JD在中国宿迁开始采用众包方式数据收集者机器人数据 在江苏宿迁建立了中国首个具身 AI 数据收集社区 JD计划动员超过 10 万名当地市民（尤其是全职妈妈）在做日常家务时佩戴轻便的 JoyEgoCam。 从家里擦桌子、叠衣服，到采摘水果、工厂工作、物流和老年护理……覆盖超过 100 种现实生活场景。 这些设备精确捕捉关键生物力学数据——如上肢轨迹、力分布和手眼协调，并将其反馈到京东的数据中心，用于训练机器人模型。 参与者一边赚钱一边帮助收集真实世界数据。 目标？两年内超过 1000 万小时，以解决机器人技术最大的问题——真实物理世界数据的严重短缺。 YC在这个领域也投了多家公司： Asimov（YC W26），通过众包让普通人（家庭、商家）在日常真实场景中记录数据，来训练人形机器人 -数据采集方式：参与者佩戴轻便设备（支持智能手机 + 专有硬件，如头戴/手部 rig）记录第一人称（egocentric）视频，捕捉日常任务（如做饭、清洁、办公、跑腿等）的上肢动作、手眼协调、物体交互等。京东用JoyEgoCam动员宿迁市民（含全职妈妈）做家务/工厂活；Asimov则全球招募家庭和商家，让他们“边做日常边赚钱”。 -模式：招募付费，帮着劳务公司出人力成本费用，作为交换要替Asimov收集数据 官网： Cortex AI (YC F25) 构建 Cortex Marketplace，让真实工作场所（工厂、办公室等）付费参与，托管 egocentric 数据采集 和机器人 teleop 会话。参与者/场所边正常工作边赚钱，提供多样真实世界数据 数据类型：真实职场 egocentric 人类视频（含手/身体姿态、深度、子任务标签） + 机器人轨迹 + human-in-the-loop 恢复数据。 官网： Human Archive (YC W26) -多模态重度采集版 在家庭、餐厅、酒店、零售、工厂等真实环境部署自定义硬件（egocentric RGB、立体深度、触觉手套、IMU、体感相机等），招募贡献者网络（目标5万+人），每天可产出数千小时数据 数据类型：HA-Multi（最大手动劳动多模态数据集，含力分布、手部重建等） + HA-Ego，完整标注后卖给前沿机器人 lab 官网： Sensei (YC S24) —— “Scale AI for Robotics” 版 付费操作员网络 + 低成本硬件（<300美元的传感器化外骨骼臂等），让普通人/承包商在家或多样环境中录制人类演示数据 官网：

同样的中国创始人，从中国出发，同样做美股，港股等海外资产。但出发点不一样。被处罚这几家都是把中国用户拉去炒美股等海外资产。这几家注册地都是香港，而webull注册地是美国，做全球用户。BULL 估值35亿美金，相比这几家要小不少。 微牛（Webull） 是 Webull（微牛证券） 的手机交易应用程序，主要提供美股、港股、ETF、期权、期货等交易服务，以零佣金著称。

早些时候一些10B左右的公司的CTO都去anthropic做研发工程师去了，这特斯拉的早期技术总监AK也不做他的AI网红和教育，也去做研发了🤣 ，不去anthropic看来是跟不上ai的发展前沿了

cursor 发布了composer2.5，性能接近opus4.7 1/仍然基于kimi2.5基础上训练 2/同时与马斯克的XAI 合作从零开始训练一个规模显著更大的模型，使用 10 倍的总计算资源， 100 万个 H100 等效算力，还在训练中，预计会有更大的提升 3/Composer 2.5 的价格为每百万输入 token 0.50 美金、每百万输出token 2.50美金。此外，还有一个智能水平相同但速度更快的变体，价格为每百万输入 token 3.00 美金、每百万输出token 15.00美金 主要的训练配方： 一 基于文本反馈的定向 RL：（本质上是最近很流行的自蒸馏技术方案） 传统RL的问题： 在像 Composer 这样的大模型训练中，一个完整的 rollout（一次对话或任务执行过程）可能有几十万 token。最终的奖励（reward）是基于整个 rollout 结束后的结果给的（例如任务是否成功、用户是否满意）。这会导致两个严重问题： 1/模型不知道到底是哪一步做对了/做错了。奖励信号太“稀疏”、太“全局”了。 2/即使最终奖励是负的，这个坏行为在几千步里只占了一步，它的信号会被严重稀释，模型很难学到“这一步不该这么做”。想纠正局部坏行为非常困难。比如：一次错误的工具调用 Composer 2.5 的解决方案：文本反馈 + 定向蒸馏： 不再只依赖最终的标量奖励，而是在轨迹中模型本来可以做得更好的具体位置，直接插入人类/规则/更强的模型写的文本反馈，给模型一个局部、清晰的训练信号。具体做法如下： 找到需要改进的位置：（比如出错的工具调用，比如名字生成错了） （例如第 47 轮，模型调用了一个不存在的工具） 构造一条简短的「纠正提示」 例如：“Reminder: Available tools are [list of tools]… 请只调用存在的工具。” 把这条提示插入局部上下文 形成一个修改后的上下文 ，让模型（Teacher）在这个新上下文中重新生成。 Teacher 的概率分布 = 理想目标 插入提示后，Teacher 在那一轮生成时：错误工具的概率大幅下降，正确替代工具的概率上升 Student（当前正在训练的模型） 在原始上下文（没有插入提示）下生成。 添加 KL 散度损失（on-policy distillation） 让 Student 的 token 概率向 Teacher 的概率靠拢。 只在这一轮做这个针对性优化，其他轮还是正常用全局 RL 目标。 合成数据： 采用多种方法来创建基于真实代码库的合成任务。例如，其中一种合成方法是功能删除。在这类任务中，智能体会拿到一个包含大量测试的代码库，并被要求以某种方式删除代码和文件，使代码库在保持可运行的同时移除特定的、可测试的功能。随后，合成任务就是重新实现该功能，而这些测试则被用作可验证的奖励信号。

今天在抖音上看到一个ai博主，说他最近放弃了openclaw和Hermes，原因他的使用案例基本上每次安排的任务，下一次再做一次的时候，仍然是高度不确定性的（有时很惊喜，有时很拉垮）。这类可能每天重复的任务，coding agent比openclaw和Hermes更稳定。openclaw我也用了很少一段时间基本不用了，没有场景主要是。coding agent还是最基础的工具。。。另外信息获取基本上用x grok和chatgpt。而coding用codex基本满足了ai的大部分需求。

AI研究员 @natolambert ，AI 时事通讯 Moonshot, Zhipu, Meituan, Xiaomi, Qwen, Ant Ling, and 等AI Lab 写了个笔记 从研究心态对比中美差异： -在中国一些杰出个人的工作成果需要被搁置，以保证整体模型能够最大化多目标优化（个体服从整体）， -而美国研究者更注重个人表达和自我利益，他举了个meta的例子（传言），Llama组织正是由于这些利益集团将自身利益嵌入到层级分明的组织结构中而最终崩溃。听说其他实验室也表示，有时需要向顶尖研究人员支付报酬，才能让他们停止抱怨自己的想法最终没有被纳入模型 -中国模型的构建者是谁，中国很大一部分核心贡献者都是在校学生。这些实验室都比较年轻，这让我想起了我们在Ai2的模式，在那里学生被视为同龄人，并直接融入LLM团队。这与美国顶尖实验室截然不同，像OpenAI、Anthropic、Cursor等公司根本不提供实习机会。 -关于教育和产业人才，中国也面临着与美国类似的“人才流失”问题，许多原本考虑走学术道路的人现在都打算留在工业界。最搞笑的是一位研究人员的发言，他原本想当教授，以便更贴近教育体系，但他却说教育问题可以通过法学硕士（LLM）来解决——“学生为什么要跟我说话！” AI影响上的思维方式差异： -AI影响上的思维方式差异，这些学生的思维方式也异常直接，不受一些可能分散科学家注意力的哲学思辨所干扰。当被问及他们对模型的经济性或长期社会风险的看法时，很少有中国研究人员拥有成熟的见解，也没有动力去影响这些见解。他们的职责是构建最佳模型，一位学者甚至引用了王丹的著名论断——中国是由工程师主导，而美国则是由律师主导。 -试图让中国科学家就人工智能引发的经济不确定性、超出通用人工智能（AGI）能力范围的问题，以及关于模型行为方式的道德辩论发表评论，都展现了这些科学家极其谦逊的态度。他们不仅敬业，而且不愿就自己不了解的问题发表评论。 中国人工智能产业与西方实验室的异同之处： -国内人工智能需求初现端倪，中国SaaS生态不发达，付费意愿差，市场规模小，而云计算则发展的很好。而目前来看中国的AI市场更像云计算市场，而不是saas生态。 -大多数开发者都对 Claude 趋之若鹜 -中国企业拥有技术所有权意识，一些头部科技企业都在自己做模型，如美团，小米等。而美国则头部企业会使用第三方服务。 -数据产业的发展远不及美国，数据标注类公司，和RL模拟环境类公司相对较少，模型公司大部分是自己做数据和做RL模拟环境来训练。美国则大部分都是采用第三方服务。 （备注：昨天研究了下RL模拟环境的美国市场地图，可以看到确实非常庞大，并且有实际采用，可以看看 也） -对英伟达芯片的迫切需求

Snap CEO Evan Spiegel的这个访谈，对AI消费类产品创业公司应该会有所启发 -当软件并非护城河时，如何才能赢得胜利？ -Snapchat 是过去 15 年里少数真正活下来的消费级社交产品，拥有接近十亿月活用户，年收入超过 60 亿美元 -为什么做一个持久的消费级社交产品这么难？Evan 的答案不是“体验够不够好”，而是落在产品的分发。TikTok 和 Threads 之所以是少数新近成功案例，在他看来不是因为它们只找到了产品市场匹配，而是都解决了冷启动分发 -TikTok 用巨额资金同时补贴观看者和创作者，Threads 借用了 Meta 已有产品的巨大流量 -AI 会让做产品、写代码、想策略都变容易，但它不会自动帮你拿到用户注意力。当供给爆炸时，用户愿意试用、愿意留下、愿意分享，反而成了更稀缺的能力 -"消费科技里，很多人都在问是不是做对了产品、有没有产品市场匹配，但人们花在思考分发、弄清分发上的时间远远不够。" -社交网络的价值，不是连接更多人 -"真正重要的不是把你连接到所有朋友，而是把你连接到最好的朋友、伴侣、配偶，以及世界上你最在乎的人。" -对今天的产品经理来说，这个判断同样适用：不要只问“我的网络能不能更大”，还要问“我解决的是不是用户最真实、最高频、最愿意保留的关系”。 -创新不是灵感，是每周几百个想法 访谈原视频：