英伟达正在亲自摸底亚洲最重要的机器人产业链。黄仁勋的女儿黄敏珊出现在北京机器人大会，几乎在每个展台驻足停留。黄敏珊现在是英伟达PhysicalAI平台高级总监，手里有机器人和工业AI核心业务。英伟达的机器人方案是不是快来了？以后每台机器人，可能都得配一颗英伟达芯片。黄仁勋的两个孩子现在都进了英伟达，而且都和机器人业务有关。女儿此前在奢侈品行业做营销战略，曾任职于LVMH集团，读完MBA后进入英伟达。儿子Spencer Huang早年甚至在台北开酒吧，2022年回到英伟达做产品。

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#

Axis @axisrobotics 轨迹任务，对我太难了，我是个手残党，你们几秒十几秒完成的有啥技巧吗？ 我真的很想全方位参与Axis ，也知道trajectory tasks是权重最高、最核心的贡献方式，但就是找不到技巧，怎么办？ 难道，只能等Kaito创作者活动，听说要等到8月中旬，不知道真假。 这几天每天拿出几个小时，找一找轨迹任务技巧，如果实在不行，只能多写推文 ， 争取创作者活动了 #PhysicalAI# #具身智能#

送票福利｜The Rise of Agent Economy 智能体经济的崛起一智能体时代的经济新趋势 📍上海｜7 月 20 日 想来现场聊聊 Agent 创业、投资和 AI 的最新趋势？ 我们准备了 5 张活动门票，每张价值 166 元 RMB，送给想来现场参与交流的朋友。 参与方式： * 关注 @MEeventHK @MetaEraCN * 点赞并转发本条推文 * 评论区 @ 三位好友，并简单说说你关注的话题 开奖时间：7 月 19 日 14:00 （北京时间UTC+8） 我们将随机抽取 5 位，并确认能够到场参与活动后赠送门票。 上海见，期待和大家一起聊聊 Agent Economy。 #AgenticAI# #PhysicalAI# #M2M# #FinTech# #VC# #MEGroup#

看机器人踢球，感觉是挺简单。 给机器人设几个动作，跑过去、抬脚、射门，好像就能完成。 现实里的机器人面对的是各种变化：球的位置、身体平衡、环境干扰，每一步都不是提前写几个指令就能解决的。 这也是为什么我最近比较关注 @axisrobotics。 Axis 做的事情，本质上是在解决 Physical AI（实体 AI）怎么让机器人真正学会行动。 最近 Axis 相关研究登上 Science Robotics，重点就是让人形机器人通过视觉理解环境，再学习复杂动作。 以前机器人很多动作靠人工设计。 但 Axis 关注的是另一种方式： 让机器人在模拟环境里不断训练，学习怎么控制自己的身体，然后把这些能力放到真实机器人里验证。 比如足球这种场景，需要机器人同时处理： 看到球在哪里； 判断下一步怎么移动； 控制身体保持平衡； 完成传球、射门等动作。 这些东西靠人工一个个写，效率太低。 所以现在 Physical AI 的竞争，本质上就是谁能让机器人获得更好的学习能力。 Axis 最近一直在推进这条路线： 从 Axis V2，到数据采集系统，再到社区贡献的数据体系，核心都是围绕一个问题： 怎么让机器人获得更多、更真实的数据，然后不断提升表现。 当然，现在机器人行业还在早期。 成本、稳定性、应用场景，都需要时间验证。 但我觉得 Axis 值得关注的地方，是它没有只停留在“机器人展示”这一步，而是在做机器人背后的训练和数据基础。 未来机器人能不能真正走进现实，关键不只是造一个机器人出来。 更重要的是，机器人能不能持续学习。 这也是 Axis 现在在押注的方向。 @axisrobotics #AxisRobotics# #PhysicalAI#

最近几天刷到一堆人在玩同一个东西，机械臂 @axisrobotics 不是真去工厂里搬箱子那种，是坐在电脑前，用浏览器远程操控一只虚拟机械臂，去抓豆腐、放盘子、开垃圾桶盖……听起来挺简单，真上手才发现有多折磨人。方向稍微偏一点就抓空，夹爪扭得像麻花，明明看着已经对准了，最后还是差那么一毫米。好几个手残党朋友跟我吐槽：玩了一个小时，一个任务都没过。 但奇怪的是，越玩越上瘾。 Axis 干的事其实挺反直觉的。很多人以为机器人训练就是拼命让人多操作、多教，操作越多数据越好。结果他们发现，人类操作里有大量“低信息量”的动作——机械臂空着穿越空间、停顿、反复微调、绕远路，这些动作成本很高，教给模型的东西却很少。V2 直接把这些砍掉了。你可以拖动末端执行器，或者直接点选目标物体，让它自动挪到预抓取位置。真正留给人操作的，只剩抓取选择和夹爪闭合前后那几秒的精细调整。 更狠的是纠错数据的处理方式。模型自己跑任务，快失败的时候人接管把它拉回来。以前大家可能会把整段人类操作全录下来喂给模型，结果模型反而变笨了。后来他们只保留那些真正把机器人从失败状态救回来的短动作，平均只有 0.8 秒。过滤完之后，成功率明显上去了。 这套逻辑有点像教小孩骑自行车。你不会全程扶着他走，也不会把每一次歪歪扭扭都当成标准示范。你只在他快要倒的时候伸手扶一下，让他自己学会从失衡里恢复平衡。Axis 现在做的，就是这个。 普通人不用买机器人、不用搞 GPU，打开浏览器就能贡献数据。任务从简单的抓取放置开始，后面会慢慢往长时程、多步骤、需要容错和协调的方向走。现在看起来还像抓娃娃机，几个月后可能就会变成真正的“高级钳工”考核了。 数据会上链签名验证，贡献是实打实的。再加上和 Kaito 的创作者计划，写内容、拉人参与，都能计入最终的奖励权重。奖励池是 $AXIS 总供应量的 0.25%，TGE 一次性解锁。 说白了，这不是单纯让大家玩游戏，也不是单纯让大家写推文。它在尝试把“机器人怎么在真实世界里犯错、怎么被纠正”这件事，拆成普通人也能参与的碎片。以前这些数据只能在实验室里一点点攒，现在变成了浏览器里的日常任务。 我自己也试了几天。一开始真的很挫败，后来慢慢摸出点门道：先让机械臂到物体正上方再下降，靠近后再微调，别一上来就大幅晃。完成任务后记得去看验证状态并签名，不然轨迹不算数。 玩着玩着突然觉得挺有意思的。机器人想走进现实世界，缺的从来不是更多算力，而是足够多、足够真实的“怎么从错误里爬起来”的数据。现在这些数据，有一部分是由坐在电脑前的普通人一点点攒出来的。 如果你也想体验一下当“远程钳工”的感觉，可以去试试。难是真的难，但偶尔一次抓成功的瞬间，还挺解气的。 快来试试看吧❤： @axisrobotics @KaitoAI #AxisRobotics# #PhysicalAI# #KaitoAi#

🔥Physical AI 的演进，必然走“农村包围城市”这条路。 数字世界的AI，打法是先攻大城市。大语言模型靠海量文本练出通用能力，再向垂直领域渗透。城市拿下，交通要塞到手，农村自然归附。 但物理世界完全不同。真实环境里，摩擦力、碰撞、变形、多物理场耦合无处不在。一个简单的爬墙动作，仿真计算量就可能指数级爆炸。想直接得到一个通用的物理世界模型，几乎不现实。 所以物理AI只能从垂直场景起步，先在一个个具体场景里做透，把局部模型打磨到极致，再慢慢拼出更大的版图。 自动驾驶的发展就是例证。它最早没有直接冲进城市开放道路，而是从矿区、港口、封闭园区这些结构化、变化频率低的场景开始。这些场景跑通后，数据和算法才有了可靠地基。等到干线物流和高速场景成熟，城市RoboTaxi才慢慢落地。物理约束太强，数据成本太高，只能从“农村”起步。 工业领域同样如此。早期的并联机器人和混联机器人，先在特定流水线、数控机床上站稳脚跟，再逐步向外扩展。波士顿动力的四足机器人长期专注复杂地形移动，没有一开始就追求通用人形。农业机器人也先盯住单一作物的采摘或喷洒，积累足够的田间数据后，才考虑多作物泛化。 世界模型在这条路径里扮演关键角色。它不用一开始就覆盖整个物理宇宙，而是先为某个垂直场景建一个高保真的局部世界。机器人在里面用强化学习自我迭代，上限远高于单纯的模仿学习。围棋棋盘是AlphaGo的极简世界模型，蛋白质结构是AlphaFold的微观世界模型。多物理场仿真技术，正好是构建这类局部世界的基础。 数据获取方式也在推动这种演进。家用服务机器人还在花钱雇人采数据，自动驾驶靠用户买车免费贡献里程。而在工业巡检、高空作业等特种场景中，作业过程本身就能产生真实工况数据，把“赚钱”和“收数据”绑在一起。谁先在真实环境里把数据飞轮转起来，谁就更有机会把局部模型做扎实。 最终当然会走向融合。不同场景的模型通过商业互换或开源协议拼接，或许能拼出更完整的物理世界图景。但这个过程必然漫长，也必然从边缘开始。 物理AI没有天降神兵。原子移动比比特慢得多，真实数据的获取成本和周期远超数字世界。只有那些愿意在脏乱险的现场把模型一点点做透的人，才真正在为通用物理智能铺路。 农村站稳了，城市才会慢慢被包围。 #WorldModel# #PhysicalAI# #EmbodiedAI#

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#