到人口规模——每天与物理世界打交道的数十亿人，本身就是最大的采集网络。首席科学家刘子纬（南洋理工副教授）的判断很锋利：「AI 读过一切，却几乎没有经历过任何事情」「不要只想着构建更大的大脑，要构建更完善的经验闭环」。这条路线也与 Generalist AI 的 GEN-1.5「物理提示」相互印证——人类演示可以直接当提示词用，不必重训。需要标注的是：10 倍/12.5 倍与各项精度均为公司自述数据，待第三方复现。

来源：机器之心 2026-08-31 · AI 科技评论 2026-08-31 · Ropedia 官方发布

5. 全球首个「机器人幼儿园」今日开园：图灵奖得主萨顿联手他山科技，让机器人自己摸索

事件：据科技日报、中国经济网与北京青年报报道，他山科技与 2024 年图灵奖得主、「强化学习之父」理查德·萨顿（Richard Sutton） 教授团队 Openmind 联合共建的产学研联合实验室「机器人幼儿园」，于 2026 年 9 月 1 日（今日）正式开园，并面向整机厂商、算法团队与科研机构开放共建招募。该实验室以他山科技自研触觉感知技术为底座结合强化学习，让机器人在真实物理环境中通过大量交互「试错成长」。HICOOL 2026 峰会（8/26–29，北京）现场展出的小型人形机器人走过不平坦地毯时会停顿、踉跄甚至险些摔倒，随后自行调整姿态迈出下一步——屏幕上实时跳动学习曲线，每次碰撞与失衡都转化为强化学习的「负奖励」信号，算法在毫秒级内自我修正。支撑这一切的是自研触觉电子皮肤：感知接触与冲击反馈，相当于赋予机器人「痛觉」，接触力超安全阈值即输出高强度负向信号，让机器人主动规避危险动作；软件层则设计动作过滤器等安全策略保障长程学习。同期首发 TS-EST 多模态电子皮肤（集成触觉/温度/接近觉，力分辨率 0.01N）与全球首款动态触觉感知「绿宝石」E10A 芯片（微秒级时间分辨率）。

为什么值得关注：这是对当前具身智能主流路线的一次正面挑战。现在多数机器人像「提线木偶」——工程师穿动捕服录海量动作再喂给机器人模仿，但真实世界太复杂，动作捕捉永远穷尽不了各种状况，模仿学习一进复杂现场就不堪一击。萨顿的观点直指要害：机器学习算法创造了模型，但模型本身在部署后并不会继续学习；真正的智能应像人类幼儿一样，在与真实世界的持续交互中获取经验、修正自身，「深度持续学习」是通向通用智能必须攻克的核心挑战。值得注意的是，这与本期第 4 条形成一组耐人寻味的对照：Ropedia 押注「把人类经验规模化喂给机器人」，萨顿押注「让机器人自己在真实世界里试错长大」——数据时代与经验时代的两条路，正同时加速。此外「给机器人痛觉」是个务实设计：没有安全边界，无人干预的长时间自主探索根本跑不起来。

来源：科技日报 2026-08-31 · 中国经济网 2026-08-31 · 北京青年报 2026-08-27 · 搜狐《WRC 深度观察》