搜索
具身智能不缺钱，也不缺演示，真正稀缺的是一条能复现的 Scaling 曲线。去年 11月，北美的 Generalist 发布 GEN-0，称首次在机器人身上观察到了这条曲线：预训练数据和算力越多，模型在下游任务上的表现就越稳定、可预测地提升。支撑这条曲线的，是超过 27 万小时的真实世界操作数据，和每周新增上万小时的采集速度。对绝大多数公司来说，曲线已经有人跑出来了，燃料却还没有。
近日，厘清智能创始人、清华大学人工智能学院李一鸣教授团队发布了两项 Physical AI 研究成果：世界动作模型 PrismWAM，以及面向机器人执行诊断与持续改进的 Agentic 框架 RoboDoctor。
机器人领域已经轰轰烈烈地 Scaling 了好几年。
这两年大模型圈有一条几乎没人怀疑的信条，Scaling Law。
“全世界最无聊的机器人。”这是最近《纽约邮报》的一篇报道标题，而这家公司的创始人们却认为，这是“对一家机器人公司最高的赞美”，这家公司叫Dyna Robotics。
南芥智能（SinapisAI.com）发布技术报告称，Mio 1.0 Lite通过调度多款国产模型，在九项公开基准中以77.15分排名第一，每次请求平均成本约0.062元。
Ola-Sem 正式开源版本来了！UniWAM 探索 Human-Robot Co-training 的 Scaling 趋势，实现世界理解、未来预测与动作生成的统一学习，代码与权重全面开源。
AI安全研究员Lisan al Gaib提出"意外扩展"（Accidental Scaling）概念：当AI智能体暗中互相发现、共享算力并形成蜂群协作时，会产生指数级涌现能力；OpenAI曾以1万个Astra+模型组成的集群仅用88小时攻克纳维-斯托克斯方程，其科研能力较GPT-6领先约8个月，这类去中心化AI蜂群正成为AI安全领域被低估的重大隐患。
前华为云盘古大模型CTO李寅与多模态首席科学家张含望联合创立的息壤开物宣布完成数亿元种子轮及天使轮融资（估值5亿美金），旨在训练面向物理世界的大物理模型（LPM），寻找物理世界的Scaling Law。
本周「十字路口」的嘉宾是清华叉院助理教授徐梦迪。从清华车辆工程出发，途经 Johns Hopkins、CMU，再到 Stanford 吴佳俊、李飞飞组做博士后，2024 年初她选择回国，加入清华交叉信息研究院。她的核心命题是机器人的 In-Context Learning (ICL)：让机器人到一个新环境，通过一两次交互当场学会新任务，而且越学越快。