Author: AI采集

高德发布ABot-Earth0.5：跨越2D蒸馏模式，以3D原生驱动高一致性场景生成 ABot-Earth0.5正式开放内测 6月8日，阿里巴巴集团旗下高德正式发布ABot-Earth0.5——全球首个完全基于3D数据训练、工程可用的3D原生城市世界模型。依托3D原生技术架构与高德自有的3D数据积累，ABot-Earth0.5率先实现了城市级3D场景的全AI端到端生成。 与传统“先采集、后拟合”的3D城市建模方式相比，ABot-Earth0.5不再采用“从2D图像蒸馏3D结构”的技术路径，而是直接以3D数据训练模型，使其建立起对三维空间的原生理解，端到端一次性生成3DGS格式的城市场景。 用户仅需输入一张卫星图或一段文字，即可在一张消费级单卡上快速生成3D城市，生成效率较传统模式提升约1000倍。 原生3D路径在理论上虽具备显著优势，但落地并不容易：原始3DGS数据难以被大模型直接、高效地用于训练；同时，公里级原生3D场景的连续生成也极具挑战。ABot-Earth0.5在数据表征、解码架构与推理策略上进行系统性创新，打通了从原生3D模型训练到场景生成的全流程。 在训练环节，ABot-Earth0.5首创直接面向3DGS点云的压缩-生成框架，该框架能够将包含数百万基元的高质量真实世界3DGS场景编码到紧凑的隐空间，并从中生成全新的场景，有效解决了3DGS无序性等问题，让模型能直接“阅读”大体量的3D数据。并且依托高德自有的三维数据训练，ABot-Earth0.5确保了生成内容与真实环境的几何和空间一致性。 在推理环节，ABot-Earth0.5为实现公里级别的广域生成，提出了一种高效的滑窗推理（Sliding-Window Inference）机制。该机制通过在重叠区域进行智能融合，将分块生成的场景一致拼接，实现公里级广域连续构建，保证了模型生成内容的空间连续性。 在模型生成阶段，ABot-Earth0.5引入跨域自适应模块，有效弥合卫星影像与三维训练数据在分辨率上的域差异（Domain Gap）；同时内置的多层次细节解码器（LOD）使生成结果自带远近景深，无需后处理即可适配不同视距的流畅漫游。 在交付环节，ABot-Earth0.5构建了完备的自动化管线，输出的是原生可渲染的3D城市场景。用户可直接将生成的内容导入Unity、Unreal Engine等主流引擎，添加交互逻辑后即可用于实际生产。 目前，ABot-Earth0.5正式开放内测，用户可前往官方网站（abot-earth.amap.com)提交申请，直观感受空间智能技术对传统3D生产方式的重构。 技术报告： https://github.com/amap-cvlab/ABot-Earth-0.5/blob/main/tech-report.pdf 版权所有，未经授权不得以任何形式转载及使用，违者必究。 AI聪明够了，行动呢？WAIC首夜，来聊点下一步的真实判断｜活动报名 行业首个具身原生世界动作模型来了！蚂蚁灵波发布LingBot-VA 2.0 第十一届中国航空创新创业大赛报名开启｜熵跃苍穹 无界新元 2026年世界人工智能大会，7月17-7月20上海举办 高德一夜刷榜：十亿用户用脚投票，美食到店榜单乱象被AI横扫 阿里神秘项目，亮相即提4个热搜 高德发布两款ABot系列基座模型，达成全球首个具身操作和具身导航”双SOTA” 高德发布全球首个由大模型驱动的视觉认知步行导引系统 可视、可感、可用的空间智能应用 高德发布Phys AI…

LeCun 10亿押注的方向，全球领先视觉大模型团队早已布局 ”隐空间世界模型很难，但我们一定要做“ 量子位 | 公众号 QbitAI Yann LeCun押注的世界模型路线，一匹深圳黑马也已提前落子。 ——Grounding DINO、DINO-X——的那支团队。 他们并不满足于「看见世界」，而是正努力把AI进一步推向「预见未来」的能力边界。 要知道，LeCun为了这条技术路线，离开Meta、创办AMI Labs，完成10.3亿美元融资，创下欧洲史上最大种子轮纪录。 不同于主流世界模型预测下一帧画面长什么样， 要求AI在更抽象的表征空间里，学习动作和世界状态变化之间的因果规律。 5月15日，在2026全球人工智能终端展暨第七届深圳国际人工智能展览会举办的「AGI前夜：大模型的觉醒时刻」论坛上，视启未来 ，更是在主题演讲中直言： 做世界模型很难，做隐空间世界模型更难， 隐空间世界模型为什么是更难的那条路？难在哪里？ 「隐空间世界模型很难，但我们一定要做」 随着人工智能加速从数字世界走向物理世界，智能体面临的核心任务已经变了。 不仅要「看见」，而且要「预见」——理解因果关系，把握时空动态，在稀疏反馈与复杂约束下完成规划、决策与学习。 强化学习提供了从交互经验中学习的基本范式。看大语言模型这边，从ChatGPT应用强化学习，到o系列模型以及coding能力的突破，本质上都是一系列强化学习算法应用的突破。 但物理世界的样本效率低、安全约束严、交互成本高、环境不可重置，单纯依赖在线试错的方法，难以扩展到真实场景。 真正的智能，不能只停留在「看到当前状态就输出动作」的层面 如果没有对未来状态的预想、对行动后果的预判，智能体就无法在物理世界中持续展开决策链条，也难以真正进入现实环境。 这正是世界模型的意义所在：让AI从经验数据中学习动作、状态与结果之间的因果关系，在行动前先「想象」下一步可能发生什么，为强化学习提供可扩展的内部预演空间。 在张磊看来，当前各种世界模型路线都在不同方向上推进得很快。但对于机器人和物理智能而言，一个核心挑战仍然存在： 模型学到的究竟是像素级相关性，还是可用于规划和控制的物理规律与因果关系？…

Agent终于长出了身体：Jiuwen Symbiosis背后的思考与实践 一起构建下一代物理世界的智能系统 如果你在三年前问AI圈：未来最强的AI长什么样？ 大部分人可能会回答，一个更大的GPT，更多参数，更长上下文，更强推理能力。 然后我们一路从GPT-3.5走到GPT-4、Claude、Gemini、DeepSeek、Qwen。 直到今天，突然发现一个有趣的问题：AI已经学会写代码了，学会做数学题了，甚至学会和你讨论人生意义了，但它依然不会给自己倒一杯水。 这正是当前AI最大的局限之一： 今天，openJiuwen社区正式开源 Jiuwen Symbiosis ，一个专为更高阶的physical AI打造的Symbiosis（共生）架构。 从虚拟数字世界到真实物理世界，我们给AI装上了感知和行动的“骨骼与肌肉”。 Gitcode传送门： gitcode.com/openJiuwen/jiuwensymbiosis （动动小手，Star一下不迷路⭐） Moravec悖论：最难的不是高数，而是走路 1988年，机器人学家Hans Moravec提出了后来著名的Moravec’s Paradox（莫拉维克悖论），其核心思想非常反直觉： 而对于人类婴儿都能完成的事情，反而异常困难： 原因很简单，这些能力并不是逻辑推导出来的，而是数百万年进化形成的身体智能。 困境：智商200，但没有实体，对真实物理世界的摩擦力、重力和空间几何一无所知。 从“缸中之脑”到“身体力行”：智能的进化史 智能对外在机器本体控制的演进，本质上就是一场从数字世界到物理现实的历程： 1.0手搓任务（借助人的辅助）： 依靠人的理解，进行极为原子化的控制操作。 2.0虚拟环境演练（Sim2Real）： 在Habitat、AI2-THOR等仿真环境里模拟，开始有了空间概念，同时训练一个或多个模型，使得大脑可以分析理解指令，并进行任务执行。…

光象科技累计完成数亿元天使轮融资，布局物理原生基座模型 近日，光象科技宣布完成累计数亿元天使轮融资，最新一轮融资由珠海科技产业集团、兴证资本、松禾资本、顺禧基金、慕华科创、See Fund、亿宸资本、上市公司行云科技等头部财投与头部产投深度参与，老股东零一创投、L2F光源创业者基金等持续加注。据悉，本轮资金将重点投入物理原生基座模型的研发迭代，并推进具身智能机器人产品的商业化交付。 锚定物理原生智能，确立差异化技术路线 当前，主流技术路线要实现物理交互的通用性，尚需突破根本性局限。 VLA路线在视觉语言模型的基础上嫁接动作专家实现任务推理与动作生成，但语义通用性并不等同于物理交互能力，模型本质上是感知与动作的映射器，针对特定任务微调后虽能完成固定动作，却难以在物理交互中生长出通用的操作能力。视频预测式世界模型聚焦于环境观测序列的像素级预测，但预测表象并不等于理解物理因果，图像也不足以刻画质量、惯量、摩擦、形变与接触等物理属性，难以支撑通用泛化的动作生成。 光象科技创始人兼CEO张涛表示，真正的物理原生智能，是在与物理世界的感知、交互、反馈、探索与约束中自主涌现的能力。因此，物理原生基座模型，必须以物理交互为首要原则，能够从物理环境中持续学习世界规律、行为后果与任务约束，具备复杂任务闭环的通用智能。 光象科技自主研发的物理原生基座模型，依托自建的高保真、大规模、可交互物理数据资产和自研的全球顶尖强化学习算法矩阵，通过模型在物理环境的充分交互，学习动力学、接触、约束与守恒等显式物理规律推演，以及随机性、不确定性、长程后果等隐式环境状态推理和物理行为归因，使得模型在持续物理交互中涌现出对物理规律的通识理解，从而实现真正通用泛化的行为能力。 光象科技核心团队在具身智能领域具备从基础研究到大规模交付的完整能力闭环。产业端，创始人兼CEO张涛曾主导空间感知定位技术在数百万车载终端的量产落地，其带领的产业化团队来自阿里巴巴、腾讯、华为、库卡、极智嘉等科技和机器人巨头，具备深厚的系统工程与商业化落地经验。学术端，联合创始人李升波教授是强化学习与自动驾驶领域国际知名专家，发表论文250余篇，引用超30000次，连续5年入选爱思唯尔中国高被引学者。核心技术团队100%拥有清华、浙大等顶尖高校博士学历，覆盖机器人设计、强化学习、端到端模型等具身智能全栈领域。学术研究与产业经验的复合基因，使得光象能够从算法突破、数据构建到量产落地实现全链路贯通，将技术创新切实转化为工业场景可交付的产品。 三位一体，构建物理原生智能技术体系 为支撑物理原生基座模型的研发与进化，光象科技构建了一套由强化学习算法矩阵Phi-RL Matrix、物理数据资产Phi-Space与通用物理智能开发平台Phi-Arch协同构成的“三位一体”物理原生智能生成体系。 在算法层，光象科技将强化学习定位为物理智能的能力增长引擎，而非行为微调工具，这是与行业主流路线的根本分野。公司自主研发的全球领先的具身强化学习算法矩阵Phi-RL Matrix，在任务核心性能、多模态动作策略生成、复杂场景决策与安全等方向均取得全球领先。该算法体系可支持机器人通过试错迭代从物理交互中生长出物理原生智能，并不断提升精度、效率、稳定性和鲁棒性等全维度性能水平。 在数据层，光象科技持续构建高保真物理数据资产Phi-Space，基于自研的核心三维建模算法和物理建模技术，实现对真实工业场景从几何结构到物理属性的高保真复刻，同时采用生成式模型实现场景规模的指数级扩增，为模型进化提供源源不断的数据燃料。 在平台层，光象科技打造了行业独特的物理智能开发平台Phi-Arch。该平台的核心价值在于让每一次模型构建和终端部署都转化为可复用、可迁移的系统性积累，在迭代中持续强化通用能力，同步沉淀数据资产，从而让具身智能机器人在工业场景的部署走向可复制的规模化落地，实现能力越用越强、壁垒越跑越深，从根本上驱动物理AI的规模化演进。 算法、数据、平台三大支柱协同驱动通用物理智能的持续涌现，让具身机器人在真实物理世界中具备可跨场景迁移的通用操作能力。 汽车产线场景验证，展现物理原生智能潜力 光象科技近期正式对外发布了工业级自进化具身智能机器人Phi-Bot X1，并在汽车产线焊接上料真实工位完成验证。这一进展，展现了物理原生智能面向真实工业场景落地的强大潜能。 X1采用四舵轮全向底盘，可灵活适应产线中的狭窄通道、流水线工位，实现边移动边操作的动态作业，同时，具备更好的驻停稳定性，可在作业状态下自主锁定。升降腰设计使X1具备抗倾覆和全身协同能力，在垂直方向工作范围覆盖0至2.5米，远端覆盖1.2米。X1采用全关节力控双臂，从关节到末端构建起实时力感知与力反馈体系，可为机器人与产线人员、设备协同提供安全冗余。依托物理原生智能构建的泛化技能模型，X1仅依靠本体感知能力，可在动态复杂的工业环境中完成高精度连续作业定位，同时强大的泛化能力使部署周期压缩至周级甚至天级。 在2026 ATC展会上，X1连续三天持续运行21.5小时，完成焊接上下料全流程作业，零失误，零中断。在上料环节的双孔同时对准作业中，X1仅依靠本体感知将动态操作精度控制在毫米级，角度精准控制在0.3°以内，动态环境下连续工作成功率100%，并与产线自动化设备实时协同。 X1真机作业的这组数据，意义超越了性能指标本身，它验证了机器人能够像人一样在物理交互中自主提升物理智能水平并泛化应用到真实场景的潜力，这正是物理原生智能的核心方向。 从汽车制造产线出发，光象科技将持续推动物理原生基座模型在更多场景中的应用落地，在持续的真实交互中进化，从工业深水区走向更广阔的物理世界。 光象科技是清华大学车辆与运载学院和人工智能学院联合孵化的具身智能公司，具备领先的具身智能算法能力矩阵、高效且极低成本的数据体系以及物理智能开发平台，致力于构建物理原生智能驱动的自进化具身智能体，推动通用具身智能技术的产业化应用。 目前，光象科技已围绕汽车制造中的上下料、质检等典型高价值工位完成真实场景验证，并与多家国内外头部汽车企业达成商业合作，率先在汽车行业实现具身智能真实落地。未来，光象科技将以汽车制造为起点，持续打造可复制、可迁移、可规模化部署的自进化具身智能机器人，逐步拓展至3C、电子及更广泛的泛工业场景。 本文由光象科技提供，量子位获授权转载，观点归原作者所有。 版权所有，未经授权不得以任何形式转载及使用，违者必究。 AI聪明够了，行动呢？WAIC首夜，来聊点下一步的真实判断｜活动报名…

智源&清华合作成果登上Science：脑科学多模态基础模型Brainμ支撑揭示“记忆-睡眠”调控的神经机制 研究表明，睡眠中的记忆重激活参与调控睡眠动态，为理解“记忆-睡眠”双向作用机制提供了新的实验证据。 睡眠与记忆的相互作用，是神经科学长期关注的重要问题。过去大量研究表明，睡眠能够促进记忆巩固；但反过来，作为睡眠中大脑活动的重要组分，记忆重放是否也会影响睡眠结构，尤其是记忆内容如何适应性参与睡眠稳态调控，仍有待进一步阐明。这一问题的关键，在于如何从睡眠活动、记忆活动等多模态、长时程数据中，捕捉记忆相关神经活动与睡眠状态变化之间的因果关系，并进一步验证其潜在调控作用。 2026年6月4日，北京智源人工智能研究院与清华大学联合开展的研究围绕这一问题取得新进展。相关成果“Memory Reactivation Underlies Experience-Dependent Adaptive Regulation of Sleep”在国际学术期刊《科学》（Science）发表。北京智源人工智能研究院悟界·Brainμ模型团队负责人雷博研究员与清华大学生命学院钟毅教授为本文的共同通讯作者。 研究表明，睡眠中的记忆重激活参与调控睡眠动态，为理解“记忆-睡眠”双向作用机制提供了新的实验证据。作为本研究中的数据分析的技术支撑，智源研究院AI+神经科学团队研发的脑科学多模态基础模型Brainμ0，为研究中的记忆-睡眠多模态数据分析、辅助科学家假设验证、睡眠状态识别等关键分析环节提供了支撑，也展示了AI for neuroscience基础模型参与复杂生命科学基础研究的潜力。 1 智源自研神经科学基础模型Brainμ，面向神经科学多模态数据的AI分析基座 现代神经科学数据进入多模态、高通量、长时程的记录的时代，随之而来的多源神经数据异质性强、统一表征与联合分析难度高，已成为基础研究中的共性挑战。针对这一需求，智源研究院研发了脑科学多模态基础模型Brainμ0。其核心模块Brainμ Tokenizer可将神经科学基础研究中EEG、双光子钙成像数据、Neuropixels等不同类型的神经信号转化为对齐的神经活动表征token，使多模态数据能够在统一框架下进行分析。结合配套的基础模型解码器，Brainμ0可支持跨个体、跨场景的数据标注、特定神经活动事件识别、神经活动预测、跨模态对齐等神经科学基础研究任务。 图1 Brainμ Tokenizer (Mouse) 结构示意图 2 从“睡眠促进记忆”到“记忆反向调控睡眠”：AI基础模型辅助神经科学假设验证 基于Brainμ模型的多模态神经信号编解码能力，研究团队提出了使用神经科学基础模型辅助假设验证与信号因果推断的 “AI+基础研究”新思路。在本次刊发于Science的记忆调控睡眠活动的研究中，Brainμ0被用于处理与建模分析睡眠 EEG 信号与记忆相关单细胞双光子钙成像信号。模型不仅帮助研究人员确认记忆活动的神经信号可以有效预测睡眠相位变化的发生，也同时可以辅助区分“伴随记忆重激活的睡眠”（Memory Reactivation…

DeepSeek开招土木老哥：自建GW级数据中心 量子位 | 公众号 QbitAI 从MW（兆瓦）到GW（吉瓦）级基础设施 刚刚在Agent产品线大举招兵买马的DeepSeek，又在算力基建上搞事情！ DeepSeek官网最新上线了 “IDC设计规划工程师” IDC设计规划工程师，全称 互联网数据中心设计规划工程师 ，属于算力基建、通信基建核心技术岗，负责数据中心从前期选址、方案、布局到施工图、落地配套的全流程规划设计，是机房建设前期核心技术负责人。 乍一看到岗位JD，我的脑子迅雷不及掩耳盗铃之势闪过一道机智的闪电—— 最近DeepSeek开放融资，估值据传已经飙到了3500亿元。 大家的关注点除了“都有谁拿到了融资份额”外，就是“拿到这么多钱梁文锋要怎么在DeepSeek身上花”。 这个HC给我们带来了明确方向： 买卡呗，建机房呗，搞基建呗！ DeepSeek最新HC：IDC设计规划工程师 具体来看看岗位招聘详情。 先划拉个重点，DeepSeek官方 明确释放了“工作经验不限”的友好信号，同时又为7年以上资深候选人准备了独立的进阶通道 感觉梁文锋既想招募有系统性思维的新鲜血液，也急需能独立扛鼎的成熟架构师。 参与数据中心园区规划、机房规划及基础设施架构设计。 参与电力系统、制冷系统、机柜系统、网络基础设施等方案评审与优化。 研究并评估新型技术路线，包括液冷、高密度供配电、模块化建设、智能运维等方向。 输出设计规范、技术标准、设备选型策略及容量规划方案。 与设计院、设备厂商、建设团队及运营团队协同推进项目交付。 参与全球数据中心及AI基础设施行业趋势研究，持续优化技术路线和建设标准。 针对成本、可靠性、能效、可扩展性等关键指标开展专项分析与方案优化。 DeepSeek在“你能获得”中写下的承诺，让它看起来确实像个令人心动的offer：…

AI短剧工具赛道，年度最大单笔融资来了 量子位 | 公众号 QbitAI 短剧与AI的融合，正在跑出加速度。 而这一次，被资本按下加速键的是 这家专注数字人和AIGC视频生成技术的公司，刚刚迎来一次关键资本加码—— 旗下AI短剧协作平台AniShort完成近 融资，由北京泰中合领投，多家机构跟投，老股东全线加码。 而这，也是2026年国内AI短剧工具类产品 三个月前，八点八数字AniShort AI短剧协作平台刚刚亮相，就已经把全流程协作这件事摆到了行业面前。 而此次融资之后，八点八数字也将进一步加大投入。 本轮资金将主要用于技术研发、全球市场拓展与创作者生态建设，并重点攻坚AI短剧平台智能体研发。 当不同环节开始由智能体协同完成，短剧生产也有机会从过去的人工驱动、工具辅助，进一步走向更标准化、规模化的工业化生产。 手握全栈技术，直接切入短剧千亿赛道的八点八数字不是新晋玩家，而是深耕AIGC领域十余年的行业基石级企业。 作为国家级高新技术企业，公司自2014年成立起，便扎根AIGC底层技术与商业化落地。 过去的数年里，八点八数字累计投入数千万元研发资金， 自主研发出国内首个数字人生成模型XMEN.AI ，手握近百项AI数字人核心发明专利。 可以说是业内极少数实现2D/2.5D/3D全类型数字人实时生成与驱动的全栈厂商。 依托硬核壁垒，八点八数字构建起“软件+硬件+部署服务”三位一体产品矩阵： 核心产品“亿话”数字人智能体创作平台，签约数百家渠道商、服务超2万家企业，销售额破亿。 不仅如此，八点八数字还与 新华社国家重点实验室、腾讯、三六零 等头部机构长期战略合作，是国内数字人商业化落地的绝对标杆。 十年技术打底+对内容生产的深度理解，让八点八数字精准踩中风口： 战略布局AI短剧，推出AniShort，并全球范围内率先推出AI短剧协作智能体，直接为行业带来一场生产力革命。 过去，传统短剧行业长期被三座大山压着：边际成本高、制作周期长、团队协同难。…

Claude Fable 5省钱秘诀来了：调成Low档比Opus更便宜 聪明人总能花最少的钱办最好的事，AI也一样。 henry 发自 凹非寺 量子位 | 公众号 QbitAI 聪明人总能花最少的钱办最好的事，AI也一样。 就在大伙还在为Claude Fable 5 Opus 4.8的token单价发愁时，反转来了—— 不少开发者发现，把Fable 5的努力程度（effort）调到最低的low档之后，模型不仅没变弱，反而变得格外能打，token消耗也着实少了。 而且哪怕是最低档位，它在SWE-bench Pro上的得分依然压过Opus 4.8开到最强xhigh档的成绩——75.0对68.6。 （注：系统卡这组数据出自Mythos 5配置。Fable 5是加了安全分类器的公开版本，两者权重相同，编码任务基本不触发分类器） 不过，开low档省钱用好模型还只是故事的一半。 因为过去一天里，不少人发现，Fable 5的省钱未必只是因为开了low档。 在一些实际任务中，它甚至能做到效果更好、速度更快，最后账单还更便宜。 比如在GameBench的测试里，面对同一个蜘蛛吃虫子的小游戏任务，Fable…

千里收购了一家毫米波雷达公司 智能车参考 | 公众号 AI4Auto 为追赶全栈能力，千里加速补齐短板。 千里科技最新公告称，将 一家毫米波融合雷达公司—— 后者成立刚满3年，是一家刚实现定点验证和小批量交付、走在量产前夜的企业。 放在科技行业，融感科技本身规模不大，千里给出的收购金额，在动辄以“亿”为单位的自动驾驶行业也不算多……这样的收购交易，原本不会掀起太大水花。 但把千里最近的动作串起来看，此次收购恰恰传递了一个重要讯号： 千里正在加速从算法集成商转向系统拥有者，打造“第二个华为”。 千里智驾收购毫米波雷达公司 近期，千里科技发布公告宣布，其控股子公司 ，大家很熟悉了，就是原来的 ，曾经叱咤摩托圈，破产重整后被 ，2023年6月才成立，至今满打满算刚三年，注册资本333.33万元，和千里相比，属于非常“年轻”的小型公司。 公司总部位于浙江宁波，在北京、南京、上海都设有研发中心。 据千里公告和融感官网介绍，这家公司的主营业务，是 视觉与毫米波融合雷达技术研发和制造 ，客户主要面向汽车、机器人、无人机等。 公司内部开发团队，平均有10年以上的自动驾驶汽车电子正向开发、生产工艺制造经历。 其研发、测试、量产整套体系均已通过车规验证，核心产品已适配L2+及以上智能驾驶场景，具备稳定批量交付能力。 目前，融感科技的产品，已经和部分OEM厂、Tier1建立了合作关系，已实现多家主流主机厂的 也就是说，这家公司的产品已经通过DV/PV（设计验证/生产验证）这类关卡，进入到车企的供应商体系，至少走到了SOP（量产）前的最后一段。 公告披露，2025年，融感科技的营收为754.84万元，今年一季度的营收的88.33万元，也说明融感在会计口径上，已经向客户交付并确认了收入。 当然，公司处于商业化早期阶段，还没有实现自我造血，所以处于亏损中。 另外，从产业链线索看，融感是AI推理系统芯片商 的重要合作伙伴，爱芯元智也是融感的投资方。 基于爱芯的车载芯片做感知方案的联合研发——也说明融感的技术栈，至少在芯片选型-算法-系统集成这条线上，是跟主流车规芯片生态接得上口的。…

CVPR 2026，英伟达特斯拉Waymo一块听中国公司讲物理AI 率先实现物理AI闭环飞轮 量子位 | 公众号 QbitAI 2026 AI赛道最火的概念——物理AI！ 自动驾驶公司在讲、车企在讲、大模型玩家在讲、投资人在讲…… 概念成为共识，真正的分水岭才开始浮现：率先拿出完整技术栈、论文、代码，以及已经在路上跑着、在量产实车上验证的，到底是谁？ 在今年的CVPR首次开设的“具身智能基座模型部署研讨会”上，这个问题终于“混沌初开”。 这场会议上，挤满了这个赛道的头号玩家：特斯拉、英伟达、Waymo，以及唯一一家受邀的中国企业——小鹏。 美国EV头部媒体Electrek主编Fred Lambert 在CVPR 2026开始前，就已经注意到小鹏刘先明和特斯拉Ashok Elluswamy将在全球顶会同台分享技术成果。 顶会上参与前沿AI话题讨论的多如牛毛，但能让特斯拉、Waymo、英伟达这样的学术圈产业界顶尖玩家全都坐下来认真听的，不多。 和英伟达特斯拉Waymo同台竞技，小鹏都讲了什么？ “具身智能基座模型部署研讨会”，在CVPR是第一届，但其实是“Embodied AI Workshop”系列的第七届。 这类论坛一般是特邀演讲，邀请学术界和工业界的顶尖专家，分享最新研究成果和前沿思考。今年的参与者包括Waymo、特斯拉、英伟达等等——全球物理AI的第一梯队。 △从左往右，左3：刘先明，小鹏集团通用智能中心负责人； 左5：Ashok Elluswamy，特斯拉AI 软件副总裁； 左6：Dragomir Anguelov，Waymo副总裁；…

教你用AI一节课收17万，华尔街精英排着队付费 量子位 | 公众号 QbitAI 两个三十岁出头的年轻人，正在靠AI向华尔街收 的学费，合人民币17万。 他们在纽约一家风险投资基金的办公室里支起台子，先演示了一套用AI分析创业公司创始人路演视频的方法。 接着是第二套，他们把财报电话会议的录音记录丢进AI，从几万字里抓出最可能撬动股价的那几句话，再把管理层含糊其辞的措辞拆解成可以填进财务模型的具体数字。 两套演示做完，这2.5万美元就被他们收走了。 为这2.5万美元买单的，是花旗、美国银行、T. Rowe Price这样的顶级金融机构 这些机构在AI上砸了几十亿，工具买了一堆，却发现员工根本不知道怎么用。 于是他们把这两个人请来，帮自己的人补上这一课。 一堂AI课，17万到手 这家开口就向华尔街要价2.5万美元的公司，叫 Wall Street Prompt ，创立它的两个年轻人是 Felipe Sinisterra和Dave Wang Sinisterra是哥伦比亚人，6岁跟父母移民美国。 他大学毕业后去Facebook做工程师，办公桌离扎克伯格只有6米，后来转行进了高盛和美国银行，再后来加入SoftBank拉美基金做fintech负责人，手里过了超过15亿美元的投资。 Wang则是在纽约出生，8岁搬去俄亥俄州。 他在哈佛上学时，给一家网约车公司做校园推广，自己写脚本爬了周边高校的学生邮箱，群发定向优惠码，靠推荐佣金把学费挣出来了。 毕业后，Wang进了摩根士丹利，后来加入SoftBank的同一只基金，主导加密投资，离开后自己创了个数字资产基金，给投资人赚了一笔，把基金卖了走人。 两人在SoftBank共事期间，各自摸出了一套用AI做投资决策的工作流。Wang后来说那是他职业生涯回报最好的一年，觉得自己应该把100%的时间都花在这上面。…

从看懂世界到做对动作，卧安机器人OneModel 1.7用一条「隐式通路」打通了具身智能的关键断层 在潜在空间中完成信息传导 具身智能行业悬而未决的一个核心问题，有了一种新的回答。 World Model「看懂了」环境变化，动作策略却依然「做不对」——这个从理解到执行的传导断层，是当前制约家庭机器人走出实验室的关键瓶颈之一。 5 月 20 日，卧安机器人（OneRobotics，6600.HK）正式发布自研世界动作模型OneModel 1.7 FrontoStria-RL，给出了一套系统性的解决方案：用一条名为 Predictive Policy Latent的隐式传导通路，把世界模型对场景的理解直接「灌」进动作执行模块——不靠显式的中间图像或坐标传递，而是在潜在空间中完成信息传导。在此之前，支撑这一架构的两篇核心论文已于 5 月 12 日在 arxiv 公开。 实测成绩相当能打。在具身智能标准评测基准 LIBERO 上，OneModel 1.7 平均成功率达到 99%，领先 π0.5、GR00T-N1.5、OpenVLA-OFT 等主流公开模型；真机部署中，日常操作任务成功率 99%，高精度任务成功率…