註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 PhysicalAI,后有
PhysicalAI,后有 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 PhysicalAI,后有 的搜尋結果
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。
顯示更多
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#
顯示更多
0
41
39
4
轉發到社區
🔥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#
顯示更多
Axis Robotics 每天看着机器人模型在实验室里卡住。 跑不通的抓取动作,识别不了的场景,泛化不了的路径。 人类好像越来越能造机器人,但越来越不会教机器人了。 1> @axisrobotics 最早就是一个数据标注项目——只不过标的不是图片,是机器人动作。 你打开浏览器,用鼠标拖拽一个虚拟机械臂,教它怎么拿起杯子、怎么拧开瓶盖、怎么给花浇水。就这么简单。动动鼠标,教机器人,赚积分。 但团队很快发现了一个问题: 不是没人想教,是根本不知道怎么教。 2> 机器人的数据,被什么东西卡住了? 大语言模型有全网文本可以训练。 自动驾驶有上亿公里路测数据。 但机器人呢? 真实的机器人操作数据,只能靠实验室里少数专家,一台一台机械臂手动采集。成本高、速度慢、场景单一。 而机器人需要学会的,是真实世界里千变万化的动作——拿起不同形状的杯子、在不同光照下识别物体、在杂乱环境中规划路径。 实验室里采集的那点数据,不够。 3> Axis 看不下去了。 他们发现Physical AI最大的瓶颈不是算法,是数据覆盖度。 没有足够多、足够多样化的训练数据,再好的模型也是空中楼阁。 所以他们决定换一种思路。 4> 从实验室采集变成全民众包。 Axis 的做法很简单:在浏览器里搭建物理仿真环境,让全球任何一个人,打开网页就能操作虚拟机器人。 你拖拽机械臂完成的每一个动作,都会被记录成一条轨迹数据。 这些数据经过验证后,用来训练真正的机器人模型。 2026年2月,Axis 做了一次代号叫"小王子的玫瑰"的实验。 全球1.2万名普通用户在5天内完成了10,000条高质量轨迹数据的采集。 然后他们把其中一批数据直接部署到了真实的 Franka 机械臂上——成功复现。 不需要你买机器人,不需要你懂编程。打开浏览器,动动鼠标,你就在教一个真正的机器人如何行动。 5> 但最有意思的是商业模式。 企业客户可以提出定制化的数据需求——特定任务、特定环境、特定机器人本体。 Axis 把这些需求拆解成任务套件,分发给全球贡献者网络。 贡献者完成任务、产生数据,企业付费购买。 部分收入回流给贡献者。 形成一个闭环: 商业需求 → 任务生成 → 众包采集 → 数据验证 → 模型训练 → 部署落地 物理AI变成了一个网络:商业需求驱动数据创建,贡献者提供智能,模型持续进化。 6> 技术底子怎么样? Axis 自研了 MetaSim 架构,把复杂的物理仿真和轻量化的网页交互解耦。 你在浏览器里拖拽机械臂的每一帧,背后是 MuJoCo 的高频物理模拟,再通过跨仿真重放技术在 Isaac Sim 里做大规模域随机化。 说白了就是:你操作简单,但数据质量不简单。 截至2026年7月,Axis 数据集已包含207个多样化任务和超过5万条轨迹。 7> 最新进展是什么? 7月28日,Axis Robotics 宣布完成1200万美元种子轮融资。 Hack VC 领投,Nomad Capital、Pi Core Team Ventures、10K Ventures 及多位天使投资人跟投。 资金将用于加速建设大规模并行、有人类参与的全球数据引擎。 而且,Axis 即将在 Base 链上推出主产品——数据贡献记录上链,可验证、可追溯。 8> 现在,Axis 正在测试网阶段释放任务。 首批30个任务,已有三分之一进度跑满100%。 Hub 任务可以直接参与,Alliance 任务需要邀请码。 早起的鸟不一定吃到虫,但至少先占了训练工位。 关注 @BTCDTA 和 @0xsexybanana 机器人不会自己学会走路。 但你可以教它。 打开浏览器,动动鼠标,你就在参与建造物理AI的"GPT时刻"。 #AxisRobotics# #PhysicalAI# #Web3#
顯示更多
0
80
13
0
轉發到社區
🔎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#
顯示更多
0
73
17
0
轉發到社區
未来一两年AI最有潜力的几个细分领域,以及我认为其中弹性最大的公司: 1. AI数据中心 / Neocloud BTDR:拥有全球电力和数据中心资产,正在从比特币挖矿向AI/HPC扩张,一旦更多电力资源被AI重新定价,资产弹性很大。 APLD:建设高功率AI/HPC数据中心,把电力、土地和数据中心容量变成长期AI基础设施合同,大型项目投产后收入弹性很大。 RIOT:拥有大规模电力基础设施和土地资源,如果更多矿场电力转向AI/HPC数据中心,资产价值存在重新定价空间。 2. AI高速互联 / 光通信 CRDO:做AI服务器高速连接芯片和AEC,AI集群规模越大,数据传输瓶颈越明显,公司正处于高速放量阶段。 LITE:做高速光通信核心器件和激光器,AI正在从“算力不够”进入“互联不够”的阶段,光通信价值量持续提升。 COHR:从激光器到高速光通信器件覆盖很广,800G、1.6T以及未来光交换放量都直接受益。 3. AI半导体测试 / 新材料 AEHR:做SiC、GaN、硅光等芯片的测试与老化设备,如果硅光/CPO进入大规模量产,公司会直接受益于新增测试需求。 AXTI:生产InP等化合物半导体衬底,是高速光通信上游材料,AI光互联需求爆发最终会向最上游传导。 ACMR:做先进半导体清洗和制造设备,AI推动先进制程、HBM和先进封装扩产,小基数设备商利润弹性更明显。 4. Physical AI / 无人系统 ONDS:做自主无人机、反无人机和无人系统网络,把AI直接带进国防和现实世界,收入基数小,订单放量后的弹性非常大。 SYM:用AI和机器人自动化大型仓库,本质上是在用机器替代重复性体力劳动,Physical AI落地后市场空间巨大。 SERV:做最后一公里无人配送机器人,如果机器人真正进入城市商业场景,小体量公司拥有非常高的收入增长弹性。 5. AI医疗 / 药物研发 TEM:把临床和分子数据与AI结合,用于精准医疗和诊断,医疗数据规模越大,平台价值越明显。 RXRX:用AI+自动化实验寻找新药,试图把传统药物发现变成可以规模化计算和验证的过程。 SDGR:利用计算物理和AI设计药物分子,既有软件平台又有自研管线,管线成功会带来软件收入之外的巨大期权价值。 如果只看AI下一阶段最可能出现高弹性的方向,我最关注的已经不是定价相对充分的GPU、存储芯片等,而是正在形成的新瓶颈和新应用:数据中心、高速互联、Physical AI以及AI医疗。算力决定AI有多聪明,而基础设施决定AI能扩张到多大,Physical AI和AI医疗则决定AI能创造多大的现实价值。
顯示更多
机器人真正缺的,不是更多数据,而是“有效数据”。 最近继续研究 @axisrobotics,我越来越觉得,很多人对 Physical AI 的理解还停留在“数据越多,模型越强”。 但机器人和大模型不一样。 ChatGPT 预测错一个词,可能影响不大;机器人如果判断错一次抓取角度,杯子可能直接摔碎,机械臂多偏几厘米,也可能撞到障碍物。 所以机器人真正需要的,并不是海量无差别的数据,而是能够教会它“怎么行动”的高质量轨迹数据。 一张“机器人正在拿杯子”的图片,价值其实很有限。 真正有价值的是完整过程: 机械臂从哪里开始移动? 手腕旋转了多少角度? 什么时候闭合夹爪? 用了多大力度? 遇到偏差后怎么修正? 最后有没有成功完成任务? 这整套过程,才是一条真正有训练价值的 Trajectory。 传统 AI 学的是: “这是什么?” Physical AI 学的则是: “下一步应该怎么做?” 这也是我最近越来越关注 AXIS 的原因。 表面上看,AXIS Hub 是让用户完成机械臂任务、贡献数据。 但如果只看到“做任务、拿积分”,其实只看到了最浅的一层。 背后的逻辑更像一个数据飞轮: 用户完成真实操作 → 产生动作轨迹 → 数据被清洗和验证 → 用于训练机器人模型 → 模型部署到真实机器人 → 机器人继续产生新的真实世界数据 → 再进入训练。 Human → Data → Model → Robot → More Data 参与的人越多,动作类型越丰富; 场景越丰富,模型越容易获得泛化能力; 机器人部署越多,又会反过来产生更多真实世界数据。 这才是我认为 AXIS 真正有意思的地方。 而且有一个点经常被忽略: 失败数据,可能和成功数据一样值钱。 机器人抓杯子失败、力度太大、路径错误、物体掉落、位置偏差,这些看起来是“坏数据”,但实际上都在告诉模型: 什么动作不应该做。 人类学习走路、拿东西,也是通过大量失败建立对物理世界的理解。 机器人同样需要这个过程。 所以未来判断一家机器人数据平台有没有价值,不能只看“收集了多少数据”。 真正应该看的是: 这些数据到底能不能提高机器人的任务成功率。 这也是我觉得 AXIS 和很多“AI + Crypto 概念项目”不同的地方。 Web3 在这里真正有价值的部分,不是硬给机器人加一个 Token。 而是利用激励机制,让全球用户参与数据生产。 如果积分或 Token 能推动: 更多人贡献有效轨迹 → 数据进入模型训练 → 模型能力提高 → 机器人产生商业价值 那么 Web3 才真正成为 Physical AI 的一种 Cold Start Mechanism。 它解决的不是“机器人有没有币”,而是: 机器人训练需要的数据,怎么更快、更低成本、更分布式地获取。 所以我现在看 @axisrobotics,最关注的不是某一天有多少积分,而是三个问题: 数据是否持续增长? 任务复杂度和数据质量是否持续提高? 这些数据最终有没有真正提升机器人的能力? 如果这三件事能够形成闭环, 那么 AXIS 做的就不只是一个机器人任务平台。 它更像是在尝试建立: Physical AI 时代的数据基础设施。 过去互联网最值钱的是搜索数据、社交数据、消费数据。 而机器人真正进入工厂、仓库、商场甚至家庭之后,下一类真正重要的数据资产可能是: Human Action Data——人类与物理世界交互的数据。 所以相比“下一台机器人是谁造出来的”,我现在更关心: 未来全世界的机器人,到底会用谁的数据长大? 这可能才是 AXIS Robotics 最值得关注的长期叙事。
顯示更多
0
65
59
0
轉發到社區
✦ 花钱发布采集任务,选中满意的结果,最后却拿不到原视频,听起来多少有点反常。 可在 @vangrid_io 的任务流程里,这正是产品设计的一部分。 需求方选中并验收一份提交后,收到的是由现场视频重建的 GLB 格式 3D 模型,原始影像仍由贡献者保留。 链上记录的也只是交付数据的哈希,不包含视频内容,任务说明和贡献者身份。 ⟢ 这套安排把购买现场数据和获得原始素材分开了。 对于只需要空间结构,场景布局和几何信息的 Physical AI 应用,需求方可以拿到可供后续使用的 3D 模型,不必同时收走一段包含大量现场细节的视频。 贡献者完成交付后,仍然保留原始影像。 ┄┄┄┄┄┄┄┄┄┄ ◌ 它的边界同样清楚。 如果某项训练需要逐帧画面,原始分辨率或完整视频序列,只有 3D 模型可能并不够用。 Vangrid 需要证明的,是重建结果能否保留买方需要的信息,同时减少与任务无关的数据暴露。 ▸ 我比较认同这种按用途交付数据的思路。 需求方付费购买的是解决问题所需的结果,不该默认连现场拍下的一切都一起拿走。 数据采集走向规模化以后,采得多只是基础,哪些数据交给买方,哪些内容仍由贡献者保留,反而更能看出一套规则是否成熟。
顯示更多
0
124
79
1
轉發到社區
《收藏!2026下半年最值得关注的10场AI大会》⭐ 号外!号外!🥳 继昨天Biteye整理了Web3下半年的跑会指南后,经 @xingpt 老师催更,我们加急整理出了2026年后半年的AI跑会指南! 从 OpenAI、NVIDIA,到阿里、华为、微软、AWS,再到 NeurIPS,接下来几乎每隔一阵就会有一场重磅活动。 👇如果你下半年有AI跑会计划,这份指南可以直接收藏! 一、【大模型与开发者生态 】🔥 1⃣OpenAI DevDay 2026 ⏰️时间:9月29日 🗺️ 地点:美国·旧金山 🏢 形式:线下开发者大会 + Keynote线上直播 💼 适合人群:AI开发者、技术创业者、工程师、产品负责人 ⭐ 亮点:下半年最值得蹲新品的一场。核心关注新模型、API、Agent、开发工具和AI应用开发范式。 🔗 报名链接: 2⃣2026 云栖大会 ⏰️时间:9月22日—24日 🗺️地点:杭州 🏢形式:线下主论坛 + 140+分论坛 + 大型科技展区 💼适合人群:AI开发者、创业者、产品经理、企业技术负责人、投资人 ⭐亮点:重点关注Qwen、Agent、AI Coding、云计算和Physical AI,适合看阿里系AI技术和产业生态的新进展。 🔗报名链接: 二、【AI算力与基础设施 】🔥 1⃣NVIDIA GTC Berlin 2026 ⏰️时间:10月20日—22日 🗺️ 地点:德国·柏林 🏢 形式:线下技术大会 + 黄仁勋Keynote直播 💼 适合人群:云计算工程师、AI开发者、企业技术负责人、架构师 ⭐ 亮点:重点关注GPU、AI Factory、推理、Agentic AI、机器人、Physical AI。 🔗报名链接: 2⃣HUAWEI CONNECT 2026 华为全联接大会 ⏰️时间:9月17日—19日 🗺️ 地点:上海世博展览馆、世博中心 🏢 形式:线下大会 + 峰会 + 技术论坛 + 展区 💼 适合人群:企业技术负责人、云计算/算力从业者、开发者、政企数字化团队 ⭐ 亮点:重点关注昇腾算力、AI基础设施、Agentic Computing、华为云、企业智能化。 🔗报名链接: 三、【企业AI与云端落地 】 1⃣AWS re:Invent 2026 ⏰️时间:11月30日—12月4日 🗺️ 地点:美国·拉斯维加斯 🏢 形式:大型线下大会 + Keynote直播 + Workshop 💼 适合人群:云计算工程师、AI开发者、企业技术负责人、架构师 ⭐ 亮点:全球云计算领域最重要的大会之一,AI已经成为核心板块。重点关注Bedrock、Agent、SageMaker、AI推理、Trainium以及企业AI基础设施。更适合看“大模型怎么真正被企业部署”。 🔗报名链接: 2⃣Microsoft Ignite 2026 ⏰️时间:11月17日—20日 🗺️ 地点:美国·旧金山 🏢 形式:线下技术大会 + Keynote + Hands-on Lab ⭐ 亮点:重点看Copilot、Azure AI、Agent和Microsoft 365,是观察微软企业AI生态的核心大会。 🔗报名链接: 四、【AI创业与融资 】🔥 1⃣TechCrunch Disrupt 2026 ⏰️时间:10月13日—15日 🗺️ 地点:美国·旧金山 🏢 形式:创业大会 + Startup Battlefield + AI专题舞台 💼 适合人群:AI创业者、Founder、VC、BD、产品团队 ⭐ 亮点:融资和创业资源密度很高,适合看硅谷AI创业趋势、找项目和对接投资机构。 🔗报名链接: 2⃣Web Summit Lisbon 2026 ⏰️时间:11月9日—12日 🗺️ 地点:葡萄牙·里斯本 🏢 形式:超大型科技大会 + AI Summit + 创业展区 💼 适合人群:AI创业者、VC、产品团队、增长和BD团队 ⭐ 亮点:重点不是“最前沿模型”,而是AI创业、融资、AI产品、SaaS和全球创业生态。适合找项目、找投资趋势以及观察AI创业公司到底在做什么。 🔗报名链接: 五、【具身智能与前沿研究 】🔥 1⃣AGIC 2026 深圳国际通用人工智能产业博览会 ⏰️时间:8月26日—28日 ⭐ 地点:深圳国际会展中心(宝安) 🏢 形式:线下展览 + 论坛 + 新品发布 + 机器人体验 💼 适合人群:AI创业者、机器人/具身智能团队、AI硬件公司、投资机构 ⭐ 亮点:重点覆盖具身智能、人形机器人、大模型、AI Agent、国产算力、脑机接口和AI硬件。相比纯论坛,它最大的优势是现场实物和Demo多,很适合拍视频、找机器人和AI硬件选题。 🔗报名链接: 2⃣NeurIPS 2026 ⏰️时间:12月6日—12日 🗺️ 地点:澳大利亚·悉尼,另有巴黎、亚特兰大Satellite 🏢 形式:学术主会 + Workshop + Poster + Satellite会议 💼 适合人群:AI研究员、博士生、实验室、基础模型团队、技术投资人 ⭐ 亮点:全球AI研究风向标之一,适合看推理、多模态、Agent、World Model、机器人等下一阶段前沿方向。 🔗报名链接:
顯示更多
🎉 恭喜我们3月在 $NVDA 约170美元附近完成布局、并一直持有到现在的会员! 今天英伟达再次刷新历史新高,盘中最高来到约 240美元。 从我们当时约170美元附近的建仓位置计算,到今天最高240美元附近: 阶段涨幅约41%! 这一段上涨幅度,已经相当可观。 更重要的是,这不是股价涨上去之后才回头说“我们早就看好”。 当时的建仓时间、交易逻辑、量化信号以及后续持仓过程,全部都有完整记录,会员可以在平台随时回看、核对。 而这段行情也不是一路直线上涨。 中间其实经历过多次震荡,系统也并不是一路只给“持有”。 从图上可以看到,当价格出现阶段性高位、短线结构开始转弱时,系统及时给出了 Sell 卖出信号,帮助做中短线的会员在相对高位锁定部分利润。 随后,当调整结束、结构重新转强,系统又再次出现 Breakout 突破信号。 之后股价重新启动,从约234–236美元一带继续向上,最终再次站上240美元附近并刷新历史新高。 所以这段行情,其实同时验证了两套逻辑: 长期投资者: 从170美元附近一路持有到今天,阶段涨幅约41%。 中短线交易者: 根据Sell与Breakout信号,把握中间的高位减仓、回调后的重新突破,做波段操作。 这正是我们交易系统真正想解决的问题。 不是告诉你一只股票“永远涨”。 而是在不同阶段,帮助你识别: 什么时候趋势开始启动。 什么时候突破得到确认。 什么时候短线风险增加。 什么时候应该保护利润。 什么时候重新出现新的上升机会。 很多投资者真正的问题,并不是不会找到好公司。 而是: 看对了,却拿不住。 涨一点就卖。 跌一点就慌。 突破时不敢买。 回调后又不知道该不该重新进场。 最后明明方向判断正确,却没有真正吃到整段趋势。 所以我们一直强调: 好的交易,不只是选对股票,更重要的是选对位置、看懂结构、按照系统执行。 这次 $NVDA 从约170美元到240美元,约41%的阶段涨幅,就是一个非常完整的案例。 而且所有操作记录、时间点、信号和逻辑,都已经保留在会员平台。 不是事后截图。 不是涨完之后复盘。 而是在行情发生之前、发生过程中,系统已经不断给出提示。 🎉 再次恭喜所有从3月约170美元附近一路持有到现在的会员,也恭喜利用系统把握中间波段机会的朋友。 而对于 $NVDA 本身,我们的长期观点没有改变: 我们仍然长期看好英伟达。 AI算力、推理、AI Agent、Physical AI、数据中心扩张,以及全球AI基础设施建设,仍然是未来几年最重要的长期主线之一。 短期当然会有波动,也会出现Sell,也会再次出现Breakout。 但只要核心基本面和长期趋势没有发生改变,$NVDA 依然会是我们长期重点跟踪的核心AI资产之一。 👇 想在下一笔交易前看看系统如何识别关键转折点?立即体验同款买卖信号交易系统指标,获取更多核心名单、深度研究报告及交易机会。
顯示更多