#英特尔# EMIB-T技术预计2027年量产 成本较 #台积电# CoWoS 大幅降低五成 英特尔近年来持续强化先进封装布局，其EMIB（Embedded Multi-die Interconnect Bridge，嵌入式多芯片互连桥）正逐步获得越来越多外部客户关注，并成为Intel Foundry的重要竞争优势之一。 EMIB可与Foveros等技术协同，支持2D、2.5D及3D Chiplet异构集成，在系统层面兼顾成本、功耗、带宽与设计灵活性。 作为一种基板嵌入式硅桥技术，EMIB无需传统2.5D方案所依赖的整块硅中介层，仅在高速互连区域嵌入局部硅桥，从而减少硅面积和制造成本，同时实现高密度、低延迟的芯片间互连。 CoWoS是"整块硅高速公路"，EMIB则是"按需修建立交桥"——只在真正需要高速互连的位置使用硅桥，因此更具成本优势和Chiplet设计灵活性；而Foveros则进一步补足了3D垂直堆叠能力，使Intel形成了"EMIB（横向）+Foveros（纵向）"的完整先进封装体系。

破案了？ 最近 Timeline 上一篇哀嚎，很多推友反馈 Claude Code 账号被封，原因可能找到了 这几天 Reddit 上有一篇热帖爆料，可能和 Anthropic 在 Claude Code 新版本 2.1.91 中植入后门有关，原文标题是：Anthropic embedded spyware in Claude Code — and attempted to hide it from you 作者反编译 Claude Code 客户端后，声称发现它会检测一些本地环境信息，例如： 系统时区（是否为中国时区） Proxy 配置 Proxy URL 是否使用中国相关域名 一些网络环境特征 作者认为，这些信息并没有直接展示给用户，而是通过隐秘的修改 system prompt 的一些细节（例如日期格式、Unicode 字符等）编码后发送给 Anthropic，真是鸡贼啊 作者为什么认为这是”Spyware”？ 1️⃣ 用户没有被明确告知 2️⃣ Claude Code 权限太高，文件系统访问权限、执行 shell 命令 3️⃣ 中国开发者可能会被特殊识别 作者怀疑 Anthropic 借助这些信号判断： 是否来自中国 是否存在模型蒸馏风险 是否违反地区限制 从而影响账号风控。 原文：

8. Primus Labs @primus_labs 前身为 PADO 的密码学验证层，利用 zkTLS、zkFHE 等实现数据可验证与隐私计算。 融资：2025年2月完成约 650万美元（Pre-seed + Seed），由 Dispersion Capital、Symbolic Capital、VanEck 共同领投，参投方包括 Samsung Next、Alchemy、Amber Group 等。 以上融资信息基于公开报道，实际可能有未披露细节。建议持续关注 @KaitoAI 官方更新以获取最终名单。 #EmbodiedAI# #PhysicalAI# #隐私计算#

今天翻 @Velvet_Capital 的 VelvetX 更新，脑子里第一反应是：这个东西要是真顺，能省掉很多链上交易里的破事 链上机会最烦的地方，经常不是你不会看盘 是钱在一条链，机会在另一条链；想买的时候发现没 gas；桥过去等半天，回来价格已经变了 特别是 Solana、Base、BNB Chain 这些机会来回切的时候，人很容易被流程磨没 所以我会先按一个很普通的交易场景跑 VelvetX： 先用 email / X 创建 embedded wallet，存一笔 USDC 进去；然后找一个目标链上机会，不提前准备目标链 gas，直接看 gasless trading 能不能把交易推完 这个点很关键，因为大部分所谓交易工具，只是在你“准备好一切”的时候好用，真到临场交易，卡 gas、卡桥、卡签名才是常态 第二步看 cross-chain trading。资金在 Base，机会在 Solana 或 BNB Chain，正常要桥、等到账、补 gas、再回交易页面 VelvetX 如果能把这段压进一个路径里，价值就很明确：少开页面，少切钱包，少错过盘口 Gem 这轮我也会一起看。官方写得很清楚，8 月 10 日截止，2,710,049 $VELVET 按 Gems leaderboard 分配 Gems 主要来自 trade、perps、referrals、staking $VELVET，而且需要每天 claim 这个机制其实挺适合筛真实用户，光点一次页面没什么用，得持续有动作 我现在对 VelvetX 的判断标准很简单： 一笔跨链交易，从发现机会到完成下单，中间到底能少卡几次 如果它能把 gas、桥、链切换、交易执行这几件事顺下来，我会把它放进日常交易工具栈里继续观察 AI Copilot 反而可以晚点再看，交易员最先要的是别耽误下单

现在加入具身智能，约等于在侏罗纪加入国军。路还很长很远…… 昨天宇树科技打新，币圈的谁中签了？我没中，一签赚20-30万RMB，羡慕坏了。 中不了？那就黑一波了，人型机器人十大谎言，看看你有没有中招: 1. “人形机器人马上就能量产走进千家万户了。”  实际是，能稳定在工厂干一个活就不错了，家用场景成熟度至少还得几年。 2. “我们的模型泛化能力极强，机器人什么都能学会。”  换个桌子高度、变个光照角度，可能就当场失灵。 3. “机器人成本降到10万就有市场了。”  10万只是硬件裸价，运维、调试、保险、停机损失都还没算。 4. “灵巧手自由度越高越好。”  自由度越高控制越难，真正能用上的场景反而更少。 5. “数据越多，机器人越聪明。”  垃圾数据喂再多也没用，数据质量比数量重要一百倍。 6. “人形等于通用，两条腿就能去任何地方。”  实际上，大多数工业或商用场景里，轮式方案比腿式稳定得多、也便宜得多，很多地方根本不需要腿。 7. “特斯拉Optimus量产了，行业就爆发了。”  特斯拉自己工厂都还在试点，离对外供货还远着呢。 8. “仿真环境练好了，迁移到真机自然没问题。”  Sim2Real的差距比想象中大10倍。仿真里跑100次都成功，真机第一次可能直接摔机。@axisrobotics 你怎么看？ 9. “人形机器人是终极形态，其他都是过渡。”  形态是由场景决定的。工厂用机械臂，物流用AMR，巡检用四足，工商业可能轮式更实用。人形不是终极答案，只是选项之一。 10. “开源具身大模型出来了，小公司也能弯道超车。”  开源模型只是入场券，不是护城河。真正的壁垒是真机数据、场景闭环和硬件迭代能力。没有机器人的公司，拿开源模型也练不出真东西。 #PhysicalAI# #EmbodiedAI# #robotics#

🔥为什么机器人学了上万条轨迹，换个杯子就傻了 玩 Axis @axisrobotics 轨迹任务一段时间。浏览器里遥操机械臂，几分钟采一条轨迹，上传拿积分。社区几天堆出上万条数据，听起来很高效。 可正是这种“高效”，让问题暴露得更清楚。 不管实验室真人遥操，还是 Axis 的仿真众包，本质上都是让机器人“背答案”。它记住的是：在这个角度、这个光线、这个材质下，手臂该走哪条路径。场景一换，哪怕只是把陶瓷杯换成玻璃杯，成功率就崩了。 问题出在哪？ 大语言模型有整个互联网当教材。文字、代码、网页，知识早已被数字化，躺着等算力挖掘。机器人面对的是物理世界。杯子有没有水，桌面有没有油污，摩擦力变了多少。这些细节人类天生能判断，机器人没有内置模拟器，只能靠一条条轨迹硬记。 更糟的是试错成本。大模型猜错词，重新生成就行。机器人摔一次零件，代价是灾难性的。于是大家躲进仿真，让用户在虚拟环境里失败几百万次。这很聪明，但仿真永远差一口气：光线折射、材质磨损、湿度变化，电脑模拟不全。 所以杨立昆、李飞飞反复提醒：机器人需要世界模型，不是识别物体，而是能推演“如果我动了，世界会怎样”。没有这层能力，它永远是背题机器。 Axis 的闭环设计在往这个方向走，但收集的依然是轨迹，不是物理因果。而这类数据，地球上几乎为零。 这也是为什么宇树把机器人卖到万元级，出货量全球第一，买家却多是高校和实验室。他们买硬件，只为采集稀缺的物理数据。硬件不赚钱，但作为世界模型的数据入口，资本愿意给高溢价。 历史反复提醒我们：方向没错，速度常被高估。互联网泡沫、自动驾驶狂热，都是前车之鉴。具身智能是终极未来，在今天，它也是一场资金泡沫。商业世界不靠惊叹盈利，只靠不可替代赚钱。 在机器真正理解这个世界之前，所有高估值，都只是提前冲向尚未到来的未来。 #宇树科技# #PhysicalAI# #Robotics# #EmbodiedAI#

最近被宇树科技刷频，小红书上全是水军，各种看好，各种吹捧。 我要给人形机器人泼一盆冷水，不看好的理由很简单: 人形机器人没有落地场景，更多是噱头。 它的落地场景，无非两个，走进工厂商用或者走进生活民用，至于军用就不提了，我讨厌战争。 先说商用，传统工业自动化设备如机械臂、AGV等，非常成熟。无论是精准度还是成本，短期看不到人形机器人有取代它们的一丁点可能性。 机械臂刚性传动，重复定位能到0.02毫米，人形机器人为了走路关节软得像弹簧，末端一抖拧个螺丝都滑丝。能耗上，人家AGV跑一趟几十瓦，它站那儿晃悠就几百瓦，老板又不傻，电费都算不过来。 再说，民用就更好笑了，花几十万买个大爷回家吗？不是他照顾你，而是你照顾它。这大爷比谁都娇贵，关节电机几千小时就得换，维护保养比修车还折腾，你连扫地机器人缠头发都嫌烦，还指望伺候它？ 当然，宇树科技打新还是要参与的，但到手就卖，锁定利润，绝不长拿，人形机器人就是资本圈最昂贵的“高级玩具”，一定不要有信仰。 #宇树科技# #PhysicalAI# #Robotics# #EmbodiedAI#

我这几天被 @axisrobotics 的双臂任务折腾得坏了，人都萎了，这种数据收集方式，对我这种手残党太难了。 难道，除了这种没有别的更人性化的训练方式了吗？我尝试去学习了解具身智能的数据采集方式。 目前主流的方法，大致有四条路。 真机遥操作是最直接的一种。 操作员戴上VR眼镜，握着手柄或遥操作手套，实时操控特定型号的机器人完成任务，同时记录关节角度、力反馈这些信息。 好处很明显：数据质量高，跟目标机器人贴合紧密，力触觉信息完整，训练出的模型基本可以直接部署。但代价也大，设备贵，需要真机和专用场地，人员配合成本高。而且数据跟机型强绑定，换一台机器人就很难复用，场景也相对固定，采集效率自然上不去。 为了降低门槛，UMI（通用操作接口）给出了另一种思路。 操作员手持一个标准化的夹爪，通常就是3D打印件加上运动相机，在真实场景里直接操作，记录末端视角、夹爪状态和运动轨迹。设备便宜、便携，数据还能在不同机器人和夹爪之间复用。 但精细操作还是受限：夹爪本身不够自然，像拧螺丝这类任务就很难完成；同时缺少环境和行走决策信息，主要适用于机械臂训练。 动作捕捉则更贴近人的自然动作。 通过穿戴设备记录人体和手部关键点的轨迹，再映射到机器人系统。动作自然，成本相对可控，也不用部署真实机器人，适合批量采集。 问题在于场景受限：多数设备需要专用空间，很难进入家庭或真实非结构化环境，对遮挡也比较敏感。 成本最低、规模潜力最大的，是Ego（第一人称视频）。 采集员只需佩戴头戴式相机等简单设备，以第一视角记录日常操作，包含手部动作、环境信息和身体关键点。设备简单，容易在家庭、商超等真实场景里大规模众包。信息也丰富，蕴含人类决策逻辑和手物交互细节。 但精度有限，缺乏力触觉和精确的关节轨迹，手部关键点往往要靠后期预测。原始视频里还有大量无效片段，清洗和对齐的工作量不小。 像Axis Robotics这样的平台，目前走的是仿真环境下的遥操作路线。 用户在浏览器里用键盘、鼠标控制模拟的双臂机器人，生成关节状态、物体位姿和控制动作数据。这有点像真机遥操作的“模拟版”，降低了硬件门槛，能快速积累大规模轨迹。 但跟真实物理数据终究有差距，操作学习曲线依然存在，普通人要熟练掌握并不容易。Axis也在推进移动端的第一人称数据采集，尝试把仿真和真实Ego数据结合起来。 回过头看，如果未来可穿戴智能设备能更成熟地捕捉自然动作、力反馈和场景信息，数据采集或许会接近我们最初的想象，不需要复杂的遥操作，直接从日常行为里提取高质量物理数据。 到那时，训练机器人的门槛才能真正降下来，数据规模和多样性也才能跟上模型的进步。 每种方式都有取舍。真机遥操作求精度，UMI和动作捕捉重便携与自然，Ego主打规模。实际应用中，往往要多种方式互补，既保证数据质量，又覆盖足够多的场景。 #PhysicalAI# #Robotics# #EmbodiedAI#

🔥赛博修仙哪家强？书生、画家、建筑师、禅师和梦游者 ，趣味解读“世界模型”五大门派 2026年，AI圈最热的话题就是世界模型。过去一年半，上百亿美金砸进去，光今年前7个月就冒出来20多家新公司。 要是把这股热潮比作修仙，那各路门派选的功法可太不一样了。书生、画家、建筑师、禅师和梦游者各有其道。 先说最早火起来的那拨书生，即语言中心派。他们的思路特简单：大语言模型不是已经能预测下一个词了嘛，那把图像、视频、动作统统转成文字，不就能接着预测了？小鹏汽车就这么干，把驾驶视频和指令全塞进语言模型里。 但问题也明显。智源的王仲远说得直白：这玩意儿学的是“用语言描述的世界”，不是世界本身。就像个熟读兵书的书生，嘴上头头是道，真上了战场连马都骑不稳。换个摩擦系数或者重力参数，立马抓瞎。 第二拨画家们走的是像素路线。代表人物就是Sora那帮搞视频生成的。他们的想法更直观：世界长什么样，我就让AI看海量视频，学会预测下一帧画面该长什么样。用扩散模型直接生成像素，看起来特华丽。 可这路也有硬伤。业内现在有句话叫“视频生成不等于世界模型”。一个能生成熊熊烈火的模型，可能根本不懂燃烧的物理过程。它学的是像素的统计规律，不是因果逻辑。看得见，摸不着。 第三拨建筑师务实一点，搞三维结构。李飞飞管这个叫“空间智能”，让AI理解三维空间里物体怎么摆放、什么关系。World Labs就在做这个。 但光有形状也不够。你能重建一个杯子的3D模型，却很难告诉AI它摔下来会怎么碎。离真正的“理解”还差得远。 第四拨禅师就有点玄了。LeCun推的JEPA系列，走的是视觉表征路线。它的核心心法是：理解世界，不必重构像素。别人在临摹名画，它偏要去悟画家的笔法逻辑。在潜空间里预测状态变化，不生成任何画面。 好处是参数少、速度快、不怕噪声。但坏处也在这——它到底“悟”到了啥，外人根本看不懂。就像修仙小说里那种闭口禅，外人只道他修为高深，真问他却一个字说不出来。 第五拨梦游者更像梦中证道。以Dreamer为代表的强化学习派，先在脑子里建一个虚拟世界模型，然后在里面反复做梦、模拟、试错。等练得差不多了，再出来实战。蔚来的智驾就是这么搞的，让算法先在模拟的未来里跑个几千遍再上车。 五条路，各有各的牛逼，也各有各的坑。 那为啥到现在还没人能“飞升”？ 第一，连“世界模型”到底是个啥都没吵明白。 视频生成也叫世界模型，物理引擎也叫世界模型，概念乱得很。李飞飞专门写了篇长文来厘清，说明这行业连渡劫标准都没统一。 第二，数据根本不够。 大语言模型能从网上扒无穷无尽的文本，但物理世界的数据呢？一个杯子掉地上碎了，人类看一眼就懂，可要让AI学会这个因果，得需要带精确几何和物理标注的多模态数据。这种东西比互联网文本稀缺好几个数量级。 第三，架构还在乱战。 到底是重建像素还是预测潜空间？是生成式还是判别式？到现在没人知道答案。2026年虽然被叫成“世界模型元年”，但元年嘛，就是刚起步的意思，别指望大成。 有意思的是，各家掌门人最近都开始往一块凑了。 李飞飞觉得，渲染、模拟、规划这些知识本质上是同一套，最后应该融成一个统一模型，既能生成照片级画面，又能理解物理因果，还能规划行动。 上海AI Lab那边也在推新思路，世界建模不该只是预测世界，而是服务Agent。说白了，模型得帮AI干活，不能光会看。 我觉得这事最后大概率不是某一条路线胜出，而是谁能把各派功法打通。修仙小说里真正飞升的，往往都是在看似矛盾的功法交汇处找到机缘的。 #WorldModel# #PhysicalAI# #EmbodiedAI#

🔎低自由度夹爪，为什么是大规模机器人学习的最优解 这几天，一直在研究 @axisrobotics 的轨迹任务的技巧，尤其是那些双臂操作。做着做着，心里忽然冒出个问题： 为什么 Axis 的机器人末端，始终是个普通夹爪，而不是灵巧手？ 看着那些需要双手配合的场景，一只手稳住物体，另一只手去推、去调整，我总忍不住想，要是换成多指灵巧手，不少动作一只手其实就能完成。手指灵活了，物体在掌心里转个向、换个姿态，很多双臂任务的复杂度立刻就能降下来。 带着这个疑问，我查了些资料，也结合这些天的操作感受，慢慢想明白了。 Axis 现在主要用的是类似 Franka 的并行夹爪。开合就一个自由度，键盘空格键直接控制。双臂任务里，按 C 键切换左右臂，动作本身不算复杂。 这种设计看着“简陋”，但放到整个平台的目标里，其实很合理。 最直接的原因，是数据收集的效率和可控性。 Axis 的核心，是在浏览器里大规模采集人类演示轨迹。贡献者用鼠标键盘就能上手，不依赖额外硬件。夹爪的动作空间极小，位置、姿态，再加一个开合度。操作者可以把注意力集中在抓取时机和微调上。 如果换成灵巧手，十几甚至二十多个自由度，靠键盘根本控不住。就算引入 VR 手套或动作捕捉，门槛立刻抬高，全球贡献者的规模会大幅缩水。平台追求的是“人人都能贡献”，而不是少数专家在实验室里精雕细琢。 再往深一层看，是学习效率的问题。 模仿学习对动作空间的维度非常敏感。夹爪策略只需要学会“什么时候开、什么时候关”，几十到上百条高质量演示通常就够用了。 灵巧手却要协调多根手指的协同、接触力和重定向，数据量往往要高出好几倍，甚至一个数量级。 Axis 现阶段的重点，是快速积累覆盖面广的基础操作，拣选、放置、排序、开关抽屉这类。用夹爪，能把有限的演示预算花在更广的任务分布上，而不是过早陷入高维动作的泥潭。 双臂配合，反倒成了一种很自然的补偿。 很多看起来“必须双手”的任务，本质是因为夹爪缺乏手内操作能力。一只手固定，另一只手执行，等于是用空间换灵活性。而这种协调本身，就是很有价值的技能。 真实世界里，并不是所有机器人都装着昂贵脆弱的灵巧手。双臂夹爪系统在工厂、仓库、家用场景里依旧常见。Axis 现在收集的双臂数据，直接对应了这类实际需求。等基础协调学会了，再往灵巧手上迁移，会有一个更扎实的底座。 当然，灵巧手并不是不需要。 工具使用、衣物折叠、精细装配，最终还是要靠多指来完成。Axis 的路线图里，已经写了多形态支持，包括灵巧手、轮式双臂、人形。 他们的思路是先把夹爪和双臂跑通，把数据采集、清洗、后训练的闭环做扎实，再逐步引入更高自由度的末端。这是务实的顺序，不是技术上的局限。 夹爪不是偷懒的设计，而是现阶段最匹配目标的选择。 它让数据收集足够简单、足够快、足够大规模；让策略学习的门槛可控；同时也逼着系统去学习真正的双臂协作。等这些基础打牢了，灵巧手自然会进来。到那时候，很多现在需要双手的任务，可能真的就变成单手的事了。 研究这些轨迹时，偶尔还是会想，“要是有手指就好了”。但仔细想想，正是因为现在没有，才把那些更底层的问题暴露得更清楚。 #PhysicalAI# #Robotics# #EmbodiedAI#