「不卖」机器人，直接交付结果。

编辑｜泽南

黄仁勋曾经说过，AI 时代 token 就是货币，那么谁会是 token 最大的消费者？

稚晖君给出答案：具身智能体。

智元联合创始人、总裁兼 CTO 彭志辉（稚晖君）。

具身智能的任务空间，是数字世界 + 整个物理世界的总和。一台机器人在真实环境中运行，每时每刻都在感知、推理、决策和控制，背后是持续涌动的 Token 流。

那么，具身智能的机器载体就不是在一次性地消耗 token，而是要嵌入在整个 AI 运作的数字流中无休止地运作，作为新一代生产力基础设施，连接 AI 模型与物理世界。谁能先把这个闭环跑通，谁就有机会定义下一代生产力。

正是基于这一底层逻辑，拿下全球人形机器人出货量第一的智元，决定不再按常理出牌。

在 4 月 17 日上海举办的大会上，智元一口气拿出了四大全新机器人产品、六大 AI 模型、七大标准化生产力解决方案，以及一套全栈生态技术体系，宣告了具身智能生产力新时代的开启。

四大本体、六大 AI 模型

「一体三智」架构全面进化

在 Keynote 中，稚晖君深入阐述了智元的技术架构体系「一体三智」。

所谓的「一体」，是指稳定可靠、高上限、低成本的机器人本体，「三智」则涵盖了运动智能、交互智能和作业智能。两者深度融合，构成了机器人走向通用化的物理与大脑基础。

此次大会上，智元一口气拿出了四大本体新品，包括：

• 远征 A3：被定义为今年行业综合能力最强的全尺寸人形机器人，拥有行业最高推重比，结构设计模块化，双电池包支持热插拔，可连续工作 8-10 小时不断电，更是业界首款原生支持交互智能部署态的全尺寸人形。

• 灵犀 X3：新模态人形交互服务终端，集合了智能、拟人化、安全易用于一身，面向服务业任务，预计年底上市。

• 精灵 G2 系列：两款轮式机器人，包含极致轻量化、支持人机合一数采模式的 G2 Air，以及专攻工业搬运、具备更大负载力控的 G2 Max。

• 酷拓 D2 系列：四足机器人，将具身智能的边界从室内打向全地形。具备自适应动态平衡与 L3 级智驾能力，面向安防巡检、消防救援等特种作业。

其中，最像人类、最硬核的远征 A3 已正式量产，提前锁单：

有了强悍的躯体，机器人也需要聪明的大脑。智元推出了六大 AI 模型，目标是解决机器人「怎么动」、「怎么交流」和「怎么干活」的核心问题。

在运动智能方面，智元拿出了两种运控基座模型。其中行为基座模型 BFM 使用超 1 亿帧、700 小时的动捕数据训练，让机器人不仅能高精度模仿人的动作，还具备零样本适应新任务的能力。配合 G2 Air 机器人，智元跑通了类似自动驾驶的「影子模式」：人带着机器人干活，数据自然生成。

行业首发的生成式运控模型 GCFM 则让机器人无需预先编排，通过一句自然语言或音频就能实时生成任意动作。

交互智能方面，在已规模应用的 WITA 大模型基础上，智元要在今年三季度扔出「王炸」：行业首个端到端具身多模态交互大模型 WITA Omni 1.0。它不仅能保留情感、语境和音调，还能像真人一样支持中途插话、打断和纠正，实现拟人的交互表达，交互时延压缩到了 500ms 以内。

作业智能是投入最大的方向，智元发布了融合大小脑的 GO-2 模型和动作世界模型 GE-2、开源数据集 AGIBOT WORLD 2026、仿真平台 Genie Sim 3.0 及 Genie Studio 2.0。在三季度，他们还将推出融合 ViLLA 架构和世界模型架构的 GO-3 模型，数据规模将达到 GO-2 的数十至百倍，真正赋予机器人复杂长程任务的推理、规划与推演能力。

至此，从硬件到 AI 算法已经完全打通。但为了让机器人在各行各业规模化运转起来，智元还有更大的计划。

生态技术体系

要做具身智能的「安卓系统」

具身智能的落地还需要一个连接开发者、硬件和场景的桥梁。因此，智元正式发布了 AIMA（AI Machine Architecture）全栈生态技术体系。

智元发布的 AIMA 体系。

这是一个完整开放的具身智能生态技术体系，采用「1+3+X」架构：统一的开源操作系统「灵渠 Link-U OS」，三大核心开发平台（支持动作学习的灵创平台、侧重智能体定制的灵心平台，以及低门槛一站式开发平台 Genie Studio），在此基础上是数个具身智能体框架。

为推动这一生态，智元启动了「元苼」生态发展计划，未来 5 年计划投入超过 20 亿元扶持科研学术创新、教育人才培养、生态伙伴发展、开发社区运营。

为了彻底解决困扰具身模型训练的数据瓶颈，智元还推出了全球首个物理 AI 数据网络「蜂巢数据共创行动」，预计在年内实现千万小时级的数据产能，2030 年达到百亿小时规模。这将推动物理世界的数据飞轮高速转动，帮助 AI 能力实现指数级提升。

随着智能大模型、可靠本体与数据飞轮三大核心要素走向成熟，大模型解决了「理解世界」的问题，机器人本体将会跨越「可靠执行」的门槛。

智元机器人创始人、董事长兼 CEO 邓泰华表示，具身智能正在经历从「开发态」向「部署态」的进化，从「能动」走向「会干」。

智元创始人、董事长兼 CEO 邓泰华发表主题演讲。

所谓部署态，是指人形机器人彻底告别炫技的 demo 视频，能够进入真实工业、商用场景稳定、连续地创造价值。

这一判断有着切实的数据支撑：2026 年 3 月，智元刚刚宣布第一万台通用具身机器人正式量产下线。而在 2025 年，智元已凭借超 5100 台的出货量和 39% 的市场份额，拿下了全球出货量与份额的「双第一」。

智元的营收在三年内也实现了跨越式增长，从 2023 年的 30 万，2024 年的 6000 万，到 2025 年突破 10 亿元，成为了国内最快迈过 10 亿营收门槛的机器人公司。

机器人进厂打工

已经不演了

具身智能到了落地这一步，切入各行业工作流的过程已不是「卖机器人」，而是直接「交付结果」。

围绕工业与服务的全场景，智元目前能提供七大标准化生产力解决方案。包括产线的上下料、工业物料搬运、物流分拣、引导与零售服务、零售服务站、安防巡检、工商业清洁等。

这其中的每套方案都将硬件本体（如 A3、G2 AIR 等）、具身 AI 大模型、作业数据与运维体系深度整合，人们可以快速复制已跑通的路径，投资回报率（ROI）也是可以量化的。

在工业制造板块，智元已率先跑通了三大「作业智能」场景。

首先是产线上下料。上个星期，智元在「AI 发布周」上炫起了具身智能落地。在龙旗的平板制造厂，智元的直播连开 8 个小时，验证了全球首个具身智能 3C 精密制造产线规模化落地效果。

其中两台具身作业机器人智元精灵 G2 以产线正式员工身份，在高速流水线上负责精密上下料的任务。它们在产线一侧抓取平板电脑，将其放入测试设备，待测试完成后再取出并放至另一条流水线。

现在经过调试，人形机器人完成一个动作周期的时间已被缩短到 18-20 秒，整体作业成功率 100%，一台机器人在一小时内能够吞吐 300 多件产品。智元计划到今年第三季度，将该类设备在龙旗产线的部署规模扩大至百台量级。智元的机器人还在在均胜、英特尔、华天的工厂里进行了推广。

其次是工业搬运拆码垛，旨在替代重体力劳动（如搬运数十公斤料箱）。该方案已在富临精工、上汽、京东等场景常态化部署。随着具备更大负载力控的 G2 Max 推出，下半年将迎来更大规模的推广。

在物流分拣上，智元聚焦柔性物品及软包分拣，在操作物体的泛化性、节拍成功率、双臂协作等方面已满足成熟部署条件，正在海外进行落地推广。

在商业服务板块，智元的机器人已是具备情绪价值的伙伴。

在导览导购导引场景上，智元与安踏、海底捞等连锁集团达成了战略合作。在海底捞门店，近百台人形机器人已投入表演与引位服务，未来还计划进一步探索叫号、排队等运营岗位的提效。

在服务零售站场景上，依托工业级的高精度抓放能力，智元实现了在无人值守状态下的零售物品精准存取，目前已形成了第一批场景化运营推广合作伙伴。

环境更为复杂的特种作业板块上，具身智能同样展示了适应性。

在安防巡检场景，智元依托四足机器人、机械臂和 VLN 模型，能够在巡检同时实现开关柜门、砸机、旋钮等操作，还可以实现视觉语言导航、末端配送等任务扩展，广泛应用于电网、石化及边境巡逻。

在工商业清洁场景上，智元提供了成熟的方案，主打最强的清洁作业能力，已实现累计万台出货，今年目标出货量超过六千台，在海外保洁市场具有显著增长空间。

所有七个场景上，智元都与行业头部客户进行了共创。为了降低部署门槛，智元还打造了全球化机器人租赁网络平台「擎天租」，正在推动 RaaS（机器人即服务）商业模式，可通过按需使用、按价值付费的方式提供服务。

这意味着具身智能已正式进入规模化、可复制的工业级部署阶段。

三道发展曲线

划出未来

智元给具身智能画出了三道发展曲线，对技术从开发向部署的演进进行了预测。邓泰华明确指出，2026 年是具身智能正式从「开发态」迈入「部署态」的元年。

其中代表过去的 X 曲线（开发尝鲜期）是指解决从原型到规模量产的跨越，意味着机器人能像人一样动起来。过去几年，行业已完成技术可行性验证，让机器人变成了货架上的商品。

2026-2030 年，具身智能会正式迈入 Y 曲线（部署增长期）。机器人将能够自主完成任务、自主运维、自主补能，尽量不依赖人工介入，能独立工作创造价值。机器人将在这一阶段开始真实落地干活，部署态的数据飞轮将驱动其生产力持续逼近人类。

预计在 2030 年以后，具身智能将步入 Z 曲线（部署普及期）。这是具身智能的「ChatGPT3.5 时刻」。届时机器人将通过物理世界的图灵测试，行为表征与人类一致，群体智能的涌现将让机器人在制造、物流、服务等重点领域的生产力全面超越人类，释放万亿级市场的潜力。

结语

具身智能的赛道上挤满了玩家，然而到了「部署」的元年，真正跑得起来的还不多。

智元破局的答案藏在严丝合缝的商业闭环里：全产品矩阵覆盖了大部分需求场景，强大的 AI 模型确保了设备真正可用，标准化的落地方案大幅降低了交付成本，而全球化的生态布局则撑起了万台级的市场规模。技术、产品、商业、生态的全链条已经跑通了。

而随着量产规模的雪球滚起来，这些优势将会化为数据的积累，推动具身智能「涌现」时刻的到来。

那场我们期待的产业革命，仿佛已近在眼前。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开

必须了解的 Vibe Coding方法论和实用技巧

编辑｜+0、Panda

如果摔断了手、打了两个月石膏，工作却不能停，程序员该怎么办？Anthropic 的研究员、《构建高效智能体》合著者 Erik Schluntz 的答案是：全权交给 Claude。

如今，随着 AI 强势重塑软件行业的规则，Vibe Coding 已经变成了企业想要成倍提升生产力时，绕不开的一道必答题。

几个月前，Schluntz 带着他被迫「全自动化办公」的奇妙经历走到台前，和大家一起探讨一个略带争议的话题：如何在生产环境中负责任地进行 Vibe Coding？

这个演讲干货十足，最近几天又在 X 上火了起来，网友 Movez 甚至盛赞其胜过 100 门付费课程。

本着 Vibe Coding 的精神，我们也在 AI 的帮助下对 Schluntz 的演讲进行了整理。

定义「氛围编程」

很多人将重度使用 Cursor 或 Copilot 等 AI 工具生成代码等同于氛围编程。事实并非如此，只要开发者依然与模型保持着逐行修改与审查的紧密反馈循环，这就无法称之为真正的「氛围」。

Andre Karpathy 对此给出了更为精准的定义：「完全沉浸于氛围，拥抱技术发展的指数级增长，并且彻底忘记代码的存在。」

这种工作模式彻底降低了开发门槛，让缺乏工程背景的人群也能独立开发完整应用。但在过去，这种开发模式的成功案例往往局限于个人游戏或低风险项目。一旦非专业人士将这套模式搬入真实的生产环境，常常会导致耗尽 API 额度、绕过订阅验证甚至随意篡改数据库等失控情况。

为什么要拥抱指数级增长？

既然高风险的商业环境中存在不可控因素，我们为何还要推进这项技术？核心驱动力在于 AI 能力的「指数级增长」。

目前，AI 能够独立处理的任务长度大约每 7 个月就会翻一倍。今天 AI 能够稳定完成耗时 1 小时的编码任务，开发者尚有精力逐行审查。到了明年甚至后年，当 AI 能够一次性生成相当于人类 1 天甚至 1 周工作量的代码时，如果依然坚持传统的同步审查与修改，人类工程师必将成为算力爆发的瓶颈。

我们可以参考编译器的发展史。早期的开发者可能并不信任编译器，依然会去检查底层的汇编代码。随着系统规模的扩大，开发者必须学会信任更高层级的抽象。面向未来，整个软件工程界同样需要提前思考：如何在生产环境中安全且负责地接纳大模型直接生成的系统。

寻找可验证的抽象层与「叶子节点」策略

在生产环境中实践氛围编程的核心理念在于：忘记代码的存在，但必须始终关注产品的存在。

在现代企业管理学中，CTO 依靠验收测试来管理技术专家，产品经理通过体验产品来验证功能设计，CEO 借助关键数据切片来抽查财务模型。他们都没有深入到最底层的执行细节中。软件工程师也需要建立类似的、无需阅读底层代码即可验证的抽象层。

核心在于：找到你可以验证的抽象层！

然而，目前的 AI 编码存在一个棘手的技术阻碍，即技术债。当下除了通读源码，我们极难通过其他系统化手段来衡量或验证技术债。

基于此，Erik Schluntz 提出聚焦代码库中的「叶子节点」（Leaf nodes）。

这些节点指的是不被其他任何模块依赖的末端功能或附加组件。在这些区域，即便产生了一定的技术债也是可以接受的，因为它们极少变动，也不会阻碍后续模块的构建。相反，对于系统的主干与底层架构部分，工程师仍需深入理解并严密保护其可扩展性。

值得注意的是，随着模型能力的提升，我们能够信任 AI 接管的代码层级正在向下延伸。以 Anthropic 内部近期测试的新版模型为例，AI 生成优质架构的成功率正在提升，这种边界正在发生动态变化。

做好大模型的全职产品经理

要让 AI 输出高质量工程代码，开发者需要转换思维，把自己当成 Claude 的产品经理。不要问 Claude 能为你做什么，要问你能为 Claude 做什么。

在面对复杂的开发任务时，开发者需要像带教第一天入职的新员工一样引导 AI。直接抛出「实现这个功能」的指令注定会失败。开发者需要向 AI 提供详尽的代码库导航，并明确需求规格和限制条件。

Erik Schluntz 强调了他的一套标准前置工作流。

在让 Claude 真正动手写代码之前，他通常会花 15 到 20 分钟与其进行互动。这包含让 AI 探索代码库、查找相关文件，并共同制定一个清晰的执行计划。随后将这些经过全面梳理的上下文和规范汇入一个单独的提示词中，再让 Claude 去执行。在此流程下，模型的任务成功率会呈现指数级跃升。

22000 行代码的生产环境合并案例

在演讲中，Erik Schluntz 披露了 Anthropic 内部的一个极限实战案例。其团队近期在强化学习代码库的生产环境中，成功合并了一次高达 22000 行的代码修改，其中绝大多数由 Claude 编写。

为了负责任地完成这次 merge，团队采取了四项核心策略：

1. 产品经理视角的深度引导：耗费数天时间进行前期的人工规划与需求梳理。

2. 严格划定修改范围：将代码变更严格限制在允许存在技术债的叶子节点上。

3. 核心区域人工介入：对于必须保证底层扩展性的核心逻辑，团队执行了严格的人工审查。

4. 建立可验证的检查点：设计针对系统稳定性的长时间压力测试，并确保整个系统具备极易被人类验证的输入和输出标准。

通过这种方式，原本需要人类工程师耗费两周时间逐行编写与审查的巨大工程，被压缩到了 1 天内完成。当开发的时间成本断崖式下降时，工程师将有能力去推进以往由于资源限制而搁置的大规模重构与功能迭代。

进阶技巧

探索、测试与工具链协同

在长达数十分钟的问答环节中，Erik Schluntz 针对开发者关心的实战细节进行了密集解答，涵盖了从个人成长到工具搭配的多个维度。

提问 1：在过去，我们花很多时间处理语法、库文件或是代码组件之间的连接问题，我们在这个过程中学习。现在该如何学习？如何积累足够的知识去做好 Agent 的产品经理？

Erik：这是个很好的问题。确实，我们将不再经历那些痛苦的死磕。但我认为这没什么，就像现在的程序员不用手写汇编代码一样。

乐观的一面是，我发现借助 AI 工具，我学习新东西的速度大大加快了。很多时候我会问：「嘿 Claude，我没见过这个库，给我讲讲。你为什么选它？」拥有这样一个永远在线的结对程序员伙伴，意味着那些懒惰的人会蒙混过关，但只要你愿意投入时间去学，Claude 会帮你弄懂它。

此外，借助 AI 我们可以进行更多次「试错」。原本需要两年才能验证的架构决策，现在六个月就能出结果。只要愿意尝试，工程师在同样的自然时间里能学到四倍的经验教训。

提问 2：在预先规划过程中，如何平衡给它的信息量？有没有一个标准化的模板？

Erik：这取决于你在乎什么。如果我不关心它是怎么实现的，我连一个实现细节都不会提，只给最终需求。如果我很熟悉这块代码库，我会深入到具体用哪些类、参考哪个示例。

不过，当你不对模型施加过度约束时，它们表现得最好。所以我不建议花太多精力去弄严苛的格式模板，你就把它当成一个初级工程师去沟通就好。

提问 3：如何平衡有效性和网络安全？比如之前有报道说，很多不懂代码的人做出的 Vibe 编程应用存在严重漏洞。

Erik：还是回到第一点：做好 PM。你需要懂行，知道什么是危险的、什么是安全的。媒体报道的漏洞大多是完全不懂写代码的人搞出来的，所以这在游戏和玩具项目里没问题。但对于生产系统，你需要问出正确的问题去引导。我们那个 22,000 行代码的案例，是一个完全离线运行的任务，所以我们确信没有安全风险。

提问 4：全球懂软件的人不到 0.5%，为了让普通人更容易地构建软件，同时避免泄漏 API 密钥这类安全问题，现有的产品需要做出怎样的改变？

Erik：如果能涌现出更多能够实现「数学证明级别正确无误（provably correct）」的产品和框架，那就太棒了。比如有人能构建出一种系统，后端把重要的身份验证、支付部分都锁死保障好，只留出一个「填空式」的前端沙盒让你尽情去 Vibe Code。

最简单的例子就像 Claude Artifacts，它托管在云端，只有前端，没有权限和支付，所以怎么瞎折腾都安全。希望能有人开发出这样能作为补充的好工具。

提问 5：关于测试驱动开发（TDD），你有什么技巧吗？ Claude 经常容易在测试里越陷越深。

Erik：TDD 在 Vibe Coding 中极其有用。即使你看不懂测试用例，它也能帮助 Claude 变得更加自洽。

但确实，Claude 容易写出过度依赖具体实现的「死胡同测试」。我的做法是强制规范它：「只写 3 个端到端（E2E）测试，写一下快乐路径（happy path）、错误场景 1 和错误场景 2」。 引导它写极其极简的端到端测试，确保这连我自己也能看懂。

在 Vibe Coding 时，我通常唯一会去看的代码就是测试代码。测试过关了，我才觉得靠谱。

提问 6：Andre Karpathy 说「拥抱指数级增长」，这到底意味着什么？是不是模型会在我们期待的每一个维度变好？

Erik：指数级的核心不仅仅是持续变好，而是它们变好的速度远远超出我们的想象。 就像散点图一样，刚开始是平缓上升，然后突然就狂飙突进了。

回顾 90 年代搞计算机的人，从几 KB 内存到今天的 TB 级存储，那不是好了两倍，而是好了数百万倍。所以我们不该想「20 年后模型好两倍会怎样」，而是要想「如果它比今天聪明一百万倍会发生什么」。这极其疯狂，这才是所谓的拥抱「指数级」。

提问 7：你有两种工作流，一种是在终端里（Claude Code），一种是在 VS Code/Cursor 里，你通常用哪种？多久会压缩（Compact）一次上下文？因为时间长了它容易脱轨。

Erik：我两边都用。主要修改是 Claude Code 做的，我在 VS Code 里边走边审查代码（或者审查测试）。 

我通常在感觉到了一个「人类程序员会停下来吃个午饭」的停顿点时，就进行一次压缩（Compact）。我的起手式通常是：先让 Claude 找出所有相关文件并制定计划，然后让它把这些全写进一个文档里，接着我立刻进行压缩。这样就能丢掉制定计划时耗费的那 10 万个 Token，压缩成只有几千个干净的 Token。

提问 8：你会同时用多个 Claude Code 会话然后合并结果吗？面对极不熟悉的代码库，怎么以工程化的方式交 PR 而不是乱写？

Erik：是的，我会用 Claude Code 起手搭建框架，然后用 Cursor 去收尾修复。对于我知道具体在哪几行的修改，我会直接用 Cursor 手动去改。

面对陌生的代码库，在写功能之前，我会先用 Claude Code 帮我探索。 我会问：「处理 Auth 的代码在哪？」、「告诉我哪些功能和这个类似」、「列出我应该查阅的类」。在脑海中建立起全局视图，确保我能稳妥地掌控正在发生的事情，然后再和 Claude 一起动手。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开

3D大模型空间推理的全新基石！

第一作者是来自南方科技大学的本科生周圣力，合作者包含北京大学博士生郑明航和南方科技大学副教授、研究员郑锋，通讯作者为北京大学王选计算机研究所研究员、助理教授刘洋。

本文主要介绍来自该团队的最新论文：Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models。

该论文提出了全新 3D 位置嵌入方法 QuatRoPE，显著改善大语言模型 3D 空间推理中物体关系编码可扩展性差、空间信息与几何特征融合过早，以及不同位置嵌入机制相互干扰的核心痛点。

该方法以四元数旋转为基础，在保证输入长度与场景物体数量为线性关系的同时，利用大模型的自注意力机制显式计算所有物体两两之间的空间关系，还原三维场景布局，让大模型高效捕捉物体间相对空间关联。

该论文还提出了隔离门控 RoPE 扩展机制 IGRE，有效降低 QuatRoPE 与大模型原生语言 RoPE 的干扰，保留模型原有的语言理解与推理能力；同时构建空间推理基准 ASR，尽可能排除有关目标物体属性的提示对衡量模型空间推理能力的干扰，为模型纯 3D 空间推理能力提供更公平、严谨的评估方式。

这套完整解决方案大幅提升大模型 3D 空间理解与推理能力。

目前该研究已被 CVPR 2026 正式接收，相关代码与模型已开源。

• 论文链接：https://arxiv.org/abs/2603.24721

• 代码链接：https://github.com/oceanflowlab/QuatRoPE

• 项目主页：https://fz-zsl.github.io/quatrope/

打破编码困境：3D 空间推理的两大核心痛点

空间推理是具身智能体发展的关键能力，也是解决 3D 视觉语言（3D VL）任务（如 3D 视觉定位、3D 视觉问答）的基础，其核心是基于 3D 场景中物体的空间关系确定目标物体。实现精准的 3D 空间推理，前提是有效编码和计算物体间的空间关系。

受限于 3D 场景 - 语言配对数据的稀缺性，从头训练具备强空间推理能力的模型难度很大，因此一些现有研究选择将 3D 场景表征注入大语言模型（LLM），借助其在预训练中获得的理解和推理能力完成 3D 空间推理。但当前的物体关系编码方式仍存在两大痛点，制约模型性能：

1. 绝对位置嵌入的理解难题：此前一些工作将物体 3D 坐标作为特征的一部分融合后提供给大语言模型用于推理。由于 3D 坐标系的原点和坐标轴方向无实际物理定义，绝对坐标本身不具备固有语义，让模型通过 3D 坐标理解物体之间的位置关系难度大；同时过早的特征融合让模型难以从融合后的特征中提取空间位置信息并计算物体间的相对位置关系。

2. 显式关系编码的可扩展性缺陷：直接将场景内两两物体间的空间关系编码为输入 token 的方式，会让输入序列长度随物体数量呈二次方增长，容易超出大模型的输入长度上限（如 InteriorGS 数据集单场景平均超 554 个物体，采用 token 三元组编码关系则会有近 46 万个 token）。若采用 KNN 等剪枝策略仅保留部分空间关系，则可能因遗漏解决任务的关键关系导致推理错误。

此外，现有 3D VL 数据集无法准确评估模型的空间推理能力：在这些数据集中，3D VL 任务的语言描述常出现有关目标物体属性（如类别、颜色、形状等）的描述，因此模型可能通过识别非空间特征完成任务，无法真实反映其空间推理能力。

针对这些问题，本文提出了包含 QuatRoPE 位置嵌入、IGRE 隔离机制、ASR 基准测试的完整解决方案，为大模型的 3D 空间推理能力升级提供了全新范式。

核心创新：QuatRoPE+IGRE，实现高效可扩展的 3D 空间编码

为解决现有编码方式的缺陷，研究团队提出 QuatRoPE（四元数旋转位置嵌入），在保证输入长度与物体数量线性相关的同时，通过注意力层点积显式计算所有物体间的成对空间关系；并设计 IGRE（隔离门控 RoPE 扩展机制），有效减少 QuatRoPE 与大模型原有语言 RoPE 的干扰，最大程度保留模型的原生能力。

二者结合，让大模型既能精准捕捉 3D 空间关系，又能保证编码的可扩展性和模型的兼容性。

QuatRoPE：基于四元数旋转的三维空间位置嵌入

QuatRoPE 的核心思路是为所有物体相关 token 注入显式绝对位置嵌入，再借助 Transformer 的注意力机制，在计算注意力分数的点积过程中将绝对位置转化为相对位置，从而使用 O (n) 个输入 token 承载 O (n²) 个空间关系，既避免剪枝误差，又保证编码可扩展性。其核心设计亮点体现在两方面：

1. 四元数旋转的数学设计：将查询和键向量分为三维片段后表示为纯四元数并基于物体 3D 坐标对其进行四元数旋转。通过构建特定的旋转数学公式，让两个旋转后向量的点积（注意力分数）仅与它们在 3D 场景中的相对位置有关（与原始坐标无关），为大模型高效提供所有物体两两之间的空间关系。

2. 3D 坐标的整体向量编码：与将各轴坐标独立编码的方式（如 M-RoPE）不同，QuatRoPE 将物体 3D 坐标编码为整体向量，避免了当某个坐标轴上的坐标差较小时注意力分数虚高的「虚假近邻」问题。例如在下方左图中，床和沙发之间由于在横轴上（绿色线段部分）的坐标差较小，M-RoPE 会错误地增大二者之间的注意力分数，导致模型误以为床与沙发距离很近。而在 QuatRoPE 中（如下方右图所示），通过将物体坐标作为一个整体进行编码，可以更有效地表征 3D 场景的空间布局。

图 1 「虚假近邻」问题（左图）与 QuatRoPE 的解决方案（右图）

此外，QuatRoPE 的注意力分数设计更符合人类认知的关系准则：空间上相近的物体，其 QuatRoPE 嵌入更相似，点积后得到的注意力分数更大，让模型能更好地理解自然语言中对物体空间关系的隐式指代（如「门左边的窗户」默认指距离门最近的窗户）。

IGRE：隔离门控机制，缓解多 RoPE 干扰

大模型原生的语言 RoPE 与新引入的 QuatRoPE 若直接结合，会因二者同时旋转查询和键向量产生相互干扰，既影响文本位置感知，也破坏 3D 空间关系编码；同时，非物体 token（如提示词、问题词）本无 3D 坐标，若未特殊处理，会被默认定位在坐标原点，导致模型错误关注其与原点附近物体的关系。

针对上述问题，IGRE 通过两个设计实现了 QuatRoPE 与语言 RoPE 的有效隔离：

1. 维度隔离：为物体相关 token 扩展 QuatRoPE 专属维度，对非物体 token 则进行零填充对齐维度数量，让 QuatRoPE 的旋转仅作用于物体 token 的专属维度，与语言 RoPE 的作用维度分离，从而有效减少干扰。

2. 门控调节：仅当两个物体 token 交互时，才通过点积调整注意力分数以反映相对位置；当非物体 token 参与交互时，零填充维度让这些维度的元素乘积为 0，注意力分数保持不变，使 QuatRoPE 的影响被严格限制在物体相关 token 范围内，保留大模型原有的语言理解和推理能力。

全新基准：ASR，精准评估纯空间推理能力

为解决现有基准无法单独评估空间推理能力的问题，研究团队构建了 ASR（无属性空间推理）基准，通过避免物体属性对评估空间推理能力的干扰，实现对模型 3D 空间推理能力的公平、严谨评估。

ASR 基准的构建分为三个核心步骤：

图 2 ASR 基准的问题筛选及改写过程

1. 样本筛选：从 ScanQA 数据集中选取答案唯一、询问物体名称的 3D VQA 问题，保证任务的空间推理导向；

2. 属性过滤：剔除所有包含目标物体属性（类别、颜色、形状等）的问题，强制模型仅能通过空间关系推理得出答案；

3. 格式转换：将筛选后的问题转化为 3D 视觉定位格式，让模型仅需在场景物体中做单选题，弱化不同模型语言生成能力差异对评估的影响。

通过这一系列设计，ASR 可以作为专门评估大模型纯 3D 空间推理能力的诊断性基准，为相关研究的性能对比提供了统一、可靠的标准。

实验验证：核心能力显著提升

本文开展了多维度实验，以 Chat-Scene、3DGraphLLM为基础基线模型，在经典 3D VL 基准（ScanRefer、Multi3DRef、SQA3D）和自研 ASR 基准上验证 QuatRoPE+IGRE 的有效性，同时通过消融实验验证各模块的核心贡献，实验结果充分证明了方法的优越性。

• 在现有数据集上，将 QuatRoPE+IGRE 应用于不同规模的基线模型后，各项评估指标均显著提升（详见表 1），且在对空间推理要求更高的 3D 视觉定位任务中提升更为显著：如 Chat-Scene-1B 模型在使用 QuatRoPE 后，ScanRefer 的 Acc@0.25 从 50.7 提升至 55.4，Multi3DRef 的 F1@0.25 从 53.3 提升至 58.1。

表 1 将 QuatRoPE 和 IGRE 应用于基线模型后的实验结果及与此前工作的对比

• 在 ASR 无属性空间推理基准的零样本推理实验中，加入 QuatRoPE 的模型在不同基线、不同规模下均实现显著增益，验证了方法对模型纯空间推理能力的提升效果：如 Chat-Scene-1B 模型的 Acc@0.25 从 22.92 提升至 27.38，相对增益达 19.48%；3DGraphLLM-1B 模型的 Acc@0.25 从 25.89 提升至 29.76，相对增益达 14.94%。

• 显著改善「虚假近邻」问题：对于 ScanRefer 数据集中仅涉及两个物体之间空间关系的问题，本文根据 x、y 轴坐标差的比例对数据集进行细分，并衡量不同比值上限 δ 下模型准确率的提升情况（如表 2 所示）。实验结果表明当「虚假近邻」问题越严重时（即 δ 越小时），使用 QuatRoPE 后的增益越大，证明 QuatRoPE 通过将位置以完整向量的方式嵌入可以有效改善「虚假近邻」问题。

表 2 基于 ScanRefer 验证 QuatRoPE 解决「虚假近邻」问题的实验结果

定性结果：精准捕捉隐式空间关系，贴合人类认知

在 ScanRefer 数据集的定性案例中，加入 QuatRoPE 的模型能精准定位符合自然语言隐式空间描述的目标物体，而基线模型常出现定位错误。例如对于下图的 (c) 组对比，对于文本中「机器右侧的门」这一表述，基线模型无法区分距离机器远近的两扇门，而 QuatRoPE 能根据注意力分数聚焦更近的门，更符合人类对「旁边」「左侧」等词汇的隐式理解。

图 3 部分定性实验结果

总结：3D 大模型空间推理的全新基石

QuatRoPE 是一种面向 3D 大模型的高效可扩展位置嵌入方法，通过四元数旋转将绝对 3D 坐标转化为注意力层的相对空间关系，结合整体向量编码实现了精准的空间布局表征；IGRE 隔离门控机制则解决了多 RoPE 的干扰问题，保证了方法与现有大模型的兼容性；同时构建的 ASR 基准，丰富了纯 3D 空间推理评估体系。

实验结果表明，QuatRoPE+IGRE 在多个 3D VL 主流基准和 ASR 专属基准上实现大幅提升，能有效为大模型提供 3D 空间关系线索，显著增强其空间推理能力。

该研究不仅为 3D 大模型的位置嵌入提供了全新方案，也为智能具身 agent、3D 视觉问答等依赖空间推理的下游任务提供了可行技术路径，推动大模型更好地理解 3D 物理世界。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开

导盲、买咖啡、送快递，这只机器狗全都能干了。

编辑｜杜伟

今天上午，北京亦庄再度迎来了一场属于机器人的「硬核大考」。

2026 人形机器人半程马拉松比赛正式鸣枪开跑！

来自国内外数十家团队的 300 余台机器人同场竞技，在城市主干道、GT 赛车级复杂路段等多样地形中展开比拼，角逐出各个赛事的最终赢家。

在一众高矮不同、形态各异的人形机器人中间，一只格外醒目的四足机器人进入了我们的视线。打听后才知道，它是高德地图首次亮相的机器人产品，名字叫做「高德途途」。

与其他机器人在固定赛道比拼速度不同，高德途途是带着一位视障少年参加的障碍赛，它不依赖预设路线，也不需要人工遥控，就可以在真实开放环境中自主判断路线、独立行动。看清眼前的路况还不够，它还能结合全局信息感知到视野之外的变化，行进中更安全、可靠。

除了看得准、看得远，高德途途的思考能力也远非以往机械执行命令的同类型产品所能比。它会先理解意图，再决定如何做，并在遇到复杂环境时根据实际情况决定绕行还是通过。

多项能力的加身让高德途途开始真正融入现实生活，并凭借更强的自主办事能力，在更多场景展现出实际价值。

以往不敢让机器人替我们完成的事情，比如出门买咖啡、送快递、甚至导盲带路，现实可行性显著提升。

尤其是在导盲场景，高德带着自家四足机器人展开了一场极限条件的能力验证。现实世界的复杂路况、突发干扰，以及路径选择和实时避险，每一步都对传统导盲系统构成巨大的挑战。

作为全球首款开放环境全自主具身机器人，高德途途经受住了一系列高强度考验，在充满不确定的环境中持续做出判断并完成任务。

在揭秘它靠什么来扛住这个高难场景之前，我们有必须讲清楚，开放环境下的导盲到底卡在哪些地方。

导盲这道分水岭

为何迟迟没被跨过去

说到导盲，大家脑海中可能会浮现出这样的画面：视障人士牵着一只传统导盲犬或者智能导盲机器人，为他们带路，抵达目的地。

然而，如果将导盲放到开放环境中，其实远不止带路这么简单，而是多样任务叠加在一起。

从任务尺度来看，导盲覆盖跨层级的连续任务，近距离进行递物、取物这类精细交互，中距离完成取件、配送等流程调度，远距离则要保证在复杂街区导航甚至地铁换乘中的安全。

这些需求本身已经在逼近一套系统能力的上限，要真正跑通，绕不开以下三个核心难点：

一是长尾不确定性。真实世界没有标准场景，突发情况几乎不可避免；二是安全要求极高，任何一次判断失误都可能给视障人士带来危险；三是空间语义不完整，很多关键位置（如入口、通道）缺乏清晰、系统标注，需要系统自己理解判断。

这也解释了为什么过去的方案一直做不成。靠规则拼接，只能覆盖一小部分情况，一旦环境变了就容易失效；只靠单一感知模型，即使看得见，也未必真的理解了，更别说及时做出适当的反应。

导盲真正难的不是识别本身，而在于准确判断什么时候该避让，什么时候跟随，并在不断变化的环境中把动作稳定连贯地做下去。迈过这一步，才算是真正从实验室的演示，走到现实世界的可用。

从高德途途目前的表现来看，在导盲这样的场景中，它已经展现出了一条可落地的解决路径：能自己出门，能理解意图，也能把事情做完。

这一切的实现远非单个模型所能及，背后有一整套系统在支撑：从长期积累的空间智能数据，到导航与操作基座模型，再到负责统一调度与执行闭环的智能中枢，它们构成了高德 ABot 全栈体系。

这是一个贯通数据、模型与 Agent 的三层架构，数据层依托 ABot-World 世界模型，模型层依托 ABot-N0 导航决策与 ABot-M0 精细操作，Agent 层依托 ABot-Claw 任务调度与闭环纠错。

ABot 全栈技术架构图

当落到导盲场景，则由 ABot-N0 提供开放环境下的导航能力底座，ABot-Claw 贯通意图理解、记忆检索、任务拆解、动态调度与闭环纠错，它们共同支撑机器人完成长程、跨域连续任务；在需要具体物理操作时，ABot-M0 介入完成最后一步。

这套 ABot 全栈体系的加持，才让高德途途有底气向导盲代表的一类最典型真实世界问题发起挑战：开放环境、长程任务、极高安全要求与极低容错空间。

当这类问题有了解法，带来的影响不再局限于导盲本身。像城市配送、巡检、服务这些同样需要在开放环境中长期运行的任务，也在同一条能力线上。导盲能跑通，这些场景离真正落地也更近了一步。

具身导航与操作

打造双核心通用基座

将这两年具身智能的发展拉长来看，我们会发现一个明显的趋势：模型能力在不断变强，但系统层面的整合依然是个难题。

不同厂商、不同形态的具身机器人，大多仍在使用各自的动作表示和数据体系，导致彼此之间很难打通。数据复用受限，模型迁移成本高，换个新场景就得大量重新适配。这也是为什么不少系统能在单项任务上做到很高水平，但一旦放到同一个复杂场景中便容易掉链子，很难真正配合起来。

说到底，单个模块的强弱已经不起决定性作用，更大的问题在于缺少一套将不同能力统一起来的基座模型，既能覆盖不同任务，又能在不同场景与不同机器人形态之间用得起来。

正是在这样的背景下，高德选择推出 ABot 系列具身基座模型，包括导航基座模型 ABot-N0 和操作基座模型 ABot-M0，它们让机器人走进开放环境并稳定运行有了现实可行性。

其中负责机器人「腿」的 ABot-N0 被打造成为业内最强导航基座模型，基于业内首个面向具身导航的流强化学习框架，让机器人在城市级动态环境中持续决策，理解人流、规则等复杂因素，而不是只做静态路径规划。

ABot-N0 的一大核心突破是将导航从「多任务拼接」重构为一个「统一模型」驱动的能力体系。简单来说，原本分散在不同模型里的导航能力，现在可以在一个模型里解决。当这些能力不再与某一项任务或某一种机器人形态深度绑定时，它们具备了更强的迁移能力。同一套「导航大脑」可以在四足、轮式和人形等不同机器人上复用，具体的执行只需要根据结构进行适配即可。

现在，ABot-N0 可以一对多地处理五大类核心导航任务：按坐标走到指定位置（Point-Goal）；在陌生环境找到目标物（Object-Goal）；理解并执行复杂指令（Instruction-Following）；跟随行人在动态环境中移动（Person-Following）；识别商场、店铺等兴趣点（POI-Goal）并导航至入口。

当然，这些能力不是简单堆出来的，源于 ABot-N0 在架构上的取舍，它把思考和行动分层处理，并在同一套 VLA（视觉 - 语言 - 动作）框架下将理解、决策和执行衔接了起来。整个系统可以拆解为以下三层：

第一层是统一多模态编码器，它负责将图像、历史观测、文本指令、空间坐标全部映射到同一个语义空间。不同任务在进入模型之前就已经「说同一种语言」，后面的决策可以在同一个上下文里展开。

第二层是负责「想明白」的认知大脑。它基于预训练的大语言模型，但没有简单沿用主流串行 CoT 的方式，而是做了一个更偏工程化的设计：把推理和动作拆成两个分支，提出了任务条件式双头设计（Task-Conditional Dual-Head），需要理解场景、判断规则时交给推理头，需要快速执行动作时直接调用动作头。并且，这两部分不是一前一后的串联关系，它们基于同一套内部理解协同工作：很多推理并不会被显式输出，但会直接影响后续动作决策。

最后一部分是动作专家，负责「把事情做出来」。它采用流匹配生成连续轨迹，一次给出一段平滑的运动路径，比如 5 个路点（x, y, z, yaw）。这让机器人在面对复杂环境时能够走得更自然，也能在多种可行路径之间灵活选择。

ABot-N0 架构示意图

ABot-N0 之所以能把导航能力做统一、做泛化，很大程度上依赖其构建的具身智能领域目前最大的数据引擎：包括 7802 个高保真 3D 场景、覆盖五大导航任务的 1690 万条专家轨迹以及覆盖空间关系、社会规则和长程规划的 500 万条推理样本。

这样的数据规模是建立在高德长期积累的场景资产和空间能力之上：从真实世界的三维重建到场景理解再到生成式世界模型，这些能力让大规模高保真训练环境成为可能。

从结果来看，ABot-N0 这套方法在工程上完全跑得通，在一系列高难度基准上与现有方法拉开了明显差距。并且这种领先不是集中在单一指标，横跨了多个任务和场景。

在 7 项国际权威具身导航基准（CityWalker、SocNav、R2R-CE、RxR-CE、HM3D-OVON、BridgeNav、EVT-Bench）上，ABot-N0 全部达到 SOTA，覆盖从室内到室外、从静态环境到人机混行的多任务范围。

举一个有代表性的场景，在 SocNav 闭环导航 中，ABot-N0 成功率达到 了 88.3%，相比此前最优方法提升超过 40 个百分点，同时合规性指标从 30% 区间飙升到 85% 以上。显然，走通路径已经不在话下，更开始在真实人类环境中学会如何避让、如何通行。

可以说，ABot-N0 是在五大导航任务、七类基准、数十个强基线上全都强势胜出。相关多个子研究成果也已被 CVPR 等顶级会议接收，工程效果和学术价值都得到了验证。

其中最具代表性的，高德联合浙大提出的社会化导航基座模型 SocialNav，在具身导航领域首次引入基于流的强化学习框架，并以 6/6/5 接近满分的成绩入选 CVPR Oral。这项工作通过分层设计和多阶段训练，让机器人在复杂人类环境中不只「走得到」，还会遵循交通规则和社会规范，真正把导航从单纯的路径规划推进到更接近现实世界的社会化决策。论文地址：https://github.com/AMAP-EAI/SocialNav

ABot-N0 解决了「往哪走」的问题，ABot-M0 负责「把操作动作落实下去。」 但要把这一步做好，绕不开一个问题：机器人是不是一定要依赖一套封闭的数据体系才能把动作做对。

过去大多数系统都走了这条路，不同机器人、不同任务各自采集数据、各自训练模型，彼此之间几乎不通，动作表达也不一致。结果就是，在一个场景里表现不错，一换环境就失效，很难形成真正能迁移的能力。

ABot-M0 走的是另一条路：没有围绕某一类机器人或某一类任务单独建模，从一开始就用一套统一的动作表示，把来自不同来源、不同形态的数据放到同一个体系里。

围绕这个思路，ABot-M0 在数据、表示和训练方式上都做了调整：聚合全球范围内的异构开源数据，对齐不同机器人之间的动作表示，让原本割裂的数据能够在同一套逻辑下被模型学习，最终形成了一个可以跨任务、跨本体迁移的操作模型。

首先在数据层面，ABot-M0 把来自不同机器人与任务的大规模数据统一起来，构建目前最大的开源异构数据集 UniACT，时长超过 9500 小时、轨迹达 600 多万条、具身形态超过 20 种。

并且，构建这一数据集的过程本身就是在做标准化，不同来源的数据在动作表示和机器人结构上被统一起来， 其中使用末端执行器（EEF）的增量动作来描述操作，采用补零到双臂（Pad-to-Dual-Arm）策略对单双臂做一致建模。这样一来，数据更多的同时，不同来源的数据第一次实现对齐，让跨任务、跨本体的泛化能力有了现实基础。

接下来，ABot-M0 在表示和训练方式上做了关键调整：不让模型先学去噪再慢慢还原动作，直接去学「什么样的动作本身就可行」。原因也不复杂，真实世界可行的动作不是到处都有，它们往往集中在一小块受物理规律和任务约束限制的有效区域里。与其在整个空间里找答案，不如一开始就把学习范围限定在这块有效区域内。

基于此，ABot-M0 用动作流形学习（AML）替代了传统的扩散式生成方式：放弃像过去那样从噪声一步步还原动作，以 DiT 为骨干网络直接预测一段连续、可执行的轨迹。带来的变化也很直观，推理步骤更少，动作更连贯，在复杂场景下更稳定。即便大幅压缩推理过程，模型依然能保持性能，而传统方法往往会明显下降。

最后，ABot-M0 进一步加强了空间感知能力。光靠 VLM 理解画面里有什么还不够，真正难的是判断「它们之间是什么关系」，比如前后远近、遮挡、角度，这些都会直接影响动作能不能做对。

ABot-M0 没有去改动原有的 VLM 主干网络，而是多加了一路专门处理空间信息的感知模块（如 VGGT、Qwen-Image-Edit）：用语义模型理解任务意图，用 3D 信息判断物体的位置关系和操作角度，两条路径在内部一起参与决策。有了这层空间信息，机器人对视角变化和环境扰动的适应能力更强。

ABot-M0 架构图

ABot-M0 在操作侧的表现同样不是个别任务上领先，在 Libero、Libero-Plus、RoboCasa 等一系列难度较高的操作评测中均达到 SOTA 水平。

其中最有代表性的是 Libero-Plus，它是一类强调跨任务与泛化能力的基准。ABot-M0 的任务成功率达到了 80.5%，相比此前的标杆方案提升近 30 个百分点。这说明了模型在面对未见过的组合任务时依然能够稳定完成操作。

把 ABot-N0 和 ABot-M0 放在一起看，一个变化正在发生：具身智能开始围绕模型搭体系。导航侧通过统一模型打破任务边界，操作侧通过统一数据打破本体差异，并且数据、表示和训练方式的变化也在不断降低能力迁移的成本。久而久之，具身智能逐渐逼近通用系统的形态。

两大基座模型更多细节请移步项目主页与技术报告：

ABot-N0：

• 论文地址：https://arxiv.org/pdf/2602.11598

• 项目主页：https://amap-cvlab.github.io/ABot-Navigation/ABot-N0/

ABot-M0：

• 论文地址：https://arxiv.org/abs/2602.11236

• 项目主页：https://amap-cvlab.github.io/ABot-Manipulation/ 

从喂数据到边用边学

跑通一套闭环系统

ABot-N0 和 ABot-M0 把机器人「往哪走」和「怎么做」两件事弄清楚了，接下来面临两个更现实的问题：这些能力从哪来，又怎么在真实环境里稳定跑起来，它们很大程度上决定了具身系统的上限。这正是 ABot 全栈体系中数据层和 Agent 层要解决的核心痛点。

其中数据层的 ABot-World 想要解决的是一个更底层的问题：机器人是否见过足够多足够真实的世界。机器人难以泛化的很大原因便在于数据少、获取慢、也永远覆盖不完真实世界的长尾情况。

ABot-World 双引擎驱动架构：ABot-3DGS（数字孪生工厂）× ABot-PhysWorld（物理引擎内核）

ABot-World 的思路是，依托自有地图与脱敏数据，结合 3DGS 技术实现厘米级重建与光照一致性。模型已累计生产万级 3D 真实场景、百万级推理数据与千万级训练轨迹，覆盖 99% 的典型生活场景。通过模拟各种复杂情况，让模型提前见到足够多的场景。这件事能成立正好踩在了高德的强项上。高德一直在做的就是把真实世界一点点搬进地图里。基于此，高德有能力把整个环境还原出来，用来训练机器人。

在 WorldScore、WorldArena、AGIbot、PBench、EZSBench 等权威评测榜单上，ABot-World 都拿过 SOTA，甚至在一些指标上力压了英伟达 Cosmos、谷歌 Veo 和 OpenAI Sora 2 等多个开闭源方案。

ABot-World 系列也发布了首个子工作 ABot-PhysWorld，它将关注重点放在了「这些世界是不是真的能在现实中成立」上，不像大多数现有模型追求画面合理，更关心生成过程在物理上是否说得通。

同时，现实世界的任务往往不是单一指令，要复杂得多：理解意图、拆分步骤、找位置、做动作，还要随时应对突发情况。Agent 层的 ABot-Claw 要做的就是将涉及到的这些能力统一调度起来，真正组织成一个可以端到端完成任务的系统。

ABot-Claw系统架构图

ABot-Claw 构建了一套 Vision-Spatial 双中心的跨具身共享记忆系统，通过四层结构完成空间与语义的统一：图像语义层负责看到的内容、几何地图层负责空间结构、物体中心拓扑层负责物体之间的关系、地点锚定层负责语义和位置的对应。

这套结构解决了几何地图「能带你走过去，但不知道那是什么」、语言模型「知道是什么，但不知道怎么走过去」的两难问题。ABot-Claw 直接将两套系统融合到同一记忆体系中，并且记忆是跨具身共享的。新设备接入后，直接继承已有认知。过去的成功和失败会也被记录下来，随时被调出来用。每一次任务执行都成为了一个可以不断积累经验的过程，让机器人从「一机一图」走向「共享一套世界记忆」。 

有了调度和记忆，还缺最后一块拼图，即如何在不确定世界中持续完成任务。ABot-Claw 对此的解法是：引入一套 Closed-loop Reflection & Self-Correction（闭环反思与自我纠错）机制。

这其实很接近人类的做事方式，边做边修正。整个过程不是简单的下指令 - 执行，开始变成一个持续的循环：先试一下、看结果、调整、再试。具体体现为三级自适应决策闭环，依次是执行、评估与进化。由此，机器人的角色也从一个执行工具逐渐转变为会自己决策的系统。

像「找一瓶可乐」这样的任务，如果第一次没找到，它会自己换个地方再试，而不是直接放弃。这种做法才是应对真实世界不确定性的关键。

当「学」和「用」连成一个循环，系统开始具备持续进化的能力。这或许是具身智能走向长期可用的分水岭。

结语

具身机器人发展到现在，业界逐渐达成了一种共识：单一任务的突破已不足以应对日益复杂的应用需求。机器人要在固定环境中稳定执行任务，也必须适应多变的环境。

高德 ABot 全栈体系不仅成功支撑高德途途在开放环境中完成导盲任务，还为行业提供了一个值得借鉴的范本：

通过数据层、模型层和 Agent 层的紧密结合，ABot 将感知、决策、执行这些能力高效整合在一起，不像传统上那样单个模块各自为政。

这样既能提升任务执行效率，也让机器人在身处复杂、动态的现实世界时更加游刃有余。

此次，高德不仅仅是在某个特定场景取得突破，也开启了具身智能从实验室走向真实世界的一个标志性节点。未来的机器人，更加可期。

© THE END

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开

远水解不了近渴，产能跟不上AI的胃口。

机器之心编辑部

内存不够用这件事，可能要陪我们很久了。

根据 Nikkei Asia 的最新报告，尽管各大供应商都在疯狂试图提升 DRAM 产量，但即使到了 2027 年底，预计他们也只能满足全球约 60% 的需求。SK 集团董事长的表态则更加悲观，他直言这种短缺状况可能会一直持续到 2030 年。

如果你最近（早就）觉得电子产品价格不太友好，这条消息基本可以解释为什么。

虽然全球最大的三家内存制造商三星、SK 海力士和美光，都在为了这波红利拼命砸钱建新厂，但问题在于：造芯片不是摊煎饼。

这些新建的产能绝大部分要等到 2027 年甚至 2028 年才能真正上线。放眼整个 2026 年，除了 SK 海力士今年 2 月在清州投产的一家晶圆厂外，这「御三家」几乎没有任何新增产线可以投入使用。

Nikkei 的数据更是揭示了供需之间的巨大鸿沟：为了满足市场需求，2026 年和 2027 年的产量必须保持每年 12% 的增长。但根据 Counterpoint Research 的数据显示，厂商们目前计划的增长率只有可怜的 7.5%。

AI 拿走最好的一切

更扎心的是，就算新工厂陆续建成，也未必能缓解你我手里的设备价格。原因其实大家已经不陌生了：新增产能优先流向了 AI。

这些新产线，重点生产的是利润更高、需求更确定的 HBM（高带宽内存），而不是我们电脑、手机里用的普通 DRAM。

正如我们在去年年底的报道中提到的，AI 大模型对内存有着无底洞般的需求，而向 AI 数据中心出售 HBM（高带宽内存）的利润，是向普通消费者出售 DDR5 内存的数倍之多。当时 OpenAI 等巨头为了抢夺晶圆供应，甚至直接包揽了全球将近一半的 DRAM 月产量。

到了现在，情况依然没有本质改变。新建立的晶圆厂将把绝大部分精力放在生产高利润的 HBM 上。这就带来了一个极其现实的问题：厂家的产能是有限的，生产线都拿去给 AI 炼丹了，留给电脑和手机的通用 DRAM 产能自然就被进一步严重挤压。

换句话说就是，AI 数据中心拿到更多、更贵、更先进的内存，消费电子分到的产能反而更少。

所以，内存已经不只是「涨价」，而是被重新分配了去向。大模型训练、长上下文推理都在无限放大内存需求。需求是指数级的，而供给是线性甚至滞后的。因此，行业里现在越来越少有人把它当成「短期涨价」，而是直接定性为结构性短缺。

上个月，谷歌发布的 TurboQuant 压缩算法确实在技术圈引发了轰动。

它通过极其精妙的两阶段压缩，成功在零精度损失的情况下将大模型的内存占用减少了 6 倍以上。这套用极少算力换取巨大内存空间的「魔法」，甚至一度引发了美光、西部数据等内存股的集体闪崩。

但算法的优化，终究无法在短期内填补物理层面巨大的产能窟窿。AI 扩张的基数实在太大，即便软件层面能够「省吃俭用」，总体的内存消耗量依然极其庞大。

普通消费者最终买单

在这场由科技巨头争夺 AI 算力而引发的供应链海啸中，最终承受涟漪效应的，依然是普通消费者。

价格上涨只是最直观的结果，更隐性的影响，已经开始在终端产品里出现。

因为通用内存的持续紧缺和成本飙升，从智能手机、笔记本电脑，到 VR 头显甚至是游戏掌机，所有依赖内存的消费级电子产品都在面临涨价的压力。品牌方为了维持利润，要么直接提高售价，要么被迫进行「隐形降级」（例如将标配的大内存缩水）。

未来，同样价格的设备，内存配置可能被迫下调；原本 16GB 普及到 32GB 的升级节奏会被打乱；某些不太赚钱的产品线甚至可能直接延后或取消。未来的电子产品可能不只是「更贵」，还有可能是「没那么好」。

所以，面对这份可能要持续到 2027 年甚至 2030 年的紧缺预测，行业给普通消费者的建议或许依然没变：如果近期有刚需，别等了，该买就买吧。

毕竟在这个 AI 疯狂吃内存的时代，做等等党，可能真的等不来胜利了。

参考链接：

https://asia.nikkei.com/business/tech/semiconductors/memory-shortage-set-to-run-until-2027-as-chipmakers-focus-on-ai

https://www.theverge.com/ai-artificial-intelligence/914672/the-ram-shortage-could-last-years

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开

深度研究助手的进化之路！

本文共同一作是上海创智学院博士生乔静阳、孟炜程，通讯作者是华东师范大学张志忠副教授，项目主导人是国家优青谢源教授。

Never memorize something that you can look up.

                                                                                                                                                — Albert Einstein

如今的大多数智能体，仍然活在一种「失忆式工作」模式中：每一次检索都是从零开始，每一条推理路径都无法沉淀，每一次失败也不会转化为经验。它们虽能多轮交互，但很难在深度研究中持续变强。

为了解决这个问题，已有工作尝试基于历史方案生成执行规划，但受限于预训练范式，许多智能体仍陷入新的困境：一个不擅长规划的「决策器」，从臃肿的记忆中检索出零散片段，再去驱动一个缺乏规划执行能力的「执行器」。结果是：记忆在增长，智能却没有。

于是，浮现出一个关键问题：是否存在将经验转化为能力的智能体记忆机制？

上海创智学院和华东师范大学联合团队最近提出的 Memory Intelligence Agent (MIA)，一个面向深度研究场景的新一代记忆智能体框架，给这一问题带来了新的答案。

• 论文地址：https://arxiv.org/abs/2604.04503

• 代码仓库：https://github.com/ECNU-SII/MIA

• 龙虾技能：

  纯净版：https://clawhub.ai/jingyangqiao/mia

  可信版：https://clawhub.ai/sii-yucheng2002/mia-trust 

（高效版和可训练版即将发布）

为了解决这一问题，MIA 构建了一套基于「Planner–Executor–Manager」架构的记忆系统。其中，Planner 是战术大脑，不仅能够针对当前问题制定研究计划，还能通过测试时的持续学习实时调整其策略。Executor 是经过训练的执行专家，能够毫无阻碍地解读并遵循复杂的研究蓝图。Manager 是终极管理员，优化记忆存储以消除冗余。

与现有方法相比，MIA 的核心亮点在于：

1. 构建双记忆机制，非参数记忆负责沉淀经验，参数记忆负责吸收能力，二者相互转化，形成持续进化的闭环；

2. 提出 Manager–Planner–Executor 多智能体结构，将记忆管理、策略规划与任务执行解耦，并通过交替强化学习驱动 Planner 与 Executor 的协同进化，将「会规划」和「会执行」对齐；

3. 引入面向开放世界的自进化机制，结合反思与无监督学习，让智能体在开放世界的推理过程中持续修正策略、动态更新记忆，实现边做边学的在线进化。

在 X 平台上，该论文已被 DAIR.AI 的创始人，拥有 30 万粉丝的 AI 论文分享博主 Elvis Saravia 所转发，并收获了高度评价与大量关注。与此同时，该论文也入选了 Hugging Face Daily Papers 榜单。

从「逐次推理」到「可积累的研究闭环」

作为一个持续运行的 Planning–Execution–Memory 闭环系统，MIA 在每一次研究任务中，都会经历：经验调用 → 协同推理 → 经验沉淀，并不断反哺后续决策。

在经验调用中，MIA 通过三维检索机制调用历史经验，分别是保证相关性的语义相似度，高质量经验偏好的价值奖励和激活长尾知识的频率奖励。

此外，作者还引入失败轨迹作为约束，使记忆既能提供参考，又能避免重复错误。在协同推理中，MIA 将推理解耦为两个智能体的协作过程，Planner 负责拆解任务、生成步骤，而 Executor 负责按照步骤执行。二者通过 Reflect–Replan 形成反馈闭环，当执行受阻时自动重规划，让智能体具备持续试错与调整能力。

在经验沉淀中，MIA 将对两种记忆同时更新。首先对轨迹进行压缩与提取，形成结构化非参数记忆。其次在线更新 Planner 参数，将经验转化为参数记忆。最后实现从经验存储到能力内化的跃迁。

让「会规划」和「会执行」学会配合

在传统记忆系统中，Planner 和 Executor 往往只是拼在一起，并没有真正学会协作。为此，MIA 提出了一套两阶段交替强化学习和测试时持续学习的进化机制，让两个模块逐步对齐，并在真实任务中不断变强。首先在两阶段交替强化学习中，MIA 将训练过程拆分为：

• 阶段一：固定 Planner，让 Executor 学会理解并严格执行规划；

• 阶段二：固定 Executor，让 Planner 学习如何利用记忆生成更优计划与计划执行失败时的反思与重规划能力。

这种「先对齐执行，再优化决策」的方式，解决了「规划很好，但执行跟不上」的问题。

其次不同于传统方法「训练完即冻结」，MIA 在推理阶段引入测试时学习，赋能智能体持续进化。其过程包括：执行推理任务同时生成多条候选路径。从成功与失败路径中提取非参数化记忆，基于成功路径在线更新参数化记忆。推理与训练几乎同步完成，形成真正的在线学习闭环。

让智能体在开放世界中稳定进化

为了将 MIA 能够真正用在开放环境的深度研究中，作者提出了一套无监督的自进化评估机制，让智能体在没有外部反馈的条件下，也能持续优化自身能力。

其核心思路是： 用「过程质量」替代「结果标签」，只要推理严谨、证据可靠、结论合理，即使没有标准答案，也可以作为有效学习信号。

因此，受学术评审的启发，作者将对结果的判断拆成多个「专家视角」，包括：

• 逻辑评审员：检查推理链条是否自洽

• 事实评审员：验证信息来源以及是否存在幻觉

• 结果评审员：评估任务是否真正完成

最终由一个「领域主席」进行综合决策并给出整体判断，为 MIA 提供稳定的优化信号，进而助力实时进化。

实验结论

在多项文本与多模态深度研究任务中，MIA 显著提升了智能体的稳定性与效率：

• SOTA 性能再突破 (a & b)：在 LiveVQA (多模态在线搜索) 与 HotpotQA (纯文本沙盒搜索) 的对比实验中，MIA 显著提升了现有最先进 LLMs（GPT-5.4, Gemini-3-Flash, claude-sonnet-4.6）在调用搜索工具下的表现；

• 实现小尺寸模型的跨级超越 (c)：基于 Qwen-2.5-VL-7B 执行器的 MIA 模型在 7 个核心数据集上表现卓越，超越了在不调用工具下的 GPT-5.4，GPT-4o 和 Gemini-2.5-Pro，逼近了 Gemini-3-Flash；

• 记忆方法的新标杆 (d)：在与当前先进智能体记忆方法的横向评测中，MIA 在 7 个数据集上均取得最佳性能表现。

总结

智能体记忆不应该只是让智能体记住了「结果是什么」，而是应该让它学会「该怎么做」。MIA 的出现，传递了一个清晰的信号：决定一个智能体上限的，不再仅仅是它接入了多少外部工具，而是它能否在每一次与世界的交互中，将繁杂的「过程信息」压缩为精炼的「执行本能」。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开

从一场大赛到一个生态

编辑｜+0

如果你上个月正好去逛了今年的 GDC（全球游戏开发者大会），可能会感受到一种难以言说的割裂感。

展台前，关于生成式 AI 如何重塑开发管线的技术演讲场场爆满；但在会场的走廊上，你能听到很多关于裁员、收缩和如何保住饭碗的叹息。

这种矛盾，并不只是情绪层面的错位。

根据 GDC 的官方报告，超过 28% 的从业者在过去两年经历过裁员，高达 74% 的相关专业学生对就业前景感到焦虑；与此同时，超过一半的开发者对 AI 进入游戏开发持负面态度，但 AI 工具的实际使用率却持续走高。

来源：GDC 2026 行业现状报告

「边骂边用，越用越慌」，成了当下游戏从业者最真实的集体写照。

但如果深挖一层，这件事其实比「矛盾心态」要复杂得多。它揭示的是一个结构性错配：AI 正在让「一个人能干多少活」发生质变，但整个行业的用人逻辑、岗位定义、人才筛选机制，还停留在旧时代。

一个开发者借助 AI，已经能触及过去小团队才能达到的生产边界，但岗位需求反而在收缩。「你能做什么」和「公司需要什么」，已经开始系统性地对不上。

行业真正渴求的，是能够驾驭新工具、定义新体验的复合型人才。但问题在于，这类「超级玩家」怎么找、怎么培养，旧体系里几乎没有现成的答案。

于是，压力开始向产业生态的中枢汇聚：游戏公司。

它们手里有最新的工具链，有最复杂的业务场景，也有最密集的专家资源。一个问题随之变得迫切：能不能把这些内部积累，转化成某种行业层面的「公共基础设施」，用来识别、筛选并加速新一代开发者的成长？

一些尝试已经出现。例如，腾讯游戏学堂近期全面升级的 2026 年腾讯游戏创作大赛，便不再只是单一的赛事，而更像一个面向 AI 时代游戏开发者的「开放式孵化接口」。

其核心逻辑在于：将内部沉淀的 AI 能力（工具、方法与专家体系）系统性开放，在降低前沿探索门槛的同时，尝试重新连接人才供给与产业需求。

AI 来了，但谁会真正用它？

面对「如何培养新一代复合型人才」的行业级考题，大家都在摸索，但各有其局限。

极限开发赛制（如黑客松、Game Jam）能让大家在几十小时内燃烧激情，但正如全球最大的 Game Jam 活动组织 Global Game Jam 的执行总监所言，48 小时内诞生的作品往往只是一个起点，缺乏长期的沉淀，很难直接变成成熟的作品。

换句话说，行业缺的不仅仅是灵感的火花，更缺能将灵感持续落地的「手艺人」。

一些拥有复杂业务场景的公司，正在从自身需求出发，尝试回答这个问题。相比宏大的技术叙事，腾讯游戏一贯秉持实用主义，将目光锁定在落地验证上。他们深知，真正有价值的 AI 探索，必须深扎于业务场景，接受真实高压的反复锤炼。

比如，腾讯游戏自研的跨引擎光照解决方案 MagicDawn，将原本需要数天完成的光照烘焙流程压缩至数小时，并实现跨平台的高品质动态光影效果；而在《异人之下》中落地的实时 AI 武术生成技术，则直接瞄准动作内容生产这一核心瓶颈，将研发效率提升了 75%。

这些探索背后，本质上都在回答同一个问题：AI，如何真正服务于游戏开发者的创作日常。

也正是在这一过程中，一个更清晰的行业判断浮出水面：新旧生产范式正在切换，但对应的人才结构尚未完成升级，真正稀缺的，正是能够打通「模型能力 → 工具链 → 玩法创新」的破局者。这种稀缺，是因为旧有的人才培养和筛选机制，无法快速识别和锻造这类需要同时理解技术、设计与工程的「复合型创作者」。

围绕这一问题，腾讯游戏创作大赛其实已经持续运转多年，逐渐成为连接行业与创作者的重要接口。

在往届的赛事中，我们已经看到了这种破局者的身影。大学生臧天培凭借作品《觉醒 AI》拿下了 2025 年大赛 AI 游戏赛道的玩法创新奖。借助 AI 工具，他一个人快速将创意变成了可运行的游戏原型，这在过去，往往需要一个五人团队死磕三个月。今年 1 月，他正式加入腾讯游戏光子工作室，仅仅三个月后，他已经可以独立带队探索 AI 游戏的前沿。

这个案例从另一个角度说明了：市场对这类人的需求，有多迫切。

基于这些判断，腾讯游戏学堂对 2026 年游戏创作大赛做了一次方向性的重构。不再只是提供一个展示作品的舞台，而是想把它做成一个「高保真的模拟生产环境」：把已经在内部跑通过的 AI 工具链开放出来，让比赛本身成为真实开发流程的缩影。

这场将于 4 月 18 日在武汉启幕的赛事，其更深层的意图在于探索：在 AI 重塑工作流的当下，一种平台化、开放式的孵化接口，能否更有效地识别、连接并加速那些「超级玩家」的成长？

当工具成为基础设施

过去这些年，腾讯游戏创作大赛逐渐成为观察行业创作生态的一扇窗口：大赛累计收到了来自全球 70 多个国家和地区的超过 13000 份参赛作品，这片土壤里，也陆续长出了 200 多部真正破圈的作品。

2026 年大赛的显著变化在于，这个原本作为行业观察的「窗口」，变成了一个主动的「实验场」。

在赛道设置上，腾讯游戏学堂重点聚焦「AI 游戏赛道」，以 AI 原生游戏、智能 NPC 和 AI 叙事为核心考题，期待那些能真正以 AI 作为驱动力来创新玩法的游戏原型。

但对参赛者来说，更实在的变化，是大赛免费开放了一整套已经在腾讯内部跑通的 AI 工具。而且这套工具和「AI 游戏赛道」没有强绑定，不管你做什么类型的游戏，都能用。

如果从一个新人开发者的视角来看，这些工具的价值，其实并不在「更强」，而在于把那些最容易卡住人的环节，逐一「打通」。

第一关通常就是最底层的工程问题：代码写不动、bug 改不完、环境搭不起来。CodeBuddy 的本质，就是把这些重复消耗精力的部分接管，让开发者能更快进入「真正创造」的状态。

再往下走，内容生产是另一个典型瓶颈。传统 3D 动画制作流程长、成本高、对团队分工要求极高，往往让小团队望而却步。而 VISVISE 的思路，是把「骨骼架设——蒙皮——动画生成」这一整条链路打包成一套连续的 AI 管线，让角色从静态到动态的过程尽可能自动化完成，开发者不再需要在多个工具之间来回切换，而是可以更专注于角色本身的表达。

当角色「动起来」之后，如何让世界「鲜活起来」又是新的问题。GameNPC 提供的是一种更自然的交互方式：角色不再只是触发式回应，而是具备知识、情感和记忆，能够持续反馈；而 GVoice 则解决了多人协同中最基础但也最容易被忽视的一环，让语音沟通不再成为体验短板。

到了项目后期，很多团队才会意识到，性能问题才是真正的「收尾杀手」。PerfDog 的价值，就在于帮团队快速定位这些隐藏的问题，避免在最后阶段推倒重来。

把这些环节串起来看，你会发现，这并不是一组工具的堆叠，而是一条被重新梳理过的开发路径：从「写不出来」，到「做不精」，再到「跑不稳」，每一步都对应着一个现实痛点。

对于开发者而言，这意味着：你不需要拼凑一整支满编团队，也能以接近工业化流程的完整度，去尝试更复杂的表达。这在一定程度上，回应了前文所述 Game Jam 等模式「有创意、难产品化」的局限。

值得注意的是，大赛在「AI 游戏赛道」之外，依然保留了「自由创意」与「小红花游戏」等强调人文价值与社会议题的赛道。这个安排本身就在传递一个信号：技术的终点，是为了让表达变得更丰富、更有温度，而不是相反。

也许会有人问：腾讯为何要将这些投入重金研发的能力对外开放？

我们觉得有一个现实判断在里面：在 AI 重塑生产范式的转型期，单一公司的技术优势，长期价值可能不在于垄断，而在于能否把它变成滋养整个生态的「公共服务」。

通过大赛这个相对可控的「实验场」进行开放，腾讯游戏的目的不仅是寻找几个优秀的爆款作品，更在于验证：当一套相对成熟的 AI 生产力工具被交付到更广泛的创作者手中时，会激发出怎样的新工作流、新玩法乃至新的人才协作模式？

打通从「创意」到「可持续能力」的转化

工具的门槛降下来之后，更难的问题才真正出现：怎么把一闪而过的「创意」，变成可以持续落地的「生产能力」？

本届大赛不想做「赛后即焚」的简单选拔，而是搭建了一套组合机制来回应这个问题。

这套机制的核心，是与《和平精英绿洲启元》《三角洲行动》等头部产品联动的「共创赛区」。目的不是出命题作文，而是把参赛作品直接放到拥有亿级用户的产品生态里去「测试」。

你是钻研硬核设定的军迷？《三角洲行动》赛区在征集干员概念设计、武器外观；擅长讲故事和编导？去《洛克王国：世界》赛区挑战任务设计和编剧；喜欢关卡和地图构建？《元梦之星》的 UGC 地图舞台，以及依托《和平精英绿洲启元》发起的造景、跑酷等多地图玩法共创，都在等你。

创作者的脑洞，会在这里和最真实的市场生态正面碰撞。

如果说工具链的开放是在赋能「硬件」，那么经验的传承则是补齐「软件」。毕竟，工具可以开源，但一线的研发经验却难以复制。

为此，大赛不仅组建了专属的 AI 游戏赛道专家阵型，更集结了覆盖各品类的上百位策划、制作人，共同组成一支阵容庞大的评审与导师团队，并配套了 Workshop 与线上讲座等深度活动，打造了一个高浓度的「知识传输网络」。这些曾在一线业务中踩过坑、打过硬仗的专家，相当于为参赛者短暂地接入了腾讯在相关领域用真金白银试错换来的「集体大脑」，通过高密度的经验分享，极大地压缩了创作者独自摸索的认知周期。

当然，梦想需要热爱的驱动，但也需要明确的「出口」来对抗不确定性。

为了降低纯粹「为爱发电」的迷茫，本届大赛的总奖金池突破了 400 万元（包括自由创意赛道的 100 万奖金，以及小红花游戏赛道超 40 万的专属奖金与孵化资金）。但比奖金更重要的，是赛后长效的资源对接。

过往的沉淀已经证明了这条链路的可能性：第二届银奖得主李垚的作品《梦蝶》，在赛后获得了红杉资本 200 万元融资；蒋淑格团队的《蜀道行》更是荣获联合国教科文组织亚太地区「全球世界遗产教育创新案例奖」。在这里，优秀的作品不只是拿个奖，还能链接发行、投资和孵化资源，持续把项目往前推。

除了针对「项目」的孵化，这套机制同样注重「人」的加速，优秀的团队和创作者将有机会直接获得腾讯项目组的实习与就业面试绿通。正如 2019 年参赛获奖的焦天弈，他在进入清华-腾讯联合项目深造后，最终入职天美工作室，其打磨的作品如今已在《元梦之星》中孵化上线。大赛并不是拿奖那一刻的终点，而是他职业道路加速的起点。

结语：让创作者与 AI 并肩

AI 进入游戏行业，已经不再是一个「会不会发生」的问题，而是一个「如何发生」的问题。

过去两年的焦点，是模型更强、工具更快；而接下来真正决定行业走向的，将不再只是技术本身，而是：人，那些充满激情、永远年轻的创作者，如何与这些能力并肩作战。

AI 技术的下放正以指数级降低试错成本，「微型 3A」的趋势正在成为现实：几个人的小团队，借助完善的基建底座与机制的托底，同样能撬动过去几十人才能完成的高品质表达。

站在这个节点来看，2026 腾讯游戏创作大赛的意义，也就不只是一次作品评选。它更像是腾讯把内部已经跑通的经验、工具和方法主动向外「开源」的一次尝试，让更多开发者在真实场景里提前体验这套正在成型的协作方式。

也为整个中国游戏产业如何系统性应对 AI 时代的人才挑战，提供一个可以近距离观察的活样本。

焦虑和不确定都是真实的，这也是一个充满可能性的时代。与其等待答案，不如踏入这片试验田，去验证你的奇思妙想，去找到那些同样热爱游戏的同路人。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

阅读原文

跳转微信打开

设计师的 Claude Code 时刻？

机器之心编辑部

本周五，美股多家软件公司迎来股价巨震。

震源又是那个 Claude。

Anthropic 发布了全新 AI 产品 Claude Design。Anthropic 称，这款新工具能让你与 Claude 协作，创建精美的视觉作品，如设计稿、原型、幻灯片、单页文档等等。

Claude Design 由最近刚刚发布，具备强大图像处理能力的 Claude Opus 4.7 模型提供支持，目前面向 Claude Pro、Max、Team 和 Enterprise 订阅用户提供研究预览版。Anthropic 将逐步向所有用户推出该功能。

Claude Design 为设计师提供了广阔的探索空间，也为其他人提供了一种创作视觉作品的方式。作为一款生产力工具，它能够直接将自然语言、代码库、PPT 文档甚至直接截取的网页元素，转化为高保真、可交互的产品原型、设计或营销物料。

现在你只需要用自然语言描述需求，提供补充资料用作参考（如代码、图片或文档），AI 即可构建出一个初始版本的设计。之后，你可以通过对话、内联评论、直接编辑或自定义滑块（由 Claude 自动生成）继续进行完善，直至获得理想的设计效果。

在获得权限允许后，Claude 还可以自动将你团队的设计系统应用于每个项目，从而确保 AI 的输出与公司其他设计风格保持一致。

Anthropic 表示，此前在内测过程中，已有团队使用 Claude Design 来进行以下一些工作：

• 逼真的原型：设计师可以将静态模型转换为易于共享的交互式原型，以便收集反馈和用户测试，而无需代码审查或 PR。

• 产品线框图和模型：产品经理可以绘制功能流程草图，并将其交给 Claude Code 进行实现，或者与设计师分享以进一步完善。

• 设计探索：设计师可以快速创建各种各样的探索方向。

• 推介演示文稿：创始人及客户经理可在几分钟内从粗略的提纲制作出完整的、符合品牌形象的演示文稿，然后导出为 PPTX 或发送到 Canva。

• 营销材料：营销人员可以创建着陆页、社交媒体素材和活动视觉素材，然后让设计师进行润色。

• 前沿设计：任何人都可以构建带有语音、视频、着色器、3D 和内置 AI 的代码驱动原型。

Claude Design 遵循自然的创作流程。在初始训练期间，Claude 会读取你的代码库和设计文件，为你的团队构建一套设计系统。之后的每个项目都会自动使用你的颜色、字体和组件。你可以随着时间的推移不断完善该系统，团队也可以维护多个系统。

你可以从任何位置导入：从文本提示开始，上传图像和文档（DOCX、PPTX、XLSX），或者让 Claude 直接访问你的代码库。你还可以使用网页捕获工具直接从你的网站抓取元素，使原型看起来更接近现有的真实产品。

你也可以使用精细的控制功能进行微调：直接对特定元素添加注释、编辑文本，或使用调整旋钮实时调整间距、颜色和布局，然后让 Claude 将你的更改应用到整个设计中。

在协作方面，Claude Design 设计稿支持组织范围内的共享。你可以将文档设为私有，也可以共享链接，让组织内任何拥有链接的人都能查看，或者授予编辑权限，以便同事可以修改设计稿，并与 Claude 进行群组对话。

在完成设计后，你可以将设计以内部 URL 的形式在组织内部共享，保存为文件夹，或导出为 Canva、PDF、PPTX 或独立的 HTML 文件。

Claude Design 也与 Claude Code 实现了联动。当设计准备就绪可以构建时，Claude 会将所有内容打包到一个移交包中，你只需一条指令即可将其传递给 Claude Code。

Anthropic 表示，在接下来的几周里，Anthropic 将简化与 Claude Design 的集成，以便用户将新工具连接到人们原有的工作栈中。

Claude Design 上线后，开发社区纷纷前来尝试，有不少的好评和效果展示。人们表示，这回 Anthropic 要干翻设计了，而且该说不说，Claude 的「审美水平」还挺高。

不论如何，这回设计的门槛是被打下来了。

Anthropic 自己的设计师 Ryan Mather 也出来现身说法。他表示自己目前一个人负责七个产品线的设计，对于怎样用好 Claude Design 有七条建议。

1、设置好你的设计系统和核心屏幕。这里值得花上一个小时进行设置和优化。

2、与你的工程师实时迭代。最好能在单次会议上与工程师一起设计新功能。Claude 在制作原型方面速度极快，设计师与工程师可以在对话中持续迭代，围绕概念和约束即兴发挥，看着想法逐步成形。

3、使用评论工具进行快速精准的编辑。在粗略的初稿之后，你可能会有数十个细节想要调整。用言语描述想要的所有更改很棘手 —— 所以别那么做！直接指出并批评。

4、让 Claude 为你的想法制作视频演示。一般来说，Claude Design 可以实现你能想到的几乎任何事情。老实说，它更像是 Claude Code，而非基于画布的设计工具。

5、使用连接器（尤其是 docs/slack）。设置好后，你可以发送这样的提示：「请阅读产品 roast 的会议笔记，并为所有出现的问题创建一份探索不同设计解决方案的演示文稿」。然后你就可以出门放松一下，然后带着全新的视角回来看结果了。

6、让 Claude 创建定制的即时工具。一般来说，不要试图以使用基于画布的工具的方式来使用 Claude Design。它是一个不同的物种，具有不同的能力。去尝试吧，玩得开心点！你会发现自己设计得比以前的方式更胜一筹。

7、学会在哪里可以放慢脚步，手动完成任务。新图标、现场插图、命名。有些细节总是能产生超乎预期的冲击力。你很容易就会被智能体式设计的超高速度所吸引。知道何时放慢脚步，本身就是一种艺术形式。

Ryan Mather 认为，Claude Design 对工作带来的最大提升在于能让设计变得更加「开心」，让人们可以轻松尝试更多想法。

未来，传统的设计师岗位会变成什么样？

参考内容：

https://www.anthropic.com/news/claude-design-anthropic-labs

https://x.com/Flomerboy/status/2045162321589252458

https://news.ycombinator.com/item?id=47806725

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开

OpenAI 近期在产品方向收缩、千亿算力投入等动作下，究竟想要做什么？

本文来自PRO会员通讯内容，文末关注「机器之心PRO会员」，查看更多专题解读。

OpenAI 联合创始人兼总裁 Greg Brockman 近日接受了一场专访，围绕产品战略收拢、新基座模型 Spud、自动化 AI 研究员以及算力投入争议等议题给出了内部判断，并就业界最近对 OpenAI 产品方向收缩、千亿算力投入等相关动态的质疑和争议给出了回应。

OpenAI 并非退守 B2B，而是在算力硬约束下做了最残酷的优先级排序？

1、2026 年以来，OpenAI 在产品布局上的一系列调整引发了外界关注。视频生成产品 Sora 的资源被大幅收缩，研发重心向推理模型和通用型产品倾斜，部分分析人士据此推断公司正在从消费者市场退守 B2B。Brockman 在访谈中否认了这一判断，并将调整归因于算力硬预算下的优先级排序。[2-1]

① OpenAI 内部清单最顶端只有两件事：个人助理（personal assistant）和能替用户解决困难问题的 AI 工作体，公司目前可调度的算力甚至不足以同时支撑这两者。

②Sora 并非被彻底关闭，而是在算力优先级调整中被重新分配。Brockman 将其与 GPT 推理模型描述为技术树上的两个分支，当前算力条件下选择了推理路线。

2、Brockman 进一步披露了 OpenAI 在产品形态上的核心方向，即构建一个跨应用、跨场景的统一 AI 层（AI layer），将 Chat、Codex 和浏览器操作整合进同一个入口，取代当前分散的工具格局。

① 他用一个日常细节做了说明：自己经常忘记如何设置 macOS 的 hot corners（屏幕热角），现在让 Codex 直接完成设置，机器迁就人而不是人适应机器。[2-1]

② Codex 将从工程师专属工具扩展为面向所有人的通用操作入口，AI 具备跨应用的记忆与上下文能力，第三方只需开发轻量插件即可接入。

3、Brockman 在访谈中还透露了下一代基座预训练模型 Spud 的进展，他将其定义为凝结了大约两年研究积累的全新预训练底座，并强调这不是在现有模型上的增量改进，而是在理解指令、领会语境和处理开放性问题方面的质的跃迁。[2-1]

① Spud 将能够应对更长时间跨度的复杂任务，Brockman 预期其表现会在物理学等科学应用领域带来显著突破。

② 他引用业内说法 big model smell（大模型气息）描述这种变化：当模型跨过某个能力阈值，用户能直觉感知到 AI 在向你弯折迁就，提问后会错意的挫败感将大幅减少。

从 20% 到 80%，当 AI 能干大部分工作，人类该站在什么位置？

1、Brockman 认为 AI 在工作场景中的角色已经发生质变，新一代模型将任务覆盖率从约 20% 一次性推高至约 80%，AI 从锦上添花的辅助工具变成了必须围绕其重新设计工作流程的核心要素...

 关注👇🏻「机器之心PRO会员」，前往「收件箱」查看完整解读 

更多往期专题解读内容，关注「机器之心PRO会员」服务号，点击菜单栏「收件箱」查看。

跳转微信打开

机器不会自己从世界里长出能力，人的经验也不会自然流入机器。

编辑｜张倩

最近一段时间，相信很多具身智能公司都有点着急。

大洋彼岸，近期，Generalist AI 公布了一项引发行业关注的进展：据其公开披露，团队基于约 50 万小时真实世界人类行为数据训练的 GEN-1，在若干任务上的成功率超过 99%。其创始人、前 DeepMind 高级研究科学家 Pete Florence 随后发文表示：「当数据规模足够大，且团队能够完整掌控基础模型时，技术边界会以更快速度被推进。」这被视为其此前关于具身智能尺度定律（Scaling Law）判断的进一步验证。

但与此同时，更多公司其实还在 scaling 的路上。行业普遍相信，当数据规模与质量跨过某个阈值后，模型性能随规模扩大的提升规律有望更加稳定。

然而，在数据量激增的今天，很多公司其实困在了质量上。就像自变量 CEO 王潜所说，现在很多公司看不到 scaling law 是因为数据太糟糕，全是噪声，「以前 80% 的工作在模型算法上，现在 80% 的工作在数据上」。

身处行业内的人都知道，这个数字并不夸张。离身智能可以依赖人类无意识「编译」过的互联网语料快速训练，但物理世界从来没有被编译过。那些藏在操作经验里的规律，深埋在噪声里，未经组织。机器不会自己从世界里长出能力，人的经验也不会自然流入机器，中间必须有繁琐的人工采集、转译、组织这条链路，然后才能开始谈「训练」这件事。这就是为什么具身模型迭代往往以月/年计算。这种复杂性，是需要敬畏的。

但也恰恰是这份复杂性，在物理世界与模型、本体之间，撕开了一道巨大的机会缝隙。谁能把混沌的物理世界数据，变成结构清晰的训练输入，并构建起反馈闭环，谁就有机会参与这个缝隙的填补，并站上基础设施级的增长快车道。

这一层，就是一个巨大的赛道。

最近崭露头角的智域基石，就是从这一层长出来的公司。虽然成立才三个月，这家公司已经得到灵初、穹彻、浙江人形、智平方、小苗朗程的投资，在手订单近亿元。

和很多延续传统「标注外包」思路堆人头、租厂房、采数据的公司不同，智域基石更关注的是如何构建起一套系统化的能力，把人类在物理世界的劳动数字化，用更低的成本把原始数据转换为模型的训练输入。

为此，他们提出了「数据编译」的概念。所谓数据编译，就是为物理世界那些高熵、异步、多模态的原始数据，建立一套自动化「精炼管线」—— 去噪、对齐、拆解为「技能原子」，并打上可追溯的语义标签，让算法真正读懂物理规律与动作意图，最后凝结为模型。

就像操作系统为硬件和应用之间搭好了接口，这个编译层也在为物理世界和模型、本体能力之间定义一套「编译器」般的标准。这可不是简单的采集外包，而是工业体系的构建。谁能把这个体系建立起来，谁就有机会成为模型训练上游的「能力入口」，从低附加值的劳务角色，跃升为一个更有价值的基础设施层。

为了了解智域基石打算怎么做这件事，为什么他们能做成，我们和这家公司的创始团队聊了聊。

物理世界，不接受幻觉

在 Claude Code、龙虾成为默认的工作搭子之后，我们已经习惯了「一个指令，生成万行代码」的工作方式。但在物理世界，这样的爽文剧情（一个指令，家里被收拾得干干净净）尚未发生。

根本原因在于：物理世界不接受幻觉。代码可以无限回滚，大模型输出错了改个 prompt 就能重来；但机器人抓杯子，手一滑就是真实的水洒一地，每一次决策都有不可撤销的后果。

正因如此，物理 AI 对于数据极为挑剔。数据质量有问题，模型效果就会极其糟糕。差之毫厘，谬之千里。

但现实是，行业从今年开始进入到不缺原始数据的状态，但另外一个痛点开始浮现：缺的是真正能提高任务成功率的训练输入。大量采集的物理记录里，丢帧、曝光异常、动作无效、传感器不同步等问题比比皆是。这些「数据废料」直接喂给模型，不仅学不到正确的因果关系，还会白白浪费宝贵的算力，甚至让模型变成帕金森病人。

然而，要想把这些原始数据加工成可用的训练输入，不是简单的「清洗」或者「标注」就能解决的。

首先，机器人数据通常具有多模态、强耦合、异步采样等特点。当手伸向杯子的那一瞬间，摄像头可能以 30Hz 记录画面，IMU 以 200Hz 甚至更高频率输出惯导信息，关节编码器也运行在各自的采样频率与时钟体系下。对于理想中的训练输入，在时间维度上，需要完成多传感器时间戳同步；在空间维度上，则要完成视觉、末端位姿、力觉 / 触觉与关节状态之间的坐标系标定与对齐。否则就会出现「手已经摸到杯子，视觉却显示还有五厘米」的诡异错位。将这种时空错配输入模型，往往会诱导其学习到错误的感知 — 动作映射。

但即便把时空对齐这些「物理层」的问题都解决了，原始数据依然离可用差得很远，因为它本质上是没有语义的。一段视频里，机器人完成了「抓住杯子、抬起、放下」这一连串动作，但对算法来说，这只是一串像素变化和关节角度曲线，它并不知道「这是在拿杯子」，更不知道「为什么要拿」「算不算成功」。如果直接用此类数据训练，模型参数优化时会难以收敛到正确的任务意图与动作结构映射，导致训练效率极低，或产生不可控的输出行为。

当数据量级来到万亿小时，真正的难点才刚浮现。问题不再只是技术复杂度，而是成本开始迅速失控。每一个环节 —— 质检、对齐、筛选、重编译 —— 都在吞噬资源。这种爆炸式的成本，传统的「堆人」做法根本扛不住。

更难的是，即使你能把这些问题都解决掉，最后的闭环也会成为障碍。谁都想把数据放进真实场景，持续得到反馈，但每一个真实的生产现场都是一座信息孤岛，有其独立的运行逻辑与准入法则。打不通这个闭环，你的数据系统就是静态的，没办法往一个确定的方向迭代。

于是你会发现，过去两年里，整个行业几乎把能试的方法都试了一遍：有人靠堆人去疯狂采数据，有人把希望寄托在仿真上，有人尝试统一数据标准，也有人去做资源撮合，把分散的数据拼在一起。每一条路看起来都打通了一小段，也确实在局部起作用。未来这些尝试也仍将继续，但把这些碎片放在一起看，就会发现它们之间很难真正接上：数据还是不可靠，流程还是不闭环，成本也没有被真正压下来。问题并不是某一个环节没做好，而是从原始数据到训练输入这整条链路，本身还没有被变成一件可以稳定复用、持续运转的事情。

当然，这事儿做不成，本身也是因为壁垒高。它需要一个跨学科的团队，既要懂机器人，也要懂大数据、云原生，还得能搞得成闭环。里面有些是技术问题，有的已经超出了技术的范畴。所以在现实里，你很难看到一个团队凑齐这些能力。而智域基石，是那个例外。

两位 CTO，五层编译管线

为什么说智域基石是个例外？看看他们的团队构成就知道了。

CEO 杨哲轩带着开源分布式数据库的工程经验入场；两位 CTO，一个是徐良威，走通了机器人从实验室到量产的完整周期；另一位则是杨哲轩多年的技术搭档，专攻大规模数据编译与云原生架构。而 COO 张计业生态构建能力突出，既能整合产业链上下游资源，又能精准对接政府决策逻辑与产业政策导向，擅长把技术优势转化为可落地的产业基础设施。

智域基石的股东们明确表示，他们也是看中了这支复合型团队「懂场景、懂数据、懂落地」的稀缺能力，认为其是具身智能产业中极具战略价值的合作伙伴。

这样的人才配置，目标只有一个：让数据编译从「手工作坊」升级为「自动化产线」，并最终生长为模型与原始数据之间那个不可或缺的基础设施层。

整个数据编译管线分为五层。

第一层是质检。智域基石把它定义为「来料检测」。这里的「料」来自他们自研的一套 Ego-Centric 采集设备。这不是市面上现成的方案，而是为了把人的感知（看到了什么、听到了什么、碰到了什么）、以及环境本身的三维信息，全都同步记录下来。当然，除了 Ego-Centric 数据，他们同样采集机器人本体的数据。用他们的话说，就是要拿到「最全最原始」的数据，后面才有编译的余地。

有了这个前提，再回到质检本身。在这一步，大多数公司的做法是抽检，因为传统的人工质检方式支撑不了全量检测的爆炸式的成本，结果就是高达 95% 的噪声混进训练集，「任务成功率」保障不了。智域基石的做法是全量 —— 不只在数据入库时查，编译和交付的每个环节都持续在查。

这里面把成本压住的关键在于：他们用云原生分布式架构把质检拆解成可并行计算的最小单元，配合启发式方法、大模型与几何绑定手段，把原本需要大量人工才能完成的检查，压缩为自动化流水线。据公司测算，在相同覆盖率下，其单位质检成本显著低于传统人工流程。此外，由于与多家头部机器人厂商深度绑定，他们有机会参与质检标准的制定，并在此过程中整合上下游需求，在与客户协同中沉淀出更接近产业实际的质检规范。

第二层是底座。通过了质检的数据，还只是一堆散乱的传感器记录，彼此之间既没有时间同步，也没有空间定位。所以这一步要做的，就是把这些多源异构的数据流锚定到同一个时空坐标系里。他们用的是类似数据湖仓的架构，但做了针对具身智能的改造，在底层完成两件关键的事情：一是把超大规模异构数据统一纳管，不再是分散存储的孤岛；二是更重要的，把不同模态、不同频率的数据，在毫秒级做时空对齐，让一帧画面、一个动作、一次力反馈真正对应到同一个「物理瞬间」。

第三层是编译。时空对齐之后，数据有了结构，但仍然没有语义。编译层是整条管线技术密度最高的环节：系统会把连续的动作流拆解为带有明确意图与物理约束的「技能原子」。比如一个完整的「拿起杯子」动作，会被拆成若干带有明确起点、终点、动作意图和物理约束的片段。同时，这些片段会被打上标签、建立版本，并记录它们之间的来源关系，确保后续可以复用、追踪、甚至回滚。原始数据中无法直接表达的信息，比如在没有触觉传感器的情况下推算手与物体的接触状态，也会在这一层通过推理补全。

第四层是检索。编译完成后，面对的是万亿量级的数据资产。而一个具体的客户，往往只需要其中一个高度精准的切片。智域基石通过自研的检索与查询引擎，让工程师可以用类似 SQL 的方式，从海量数据里直接调用「符合条件的技能片段」。比如一句简单指令，就能调出「厨房场景下拿杯子且成功率大于 95% 的一组动作数据」，系统自动完成召回、筛选和组配，直接输出一套结构化训练数据。这本质上是把具身智能的数据问题当成了一个大规模并发检索问题来解，直接变革了交付效率与商业化规模的上限。

第五层是交付，解决的是怎么把动辄几十 TB、上百 TB 的数据，真正交到客户手里，并且能直接用。智域基石的做法，是把「交付」本身产品化。一方面，他们会把前面组配好的数据，自动打包成标准化的数据集，带上清晰的版本号，可以直接进入训练流程，而不是一堆需要二次加工的原始文件；另一方面，它提供弹性的交付方式，既可以通过云端直连、像调用接口一样获取数据，也可以在对安全要求很高的场景下，用高吞吐的物理介质离线交付。这一切都是体系化的，而不是一次性的项目交付。

看完这五层，相信大家也明白了，为什么凑齐一个能做「数据编译」这事儿的团队那么难。这里面既有具身智能行业的 know-how—— 你得知道哪些数据有用，哪些特征值得编译；也有云计算、大数据的复杂性 —— 你得知道数据怎么存、怎么切、怎么找、怎么交付、怎么把成本控住。最后成型的，应该是一套可复现、可规模化、可审计的「数据炼化体系」。

但说实话，光有这套「数据编译」的能力还不够，毕竟数据本身不是终点，数据能让机器人真正学会干活才是。

所以智域基石从一开始就不是只做数据采集、打包交付就完了。他们实际在做的，是一条更完整的闭环，这也是多家具身智能企业明确看好并投资它的重要原因。简单说就是：他们会跟地方政府合作，在真实的工业场景里建数据采集工厂；再配合那些做本体、模型的伙伴（包括股东），一起采集数据、训练模型；最后把训练好的模型和机器人一起部署到那个场景里，让它真去干活，获取宝贵的反馈。

这个事听起来好像顺理成章，但其实特别麻烦。要协调各方资源，进入封闭场景，同时还得跟模型、本体公司对齐需求，大家在一块儿把事跑通。这里面涉及数据的入口权和加工权，不是谁都能拿得过来，也不是谁都能把整件事情拉起来。这也能看出智域基石这家公司在技术之外的含金量。

所以，虽然公司刚刚成立三个月，他们已经拿到了近亿元订单。

他们的商业模式也很清晰：早期先抓「入口」，通过自建采集能力和第一人称数据设备，获取稳定且高质量的数据来源，同时用定制化数据交付切入客户，完成冷启动和现金流积累；中期随着数据编译管线逐渐成熟，把前期沉淀下来的动作和场景，抽象成标准化数据资产，对外以订阅的方式持续供给，实现数据的复用和规模化变现；再往后，则是把整套能力开放出来，通过 API 和生态，把自己从「数据供应商」升级为「数据基础设施」，让更多开发者和企业在其之上完成数据调用、交易和构建应用。

不做 GEN-1 的信徒，也不押注 π0.6

智域基石的「路线中立」终局观

在采访中，其实我们还谈了谈智域基石对于未来数据路线的看法，尤其是在 GEN-1 发布、人类数据（Ego-Centric 数据）受到广泛关注的当下。

作为数据层的能力建设者，杨哲轩有着自己的判断。他认为，GEN-1 确实重要，因为它通过建模海量人类行为数据，探索了从真实行为中学习物理世界统计规律的可行性路径，定义了机器人该先学什么。但与之并行的其他路线 —— 如 π0.6 所代表的异构真机数据对齐与部署反馈路线 —— 同样重要，因为它们解决的是如何让世界先验附着到具体机器上，以及如何在现实里越做越好。

在杨哲轩看来，未来的终局不会是单一模型路线的胜利，而是三层数据、三段训练闭环的合流 —— 人类数据形成底座，异构真机完成对齐，部署闭环磨出可靠性。真正的数据终局，是能把「真实世界持续数字化」「世界先验迁移到不同本体」「部署反馈稳定回流」这三件事同时打通的基础设施。

而智域基石要做的，恰恰是把这三层数据稳定、高效、可复现地编译成每一代模型都能消化的训练输入，无论未来主流范式仍被称为 VLA，还是演化出新的后 VLA 架构。这种对于行业终局、数据服务需求的清醒认知，让智域基石与不同路线上的多家具身智能公司都达成了良好的协同关系，也会让他们的路越走越宽。

在物理世界、模型与机器人本体之间，搭建一个不同路线最终汇流、且难以绕开的基础设施层。这一层，就是智域基石的机会所在。

© THE END

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

跳转微信打开