难怪外星人马斯克一直说我们生活在一个simulation里面的几率是99%！超越相对论量子纠缠最好的解释居然就是这个世界是个模拟的😂这个世界是2D世界的3D投影？ 从全息原理到虚拟世界猜想，这些看似科幻的假说，本质上都是人类在努力打破宏观物理的认知局限。它最迷人的地方不在于给出了终极答案，而在于它直接敲碎了我们凭直觉建立起来的“空间”与“距离”概念。无论哪种解释成立，量子纠缠都在提醒我们，人类眼中的“现实”可能仅仅是宇宙更深层规则的微弱投影。

AI 自动完成 CST 电磁仿真任务。 Codex 通过我开发的 CST MCP 和 CST Simulation Workflow Skill，自动控制 CST Studio Suite 完成一个汽车 77GHz 毫米波雷达电磁仿真案例。 整个流程从自然语言对话开始，由 Codex 自动调用 CST MCP 完成项目创建、参数化建模、材料设置、4 端口激励、Open/Add Space 边界设置、E/H/Farfield 监视器配置、Time Domain Solver 求解，以及 S 参数结果导出。 Codex + CST MCP 控制专业仿真软件完成自动建模、求解、导出与结果验证的真实演示。 #CodeX# #CST# #MCP# #自动建模# #AI工具# #电磁仿真# #GPT#

大概理解了绘画的实质。目前在画的时候，想的是什么呢？不是写实，而是如何欺骗人类的眼睛。是计算机给我的启示，我认为是一种simulation。中学时候学校旁边有专业美术用品店，进口颜料贵的买不起，我一次也没买过。现在买的起了，还是Daniel Smith颜料混杂便宜颜料在用。老师说，几十年一如既往的抠门

自从 @axisrobotics 把 $AXIS 的 Tokenomics 发出来以后 我刷到的推特，大家基本都在算： Season 1 有 4%，我这些分数最后能分多少？ 我也去看了一遍 但是我最在意的不是这 4% 而是为什么 TGE 以后还留了 6%？ —————— ฅ՞• •՞ฅ —————— Axis 给数据贡献者一共留了 10% 的 $AXIS 但它拆成了两段： TGE 前：4% → Simulation TGE 后：6% → Sim-to-real 后面那一池甚至比现在还大 因为 Web3 很多积分项目的剧情大家都太熟了 发币前，人山人海 发币以后，任务做完，大家毕业🤣 如果 Axis 只是想把 Hub 做成一轮积分活动， 最简单的做法其实应该是： 现在把奖励全撒掉，把数据冲到一个漂亮数字，然后结束 但它把更多贡献者奖励压在了 TGE 之后 那意思就很明显了： 发币并不是“毕业典礼” 它后面还需要人继续干活 —————— ฅ՞• •՞ฅ —————— 而且两个 Season 做的事情也不是简单复制 现在大家熟悉的是： 坐在电脑前控制模拟机械臂，抓杯子、搬积木、开抽屉…… 但 Axis 最新的产品架构已经不只有 Web Simulation 官方现在直接分成三块： Web：模拟机器人数据 Mobile：第一视角真实世界数据 Infrastructure：把数据处理到模型训练这一层 整个项目明显正在从“模拟器里收数据”，继续往真实世界走 我现在很好奇 Season 2 当 6% 的奖励真正开始服务 Sim-to-real，普通贡献者还能参与到什么程度？ 还是继续坐电脑前做任务？ 开始采集真实世界数据？ 或者会出现完全不同的贡献方式？ —————— ฅ՞• •՞ฅ —————— 还有一个细节 Axis 这次明确的 Contributor Rewards 是 10% 团队和私募在 TGE 时则是 0 解锁，之后有 12 个月 cliff，再进入 24 个月线性释放 我更在意它表达出来的顺序： 先让网络跑起来， 再让后面的参与继续有预算。 Axis 现在已经有 730 万+轨迹、22.9 万+贡献者 如果 TGE 以后 Hub 反而越来越忙， 那这个项目才真的变成了一张持续有人工作的机器人数据网络。 我现在觉得 Axis 真正的考试，可能不是 TGE 前 是 TGE 以后 ⬇️一起给机器人打工吧～

最近axis robotics其实有一些非常amazing的进展。还没形成paper，但是先简单分享一下激动的心情。 简单来说，过去一年，通过axis社区的数据贡献，我们其实积累了大量manipulation的动作轨迹数据。 但是我们逐步发现，这些数据更大的价值不是直接拿来训练某一个通用大模型，而是作为先验，告诉我们哪些特别的动作和状态值得探索。 最近，我们依靠 LLM 自动化生成场景和任务，然后在这些用户数据和少量自动生成数据的基础上，我们可以用高速、低成本的 RL，把每一个任务快速训练成一个接近 100% 成功率、覆盖大量状态变化的专项 Expert。 这个expert，你可以理解为是axis自研的针对某个特别的动作的专用模型，它专门针对这个任务场景可以取得非常强的泛化能力。 这些 Expert不仅具备很强的泛化能力，同时也可以通过物理和视觉随机化充分利用 Simulation，并进一步迁移到真实机器人，同时持续生成大量高质量、多样化的训练数据。 当我们把这个过程复制到成百上千个任务以后，就得到了一整个专家模型的Network：装箱、分拣、抓取等不同任务都有自己的强 专家模型，再把这些 Expert 的能力和数据统一蒸馏、fine-tune 到一个共享的 Foundation Model 里。 也许有一天，axis也拥有属于自己的海量专家模型甚至做出来属于我们的foundation model。how exciting it is

今年在比较系统地追机器人这个大赛道，已经cover过的主题包括了模型（以及发展派系），灵巧手，机器人本体（供应链），数据，触觉... 这一整个系列的盘点和追踪还是非常有意思的，大家如果有错过的episode可以点击下面观看。 但感觉还有一些缺失的角落，比如说Simulation仿真这一块，还有世界模型在机器人上的进展等等... 如果有好的嘉宾或者公司，欢迎推荐给我们哦～ 机器人触觉： 机器人本体与硬件： 机器人数据： 灵巧手： 机器人开源模型： 机器人闭源模型：

World Model × Reward Density：递归自我迭代的真正拐点 过去几个月，讨论 AI 递归自我迭代（Recursive Self-Improvement, RSI）时，关注点几乎都放在模型能力和算力增长上。 但研发系统的实验效率相对模型和算力，可能才是真正的瓶颈。 过去一年，这个系统正在发生两个根本性变化：一是 World Model 快速成熟，二是 AI Model Design 的 Reward Density 持续提高。这两个趋势彼此强化，最终指向同一个结果——AI 研发正在从依赖真实实验，转向依赖模拟、预测与自动验证。 World Model 的意义远不只是让模型理解现实世界，更重要的是让 AI 可以构建越来越接近真实世界的原生模拟环境（Native Simulation World）。过去的模拟器主要依赖人工编写规则、物理公式和专家经验，只能覆盖有限场景；未来的模拟器将越来越多由模型生成，直接学习真实世界中的交通、人类行为、企业经营、材料性质、机器人动力学乃至科学规律。模拟世界将逐渐从 Rule-based 转向 Model-based。 这意味着 Simulation 与 World Model 不再是两个独立模块，而是一个递归系统。真实世界提供数据，训练 World Model；World Model 构建更真实的 Simulation；Simulation 为 AI 提供几乎无限的实验机会；实验产生大量高质量合成数据，再反过来继续优化 World Model。 整个循环可以表示为： Reality → World Model → Simulation → Synthetic Experience → Better World Model → Better Simulation → ... 一旦进入这一循环，Simulation 本身开始成为新的数据源。过去互联网几乎承担了全部训练数据来源；未来互联网、Simulation、机器人和自动实验室将共同构成模型训练的数据基础。其中，Simulation 将成为增长最快的数据来源，因为它几乎没有成本，可以无限复制、暂停、回滚、并行和加速运行。 机器人是最直接的受益者。今天机器人最大的瓶颈并非模型能力，而是真实数据获取速度。现实中，一台机器人一年只能积累几千小时经验，而 Simulation 可以同时运行数百万个机器人，在一天内完成现实世界几年甚至几十年的探索。机器人训练因此会逐渐从 Reality-first 转向 Simulation-first，真实机器人更多承担最终校准，而非主要学习过程。 科学研究也将遵循相同路径。未来药物、材料、催化剂、电池、蛋白质设计等领域，大部分假设将在 Simulation 中完成筛选，仅将最有希望的方案送入真实实验室验证。湿实验将越来越像对 Simulation 的最终确认，而非发现过程本身。 如果说 World Model 解决的是实验环境，那么 Reward Density 解决的是实验反馈速度。 AI Model Design 正在成为所有研发任务中 Reward Density 提升最快的领域之一。过去修改一个 Attention、优化一个训练策略或者调整一个架构，往往需要数周训练才能知道结果，反馈极其稀疏。今天越来越多中间信号已经能够提前提供可靠奖励，包括 Loss Curve、Scaling Prediction、Training Stability、Token Efficiency、Inference Latency、Proxy Benchmark 等。很多决策无需等待完整训练即可获得有效反馈，研发循环开始从周缩短到天、再缩短到小时。 World Model 的加入进一步提高了 Effective Reward Density。过去，一个团队提出一百个模型设计，只能真正训练其中极少数。未来，大部分方案将在 Simulation 中完成预验证，仅保留少数最优设计进入真实训练。单位时间内能够获得的有效反馈数量因此不是线性增加，而可能提高一个甚至多个数量级。 真正发生变化的不是 Reward Density 本身，而是有效 Reward Density： 过去： 100 个想法 → 训练 3 个 → 获得 3 个 Reward。 未来： 100 个想法 → Simulation 验证 95 个 → 训练 5 个 → 获得近百个高质量 Reward。 研发系统开始进入典型的正反馈。 RSI 意味着：Model → Better Model。 但如果拆开来看，其实是： Model → Better World Model → Better Simulation → Better Evaluation → Better Model。 更进一步，World Model 本身也是模型，因此模型不仅开始优化模型，还开始优化整个研发基础设施，包括 Evaluation、Reward Model、Simulation、Compiler、Kernel、Memory System、Chip、Interconnect、Datacenter、Energy 以及 Robot Lab。优化对象从单一模型扩展到整个 Intelligence Stack。 从这个角度看，RSI 的速度可以拆解为五个核心变量： RSI Speed = f(Model Capability × Experiment Speed × Reward Density × Automation Ratio × Compute) 过去几年，模型能力和算力提升最快，而实验速度、Reward Density 和自动化比例一直是限制因素。现在，这三个变量正在同时改善，并形成多个相互强化的反馈环。 Reward Density 提高，实验速度提升；实验速度提升，提高自动化比例；自动化比例提升，进一步增加迭代频率；更高的迭代频率提升模型能力；更强的模型又提升 World Model；更好的 World Model 再提高 Reward Density。 整个系统开始形成真正意义上的递归飞轮，而不是单变量增长。 因此，RSI 更可能表现为阶段性加速，而不是平滑指数增长。每当一个关键瓶颈被突破，例如 Evaluation、Simulation 或 Robot Lab，整个系统都会进入新的增长档位。 基于目前的发展节奏，可以将 RSI 粗略划分为四个阶段。 第一阶段已经开始。AI 能够辅助模型研发，但仍高度依赖人类完成实验、分析和决策，研发循环以周为单位。 第二阶段将在 World Model 和 Reward Density 继续成熟后出现。AI 将能够提出设计、完成 Simulation、自动 Evaluation、自动 Revision，人类只负责批准关键实验，研发循环压缩至小时级。这将是自动 AI Research 真正形成飞轮的起点。 第三阶段将随着 Robot Lab 普及而到来。Simulation 与自动实验室形成闭环，真实实验自动更新 World Model，整个研发流程实现 7×24 小时运行。现实世界逐渐从主要训练场转变为校准场。 第四阶段，也是 RSI 真正意义上的广义扩张。AI 不再只是优化模型，而是持续优化芯片、网络、能源、机器人、制造系统和整个智能基础设施。递归优化对象从 Software 扩展到整个 Physical Intelligence Stack。 基于上述路径，接下来最值得关注的是五个领先指标：AI 完成一次研发迭代所需时间；AI Model Design 的 Reward Density；World Model 对真实训练结果的预测精度；Simulation 与现实实验的一致性；以及整个研发闭环中自动化完成的比例。 这些指标共同决定了递归自我迭代是否真正开始进入加速阶段。 接下来，Simulation 将成为主要训练场，Reality 将成为最终校准场。 当 World Model 足够准确、Reward Density 足够高、Robot Lab 足够自动化之后，AI 将第一次拥有持续、自主、高频率优化自身的实验环境。这并不意味着智能会瞬间爆发，而意味着决定增长速度的约束正在系统性消失。 当研发系统本身成为优化对象时，递归自我迭代才真正开始。

#Base# B20 主网上线！免费创建你的 B20 代币！！！ ✅ 入口： 特点： • 兼容 ERC-20 • 协议层效率优化 • 免费创建，仅需 Gas（~$0.04） 操作： 1️⃣ 连接 EVM 钱包 2️⃣ 填代币信息 3️⃣ 确认部署 ⚠️ 提示：如显示“token failed to index”或“simulation failed”，直接无视。

我的跨境电商自动化运营日记（二） 最近两个月，我一直在尝试做一个开品分析 Agent。很多时候一个产品做不起来，不是广告没打好，而是产品从一开始就选错了。 而且，我发现大部分卖家的选品流程其实非常低效：打开 Amazon、看 Best Seller、 Helium10、 Jungle Scout、 TikTok，然后凭经验判断能不能做。虽然看起来专业，但本质上仍然是人工分析。 于是我开始想，能不能把整个开品流程拆解成一条数据流水线？让 AI 自动完成。 最近基于 Hermes 做出了第一版系统。 整体流程如下： Amazon Listing → Review Mining → Pain Point Analysis → Demand Validation → 1688 Supplier Scan → Profit Simulation → Go / No-Go 整个流程最重要的一步是评论挖掘。因为销量告诉你什么产品卖得好，而评论告诉你为什么卖得好以及为什么卖得不够好。这是机会所在。 第一层：评论挖掘 我抓取 Amazon 前50个 Listing，累计约 3 万条 Review，然后通过 Hermes 调用分析链路： 先进行 Embedding，再进行聚类，最后提取高频抱怨。 这里有个有意思的发现，很多卖家喜欢分析五星好评，实际上最有价值的是三星评论。 因为一星评论往往是情绪发泄，五星评论往往过于笼统，三星评论反而最容易暴露产品真实缺陷。 比如说我看到有个 Portable Blender 类目。Agent 最终发现：电池续航不足、清洗困难、无法处理冰块。这三个问题占全部负面反馈的 42%。 这时候其实就不用再去分析了，而是要去验证市场上是否已经有人解决这些问题。 第二层：需求验证 很多选品工具喜欢展示搜索量，但搜索量经常会骗人。 真正有价值的是：需求增长是否来自真实购买意图。 所以我让 Hermes 同时分析：Amazon Search Trend、TikTok 视频增长、Reddit 讨论量 如果只有 TikTok 数据上涨。 系统会判定：可能是短期流量驱动。 如果 Amazon 搜索量同步上涨，则说明真实需求正在增长。 这一步帮我过滤掉大量伪需求产品。 第三层：供应链匹配 这是很多 AI 选品项目做得最差的一步。 发现需求很容易，找到能赚钱的供应链很难。 我的做法是：直接抓取 1688 和 Alibaba。 分析工厂数量、MOQ、成本区间、发货周期，然后让 Hermes 自动生成 BOM 风险评估。 比如说：如果一个产品只有两三家工厂能生产。即使需求很好，系统也会降低评分，因为供应链风险太高。 第四层：利润模拟 这一步不是预测销量，而是预测失败。 我给 Hermes 建立了一个利润模型。 默认模拟三种场景： 1.广告成本上涨20% 2.客单价下降10% 3.物流成本上涨15% 如果产品在三种情况下仍然盈利，才会进入推荐列表。 这目前是整个系统最重要的规则，不知道能不能跑通，后面再随机应变 基本思路，先保住本金，再往外延伸利润 因为我发现往往毁了一个卖家的是低估了风险.... 暂时先写这么多

Google 與聯發科深化 TPU v9 合作，開發升級版 Triggerfish，聚焦 AI 代理、強化學習與有效算力最大化 1. 我最新的產業調查顯示，Google 將在 TPU v9 / Humufish 的基礎上，開發代號可能是 Triggerfish 的升級版 v9 晶片，並由聯發科獨家取得此單價更高的新增訂單。 2. 此升級版晶片是以 Humufish 為基礎的延伸新案，定位為更強推論能力的 v9 改版，可同時緩解 CPU wall 與 memory wall。此案也進一步驗證聯發科是 Google 在 TPU v9 世代的合作首選廠商。 3. 此 v9 改版與 Humufish 的主要差異，在於：SRAM 容量顯著提升至 Humufish 的 2–3 倍、新增 simulation die、升級至 HBM4E（vs. Humufish 的 HBM4）。 4. 新增 simulation die 的可能功能除了本地 TPU 管理、訓練 / 推論模式切換等，關鍵聚焦在強化學習（RL）與 AI 代理協作。 5. 更大容量的 SRAM 可將更多 RL 與 AI 代理所需的活躍工作集（active working set）留在 TPU 本地，降低資料搬移成本，提升超低延遲 decode 階段的效率。 6. 在 Humufish 生命週期 400‒500 萬顆出貨預估不變下，Google 額外追加 100–200 萬顆 Triggerfish 訂單，預計 2027 年底開始生產、2028 年放量；因Triggerfish 單價較 Humufish 高約 30%，有望成為聯發科 2028 年營運動能的新增量。