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

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。

机器人行业的“GPT 时刻”，卡住它的可能根本不是 AI。 最近继续研究 @axis_ai，我发现一个很容易被忽略的问题： 过去两年，大家讨论机器人，注意力几乎都集中在模型、芯片和硬件。 谁的机器人走得更稳？ 谁的机械手更灵活？ 谁的模型参数更大？ 但如果把视角往底层再挖一层，你会发现 Physical AI 面临的一个核心问题其实是： 机器人严重缺数据。 ChatGPT 为什么能够出现？ 一个非常重要的前提，是互联网过去几十年积累了海量文字、图片、代码。 模型可以“读完整个互联网”，再从中学习人类知识。 但机器人不一样。 互联网里有几十亿张“杯子”的图片，却没有几十亿条： 机械臂应该用什么角度靠近杯子、施加多大的力、抓住之后如何移动、遇到障碍如何调整。 机器人真正需要学习的是： Action，而不仅仅是 Information。 这也是我最近越来越理解 AXIS Robotics 的地方。 AXIS 做的不是再造一个机器人，而是在尝试解决机器人背后的“数据生产问题”。 它把机器人操作搬进浏览器。 普通用户不需要购买机械臂，也不需要成为机器人专家。 打开浏览器，就可以操控模拟机器人完成抓取、移动、分类、开抽屉等任务。 而你每完成一次操作，背后产生的并不是一局“小游戏记录”。 而是一条完整的 Trajectory（机器人运动轨迹）： 关节状态、物体位置、控制动作、视觉信息、任务结果…… 这些数据经过验证、清洗和处理之后，可以继续用于机器人策略和 Physical AI 模型训练。 这件事情真正有意思的地方在于： AXIS 正在尝试把过去只能发生在机器人实验室里的数据生产，变成互联网规模的数据生产。 传统机器人数据采集有一个非常现实的问题： 想增加数据，就要增加机器人、操作员、实验场地和时间。 本质上是线性扩张。 AXIS 想做的是另一条路线： Simulation First + 全球贡献者。 一个实验室也许只能同时控制几十台机器人。 但如果把模拟环境放进浏览器，理论上可以让成千上万人同时产生不同环境、不同任务、不同操作方式的数据。 这就让我想到一个很有意思的类比： Google 把全世界的信息组织起来。 Wikipedia 把全世界的知识贡献者连接起来。 而 AXIS 想做的事情，有一点像： 把全世界的人类操作经验，转化成机器人可以学习的数据。 更关键的是，这已经不完全停留在 PPT 上。 AXIS 官方披露，2026 年 2 月 Beta 阶段，约 18,000 名参与者在 5 天内完成了接近 100,000 条 trajectories。 此前 Little Prince’s Rose 实验中，社区在 3 天产生了超过 10,000 条有效轨迹。 这些数据随后真的被用于训练策略，并部署到真实机器人，让机器人自主完成浇水任务。 这一步非常重要。 因为它验证的是： Human → Simulation → Data → Model → Real Robot 这条链路到底能不能跑通。 如果答案是 YES，那么 AXIS 的想象空间就不应该只看成“一个让用户做机器人任务的平台”。 它真正想建立的是一个 Physical AI Data Engine。 而且这里还有第二层逻辑。 机器人需要的并不是单纯“越多数据越好”。 真正重要的是： 模型在哪里失败，就继续生产哪里的数据。 比如一个机器人已经可以在桌面上成功抓杯子 95 次。 真正有价值的，可能不是再给它 10 万次完全相同的成功案例。 而是找到剩下那 5 次为什么失败： 光线变了？ 杯子旋转了？ 被其他物体挡住了？ 抓取角度不对？ 然后针对失败场景继续生成新的训练任务。 这也是 AXIS 所强调的 Compounding Data Engine： Task Generation → Data Collection → Model Training → 找到 Failure → 生成针对性数据 → 再训练。 于是数据不再是一次性卖掉的数据集。 而是一个不断反馈、不断迭代的循环。 模型越强，暴露的问题越具体； 问题越具体，下一轮需要的数据越精准。 这才是我认为 AXIS 真正值得观察的地方。 未来机器人竞争，很可能不会只是： Tesla vs Figure vs 1X， 也不会只是： 谁的硬件更便宜、模型参数更多。 在更底层，可能还有一场大家现在关注得并不够多的战争： 谁掌握最大、最多样、可以持续迭代的 Physical AI 数据。 LLM 时代证明了一件事情： 数据规模一旦跨过某个临界点，能力可能出现非线性变化。 如果未来机器人也存在类似的 Scaling Law， 那么今天看起来只是一条条普通的 trajectory， 最终可能会成为 Physical AI 最重要的基础资产之一。 所以我现在看 @axis_ai，关注的已经不是“做任务能拿多少积分”。 我真正想观察的是： 它能不能把全球几十万甚至几百万人，变成 Physical AI 的分布式数据生产网络。 如果这条路线最终成立， 未来训练机器人的方式，也许真的会发生变化： 过去： 造更多机器人 → 雇更多人 → 采更多数据。 未来： 让更多人连接进来 → 产生更多人类操作经验 → 训练更聪明的机器人。 AI 让知识第一次可以被机器大规模学习。 而 Physical AI 下一阶段真正缺少的，也许就是： 一个属于机器人的“互联网级数据层”。 AXIS 正在赌的，就是这个未来。