姚顺雨在腾讯云 AI 产业应用大会上说，混元 3 把预训练和强化学习的基础设施重做了一遍，数据和评估方式也换了，还把最强的后训练人员先调去改进元宝。他点名代码 agent、多模态和具身智能是腾讯接下来的重点方向。
推荐理由：这是一篇大会发言和路线图信号，不是带规格、跑分或上线日期的新模型发布。信息增量在于腾讯把后训练精锐先押在元宝上，以及重做基础设施这个表态，但缺少可验证的指标。放在 featured 低位，是因为它给中国大厂 AI 战略更新提供了一个有争议锚点的注脚，而不是一个硬核技术首发。
一群美国科技分析师在 5 月走访了 14 家中国 AI 和机器人公司，带回来一些观察。最核心的矛盾是算力：他们估算到 2025 年底，美国的 AI 算力大概是中国的 8 倍，中国公司能拿到的英伟达高端显卡数量比美国对手少一个数量级。但中国模型并没有因此落后几年，反而只差几个月，因为被芯片限制逼出来的计算效率很高——单位算力产出的智能是简单堆算力的 4 ...
推荐理由：这篇不是一手发布或产品大事件，属于实地走访的评论稿，但信息密度够高。我会先打个折：它引用的算力倍数和效率倍数来自分析师估算，正文没披露具体测算方法，这点先别太激动。不过它把芯片限制逼出来的工程取舍讲得很清楚——中国模型没落后几年，只差几个月，靠的是在有限显卡上榨出更高智能。对关注中美 AI 竞赛节奏的人来说，这比单纯喊安全口号有料。
Alex Imas 和 Phil Trammell 聊了一个很根本的问题：当机器人和 AI 能把大多数东西都造出来之后，经济里还有什么会保持稀缺。他们给出的核心判断是，只要人还在意“这件事是人做的”，那人的参与本身就变成了稀缺品。比如芭蕾舞表演、咖啡馆里的真人服务，机器可以复制一万个，但芭蕾舞演员的数量是固定的，这种“人给人服务”的体验就成了价值锚点。...
推荐理由：HKR 三项都站得住。H 强在用一个反直觉的例子把 AGI 后的稀缺性讲活了；K 有具体的筛查机制，但信息缺口明显——没量化、没法案细节，所以判断只能停在“机制成立但缺数据”上；R 切中安全监管和劳动力分工的焦虑。整体属于评论类文章，信息密度够但落地程度不足，放在 featured 档合理。
作者在中美两头跑，发现两边的普通人都在被同一种不安笼罩：技术跑太快，红利不一定轮到自己。文章用滴滴司机钻算法空子、美国送餐员抢单的例子开场，指出 AI 在两国都加剧了职场监控、情感孤独和无力感。美国超七成青少年拿聊天机器人当陪伴，中国预计到 2030 年独居人口达 2 亿，AI 伴侣成了孤独的速效解药。科技精英忙着追逐风口和 AGI，普通人却用“社畜”...
推荐理由：这篇不是产品发布或模型论文，是一篇评论，但两个社会数据点和一个中美对照的框架让它有信息量。我会先打个折，因为正文没披露具体调查方法和样本量，数字的可靠性没法验证。不过它把技术趋势和人的孤独感直接挂钩，对从业者理解应用场景有启发，放在 featured 里当一篇有观点的解读是合适的。
Yaroslav Azhnyuk 是 The Fourth Law 的创始人，这家公司做 AI 制导无人机。他之前创办了 Petcube，卖的是给宠物扔零食的摄像头，现在做的是给占领军扔炸药的摄像头。这期播客他和 Noah Smith 聊了两个小时，核心是 FPV 穿越机怎么成了战场上的新杀器——前线 70% 到 80% 的伤亡都是它造成的。他提出无人...
推荐理由：这是一期播客对谈，不是产品发布或论文，所以别当硬核技术报告看。我会先打个折：它给的是行业判断和框架，不是实测数据。但聊得挺实在，把无人机从遥控到全自主拆成了5个等级，又用8个维度讲战场怎么用、成本怎么算，还专门分析了中国制造为什么能把价格打下来。对想快速理解无人机产业和自主化路线的人，这期信息密度够，值得放进精选。
这篇文章是机器之心编译自 MoE Capital 的一篇博客，梳理了“世界模型”这个概念的两条发展脉络。一条是 AI 学术圈常说的，让模型在脑子里推演环境变化、做规划；另一条来自游戏和影视工业，追求用模型直接生成逼真的 3D 世界。文章提到，过去一年半里，有超过 100 亿美元的资金涌入了这个方向。里面举了一个具体例子：DreamDojo 这个项目用 ...
推荐理由：这篇是编译的科普+评论，不是一手发布，但把世界模型两条路线讲得清楚，还给了百亿美元和44711小时视频这些具体数字。我会先打个折，因为信息密度集中在解释概念，新事实不多。不过对想快速理解世界模型热度和技术现状的人来说，读这一篇比翻论文省时间。
黄仁勋在卡内基梅隆大学 2026 届计算机科学毕业典礼上直接说，技工的前景比计算机毕业生好。Randstad 的数据显示技工需求增速是白领的三倍，机器人技术员岗位涨了 107%，而斯坦福研究发现 AI 相关职位的早期就业反而降了 16%。顶级电工年薪能超过 10.6 万美元，还不用背学费贷款。另一边，科技公司今年砸了 7000 亿美元建数据中心，全球到...
推荐理由：黄仁勋在毕业典礼上劝 CS 学生考虑技工，这话本身就够抓眼球。Randstad 给了两个数字：技工需求增速是白领 3 倍，机器人技术员岗位涨 107%，说明动手修机器、调设备的人越来越抢手。对做 AI 的人来说，这等于在问：写代码和管机器人，哪个饭碗更稳。不过这只是 X 上的评论，不是产品发布或政策变动，所以放在低 featured 就够了。
杨立昆在 Unsupervised Learning 播客里把大语言模型的底牌翻了个遍。他直接说 LLM 这条路有天花板，劝博士生别再往里扎。他预测到 2027 年，纯靠堆语言数据做不出真正的智能。他离开 Meta 后创立的 AMI 公司，核心押注在“世界模型”上——让 AI 像人一样通过观察和互动去理解物理世界，而不是只读文本。访谈里他还跟老搭档 H...
推荐理由：我会先打个折：这是播客访谈，不是论文或产品发布，信息密度高但验证性弱。杨立昆的核心判断是当前大语言模型路线走不到人类级 AI，他把宝押在世界模型和 AMI 上，还给了 2027 这个时间点——这点先别太激动，正文没披露他具体依据什么数据或实验得出这个年份。他离开 Meta 的原因和与 Hinton、Bengio 的分歧是这次的新料，尤其是安全观上的对立，直接关系到行业资源往哪投。整体看，这篇访谈把一位关键人物的技术判断、职业选择和路线分歧打包在一起，对从业者判断风向有帮助，但很多结论还缺公开验证。
这篇文章的正文被微信环境异常拦截了，实际内容无法读取。从标题和已有英文摘要看，Ted Xiao 的复盘主要讲谷歌机器人团队怎么从 RT-1 用 8.7 万条遥操作轨迹训练，走到 RT-2 把 50 亿到 550 亿参数的视觉语言模型改造成视觉-语言-动作策略。具体三个时代怎么划分、每个阶段踩了什么坑、规模化后效果到底提升多少，正文没披露，没法展开。
推荐理由：我会先打个折：这不是新发布，是一篇回顾性梳理，所以分数没往 80 以上走。但作者身份和内部数字让它值得上推荐位。Ted Xiao 把谷歌机器人学习拆成三个阶段，从遥操作采数据到把大模型当机器人脑子用，脉络清楚。RT-1 的 8.7 万条轨迹说明早期靠人工遥控攒数据的笨功夫，RT-2 用 5B 到 55B 的 VLM 改策略，点出了现在大家纠结的核心——模型大了能不能直接控硬件。正文没披露 RT-2 在真实场景的失败率或延迟数据，这点先别太激动。整体适合给做具身智能的人当路线图看。
演讲者把机器人做成人形通用智能拆成六块：视频世界模型当第二预训练范式，世界行动模型（WAM）负责把感知转成动作，数据收集策略对标特斯拉 FSD 的物理数据飞轮，EgoScale 和灵巧性缩放定律试图量化训练规模与手部操作能力的关系，物理强化学习用来跑通最后一公里，DreamDojo 则是一个端到端的神经物理引擎。整体思路是照搬大语言模型的成功路径，但正...
推荐理由：我会先打个折：这是演讲者个人的路线图，不是论文或产品发布，所以别当官方公告看。但它的好处是把物理 AGI 拆成了 6 个能聊的模块，并且用 LLM 的发展阶段来类比，让做机器人的人能快速对齐讨论框架。正文没给出每个模块的具体验证结果或数据，所以这条路线图更多是观点而非实证。对从业者来说，值得扫一眼，但暂时不用太激动。
Applied Intuition 的 CEO 和 CTO 聊了他们从 YC 时期的自动驾驶工具链，一路做到估值 150 亿美元实体 AI 公司的完整路径。公司现在有 30 多款产品，全球非中国车企前 20 名里 18 家是他们的客户，L4 级无人卡车已经在日本跑起来了。他们反复强调，实体 AI 真正的瓶颈不是模型不够聪明，而是怎么把模型塞进车里：车载...
推荐理由：这篇复盘把 Physical AI 从融资故事拉到了实车部署层面，信息量够硬——估值、客户覆盖、L4 落地都有数字撑着。我会先打个折：正文没披露具体模型架构或安全验证的实测数据，所以重要性停在 80 这个区间是合理的。对做车端推理和自动驾驶落地的人，这篇值得一看，但别指望有技术白皮书级别的细节。
荣耀的人形机器人“闪电”在北京亦庄半马跑出50分26秒，比人类男子世界纪录57分20秒还快。宇树H1在1.9公里弯道赛段也跑出4分13秒。文章说2026年一季度具身智能融资近200笔、总额超300亿元，4月16日灵初智能又拿了4.55亿美元Pre-A轮。信号很直接：钱正从机器人本体流向模型和智能系统，硬件能卷的差不多到头了。
推荐理由：文章用一个直观的比赛成绩开场，然后落到融资数据和行业判断上，没有空谈概念。我会先打个折：正文没交代机器人是在什么规则、什么路况下跑的，和人类纪录的直接对比要谨慎看。但Q1融资规模和它石智航那笔大额Pre-A轮是实打实的新信息，加上“硬件护城河变浅、大脑才是下半场”这个判断，对关注具身智能方向的人有提醒作用。整体是评论性质，不是一手产品发布或论文，所以放在featured。
2025年人形机器人拿到的投资是61亿美元，是2024年的4倍。钱突然涌进来，不是因为造出了C-3PO，而是机器人学习的方式彻底变了。以前靠人手写规则，比如叠衣服要定义领口、袖口、折叠角度，情况一多规则就爆炸。2015年前后，前沿做法改成在仿真里用奖励信号让机器自己试错，跑几百万次来学会一个动作。2022年ChatGPT出来后，思路又跳了一步：把大模型...
推荐理由：这篇不是新发布，更像一篇梳理，所以放在 featured 偏低的档位。我会先打个折：正文在案例部分被截断了，后续公司细节没披露，这点先别太激动。但它的价值在于把 61 亿美元的热钱和两条技术路线讲清楚了——仿真试错那套从 2015 年就在跑，2022 年后多模态动作模型开始让机器人直接输出动作，本质是用数据换掉手写规则。对做具身智能的人来说，这个框架比单点新闻更有用。
Micro1 这家公司雇了 50 多个国家的几千名零工，让他们把 iPhone 绑在头上，拍自己叠被子、洗碗、做饭的视频，再把这些真实动作数据卖给做人形机器人的公司。一个尼日利亚的医学生时薪 15 美元，在当地算高收入，但他觉得每天重复熨衣服很无聊。文章说 2025 年人形机器人拿到的投资超过 60 亿美元，机器人公司每年花在买这类数据上的钱超过 1 ...
推荐理由：这篇我会放进 featured。在家拍家务视频这个画面本身就够抓人，而且文章给出了规模、薪酬和支出的具体数字，不是空谈。更值得盯的是它把一条隐藏的数据管线摊开了：工人知道视频是给机器人训练用的，但正文没披露这些数据怎么存、跟谁共享、能不能删。这种治理上的模糊，比融资数字更说明行业现在还处在野蛮生长阶段。
Waymo 无人出租车乘客下车后没关好门，车就走不了。这家公司没做远程关门功能，而是在外卖平台下单，花 6.25 美元叫小哥跑一公里去关门，完事再加 5 美元。新闻点不是关门本身，而是程序在自动调动人力完成自己搞不定的环节。外卖员自带 API，已经接入了软件系统，成了可以被程序随时调用的“自动化人力”。这件事说明，AI 模型一旦跟人力打通，就不只是操作...
推荐理由：这不是一手爆料，但 6.25+5 美元这个案例把“人变成 API”这件事讲得很实在。HKR 三项都踩中了，分数留在 featured 的低位，因为正文是评论，Waymo 的系统规模、调用频率和正式产品方案都没披露，判断先别拉满。
这篇文章的核心判断是：中国把 AI 用进了工厂车间，美国还在把 AI 当实验室项目。中国已建成 3 万多家智能工厂，2024 年全球新装的工业机器人超过一半进了中国工厂。极氪宁波工厂用了 800 多台机器人，小米北京工厂每 76 秒就能产一辆车，美的荆州工厂用 AI 把产线响应时间从几小时压到几秒。这些 AI 不是写诗画画，而是做视觉质检、生产调度和预...
推荐理由：这篇不是讲模型，是讲工厂里机器人、调度和质检的落地差距。我会先打个折：正文没披露3万多家智能工厂的具体认定标准，也没说美国18%这个数字的样本来源，所以数据力度要留个心眼。但极氪800多台机器人、小米76秒节拍这些车间数字是实的，对比美国三分之二试点推不向量产，差距感很直观。对看产线落地的人，这篇比模型跑分更有参考价值。
黄仁勋在达沃斯论坛上把 AI 产业链拆成五层：能源、芯片与算力基建、云数据中心、模型、应用。他说 2025 年全球风投砸了超过 1000 亿美元，大部分钱流向了 AI 原生公司，重点在应用层和基建层。他举了个具体例子：美国护士缺口大概 500 万，AI 可以先把病历记录和转录这类活接过去。对从业者来说，他传递的信号是瓶颈不只在模型本身，整条基建和人力链...
推荐理由：这篇是黄仁勋在达沃斯的发言，不是产品发布或论文，所以分数不会给到顶。但他说的事够具体：1000 亿美金风投、五层栈结构、500 万护士缺口，而且把 AI 讨论从模型竞赛拽回基础设施和劳动力替代，对从业者有参考价值。我会先打个折，因为终究是高管讲话，不是可复现的结果，但信息量和切入角度都到位，80 分合理。
这期节目是硅谷101在 CES 现场录的。嘉宾傅盛和硅谷徐老师聊了聊今年展会上的人形机器人热潮。官方数据显示，38 家人形机器人参展商里，有 21 家来自中国。Boston Dynamics 在展会上宣布，Atlas 产品版 2026 年开始交付，计划到 2028 年实现年产 3 万台。但傅盛直接质疑这个量产数字的意义，他认为宣布量产不等于找到了真实买...
推荐理由：这期节目没跟着 CES 人形机器人热潮喊口号，而是拿现场数据和厂商时间表来反问商业化到底走到哪了。我会先打个折，因为这是二手评论，不是一手产品发布，但 H、K、R 三个点都踩中了：标题有反差感，数字能当参考，ROI 的质疑对做机器人落地的人有实际提醒。
今年 CES 来了超过 14.8 万人、4100 多家参展商，中国公司占了将近四分之一，在 AI 硬件和机器人区域尤其扎堆。作者临时决定去现场，结果发现中国厂商已经不只是“便宜量大”的路子——家用清洁机器人在美国市场把 Dyson 和 Shark 的份额抢得很凶，庭院设备也大多来自深圳，外观做得让人看不出是中国品牌。人形机器人展台围满了人，宇树甚至搭了...
推荐理由：这篇是 CES 现场观察，核心判断是：中国科技公司的乐观来自制造和供应链的迭代速度，不是单点技术突破。文章用 14.8 万参会者、4100 多家参展商、中国展商近四分之一这些数字撑住了场面感，也把联想 Qira、Nvidia Vera Rubin、AMD Helios 这些产品拉出来，说明竞争焦点正转向云端和混合 AI。我会先打个折：正文没给出货量、营收或订单数据，所以判断还停在趋势信号层面，但作为行业风向标，这篇值得一看。