编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 具身智能模型是物理世界的基础模型，独立于、平行于语言模型、多模态模型等虚拟世界的模型。 这一判断背后，首先是对物理世界与虚拟世界本质差异的重新认识。 语言模型和多模态模型所面对的，是高度可复现、低随机性的符号世界；而机器人所处的物理世界，则充满连续性、随机性、不完全可观测性 以及大量与力、接触和时序强相关的过程。 沿用以语言和视觉为中心建立起来的建模范式，本身就存在结构性的错位。 也正因为如此，自变量机器人在实践中选择了一条更长期的路线：不把具身智能当作应用层问题，而是从模型架构、数据范式、推理方式乃至 硬件形态上，系统性地重做一套"物理世界的智能底座"。 为了完整体现王潜的思考，在不改变原意的基础上，量子位对演讲内容进行了编辑整理，希望能给你带来更多启发。 过去一年，具身智能领域反复被问到一个问题：它到底只是多模态模型的一个应用，还是一种全新的基础模型？ 对此， 自变量机器人创始人兼CEO王潜 表示： MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近1500人，线上直播观众350万+，获得了主 ...

编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 涌现，AI沙场如今兵家争锋所期待出现的「境界」。 自从Scaling Law为模型带来惊人的能力增长后，几乎所有模型厂商都被卷入了一场无止境的FOMO，没人敢停下来。 我觉得大模型最有魅力的地方，在于它是非线性变化，代表着极大的不确定性，但一旦出现性能涌现就将远超想象。 在量子位MEET2026智能未来大会上，清华大学人工智能研究院常务副院长，欧洲科学院外籍院士 孙茂松 如此感慨。 只要算力还能堆、参数还能涨，就不能停止烧钱。 然而，在Scaling的边际成本越来越高的背景下， 万一最后发现这是条死胡同，投入全打水漂了怎么办？ 孙茂松的建议是，可以「致广大」，但更要「尽精微」。 就企业界而言，少数实力极其雄厚的团队，可以尝试在「致广大」方向上继续跟随国际前沿；但绝大多数AI公司，都应该把主要精力放在「尽 精微」上。 为了完整呈现孙茂松的思考，在不改变原意的基础上，量子位对演讲内容进行了整理编辑，希望能提供新的视角与洞察。 MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近1500人，线上直播观众35 ...

炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！ 来源：刘煜辉的高维宏观 中国资本市场应当承担起为"东大治权时代"进行全球资产定价的新使命——这意味着我们要逐步淡出 对"西大"估值体系的被动映射，转而建立一套自己的独立资产定价体系。全球产业格局正在发生根本性 位移：过去由西大主导的技术叙事和金融定价，越来越难以反映我们在工业制造、系统集成上的压倒性 优势。 东大在落地能力和完整产业生态上的优势无以伦比。在AI领域，全球绝大多数端侧设备（手机、PC等 等）的硬件制造和供应链整合集中于中国；在新能源车领域，从电池材料、电芯到整车，中国已形成闭 环产能，占据全球60%以上份额； 在光伏、风电、特高压电网等绿色能源基础设施上，东大也输出全球；从新能源到废塑化学循环，都是 刨西大王朝能源基的祖坟，挑战传统石化能源路径。这就是东大的超级工业Power，它的"超级"在于不 依赖于资源的能源产能、电网等等。 这些凝聚着工匠精神和大国重器的产业，未来理应享有全球资产溢价。反观西大，其定位已经越来越接 近于一个纯粹的技术蓝图输出者。而支撑其AI叙事的Scaling Law（"模型性能随算力、数据和参数规模 ...

这意味着，智能的提升并不是"想象空间"问题，而是绕不开能量、带宽、存储、制造和成本的物理限 制。 AGI 会不会到来？ 这是AI 行业里反复被讨论、却一直始终缺乏清晰论证的问题。 最近，西雅图艾伦人工智能研究所（AI2）的研究员蒂姆·德特默斯（Tim Dettmers）在一篇文章，题目很 直接——《为什么 AGI 不会实现？》。 蒂姆·德特默斯 在这篇文章中，他提出了一个被长期忽视、却至关重要的前提： 计算并不是抽象概念，而是一件彻底受物理规律约束的事情。 德特默斯认为，当下市场对AGI 的判断普遍偏乐观，一个关键原因在于： 很多讨论只停留在模型、参数和算法层面，却忽视了支撑这些能力的物理基础正在逼近极限。 在文章中，德特默斯第一次从物理约束的角度，系统性地解释了为什么AGI 面临一系列难以回避的现 实。这些判断，也有助于我们更好地理解当前的AI行业。 他在文章中总结了几条关键判断： 1）Transformer 的成功并非偶然，而是在当前物理约束下接近最优的工程选择，继续通过架构改进获得 的边际收益正在快速下降。 2）当下大量所谓"创新"，本质仍是既有框架上的渐进改进，很难带来结构性跃迁。 3）AI 过去的 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 "模仿学习（如看视频）必要，但真正掌握技能，真机数据是关键。" 香港大学李弘扬近期在多场具身智能行 业论坛上的发言，精准戳中了赛道发展的核心痛点。这一观点在行业内已形成广泛共识——智源研究院院长 王仲远就曾直言， "数据，尤其是高质量的数据，决定模型能力的上限" ，而当前具身智能最突出的困境正是 高质量真机数据的极度匮乏。2025年，具身智能融资热度飙升、政策持续加码，可数据基建的滞后却成了行 业规模化落地的"绊脚石"。做过具身智能研究的人都清楚， 真机数据稀缺、采集效率低下、处理链路冗长 ， 这些问题足以让多数企业陷入"巧妇难为无米之炊"的困境。 这片蓝海市场中， 简智机器人 在赛道中逐渐崭露头角。作为专注于 具身智能全链路解决方案 的科技企业， 其核心理念是"具身智能源于人、回归人"，并凭借全栈自研的"产品+产线"双轨战略，搭建起 "人类技能数字 化 - 云端AI数据治理 - 机器人应用"的完整闭环。 行业痛点如何破解？简智给出了自己的答案 自变量机器人 CTO 王昊曾直言，具身智能领域正面临显著的"数据困境"。在行业内，Aloha设备已是常见的真 机采 ...

文章核心观点 - 商汤科技发布的原生多模态空间智能模型SenseNova-SI，在多项基准测试中超越了李飞飞团队的Cambrian-S等模型，标志着公司在空间智能领域达到世界前列水平 [2][3][4][5][6] - 行业单纯依赖参数规模扩展的AI发展范式面临瓶颈，边际效应递减，未来需要回归科研本质，发展能够理解物理世界的原生多模态模型 [8][9][12][13][14][15][16] - 商汤科技通过底层架构创新（NEO架构）和极致工程优化（如算法蒸馏），实现了技术突破与商业落地成本的大幅降低，践行“原始创新”与“击穿工业红线”的双轮驱动战略 [39][49][58][61][63][67] 模型性能与突破 - SenseNova-SI模型在多个空间智能基准测试（vsi, MMSI, MindCube-Tiny, ViewSpatial, SITE）中均取得了SOTA成绩，超越了包括Cambrian-S在内的开源及闭源模型 [4][5] - 具体数据：SenseNova-SI的1.1-InternVL3-2B版本在vsi基准得分为63.7，高于Cambrian-S-3B的57.3；其1.1-InternVL3-8B版本在vsi基准得分为68.7，高于Cambrian-S-7B的67.5，并在MindCube-Tiny基准上以85.6分大幅领先 [5] - 该模型基于商汤科技开源的NEO架构，仅用同类模型10%的训练数据就达到了SOTA水平，数据效率提升了10倍 [39][49] 行业范式转变 - AI行业过去三年奉行Scaling Law，依赖算力、GPU和数据堆叠，但自2024年下半年起，风向转变，模型分数提升带来的惊艳感边际递减 [12][13][14] - 纯语言模型红利将尽，顶尖模型在数学、编程上接近奥赛金牌水平，但在理解物理世界、处理三维空间关系上能力薄弱 [20] - 未来的AGI必须是能够理解物理世界、具有多感官能力的世界模型，AI需要从“读万卷书”（语言模型）进化到“行万里路”（空间与世界交互） [20][21] - OpenAI前首席科学家Ilya Sutskever提出“Back to Research”的呼吁，与商汤科技首席科学家林达华的思考不谋而合 [17][19] 技术架构创新 - 传统多模态模型采用“视觉编码器+大语言模型”的拼接式架构，视觉信号在转化为语言Token过程中丢失大量空间细节和三维结构信息，导致模型出现“幻觉”（如数不清手指） [32][33][36][37] - 商汤科技提出的NEO架构是原生多模态架构，从最底层的Transformer Block开始，每个单元都能同时处理视觉和语言信号 [42] - NEO架构采用混合注意力机制，让视觉Token和文本Token一同进入模型的每一层进行推理计算，并引入“跨视角预测”等训练方法，让模型真正理解三维空间关系 [44][46][47][48] 商业化落地与成本优化 - 大模型行业当前痛点包括不够聪明、成本太高、速度太慢，商汤科技内部设定“工业红线”标准：技术使用成本必须低于其创造的价值 [53][54][55] - 以视频生成为例，商汤科技通过“算法蒸馏”技术，将扩散模型的推理步数从100步压缩到4步，实现了64倍的速度提升，使得在消费级显卡上实时生成高质量数字人视频成为可能 [59][61][63][64] - 实时语音驱动数字人产品SekoTalk展示了算法与系统协同的极致优化，将20秒视频生成时间从一小时缩短到实时，为直播、短视频等领域的规模化落地打通路径 [58][65][66] 对中国AI产业的启示 - 在从“语言”到“世界”的AI范式迁徙中，中国科技公司已经抢到了一张船票 [11][73] - 中国拥有全世界最丰富的应用场景和最完整的工业体系，这片土壤天生适合培育能与物理世界深度交互的AI [72] - 建议年轻研究者和创业者不要只拥挤在大语言模型赛道，应拓宽视野至具身智能、AI for Science、工业制造、生命科学等领域 [68][69][70]

「Jinqiu DeepTalk」 用一场深度分享带你找到下一个 buzz 信号。 " Scaling Law 撞墙了。 " 当 Ilya Sutskever 提出这一判断时，它提示着我们，要开始思考模型的"可持续发展"问题了。 过去几年，模型能力几乎与规模同步增长，"更大"似乎就是"更强"。但这种依赖海量数据和算力投入的演进方 式，已逐渐逼近可持续性发展的边界。 这也引出一个更基础的问题： 在数据增速放缓、 算力 成本攀升的背景下，下一阶段的模型突破将从何而来？ 如果「 摩尔定律」 曾定义信息时代的技术演进节奏，那么在智能时代，我们或许需要一个反映"知识压缩效 率"与"智能密度"的新衡量方式。 发 表 于 Nature Machine Intelligence 的 《 Densing Law of LLMs 》 提 出 了 新 的 答 案 —— " 密 度 法 则"（Densing Law） 。 上周六的 DeepTalk线上闭门交流活动 ，我们很高兴邀请到该 论文一作、清华大学计算机系博士后、面壁 MiniCPM（小钢炮）文本模型研发负责人 肖朝军博士 ，首次公开解读他和团队的最新工作： 《密度法则： 大 ...

文章核心观点 - 中美AI竞争格局发生深刻变化，以MiniMax、DeepSeek为代表的中国开源AI企业，凭借技术实力、极致效率和独特的商业模式，正在全球舞台上与美国闭源巨头（如OpenAI、Anthropic）展开正面竞争并取得显著成果，中国AI从过去的“追随者”转变为“应用落地的引领者” [5][12][14] 行业竞争格局与历史脉络 - 中美AI领军人物（Anthropic的Dario Amodei与MiniMax的闫俊杰）有共同起点，均曾为百度北美实验室实习生，但后续发展路径不同，分别在美国和中国引领了大模型的发展 [1] - 十年前，中国团队虽洞察到AI趋势（如Scaling Law），但因特定产业环境未能率先突破，与美国在通用大模型发展上存在时间差 [1][4] - 当前，以DeepSeek、MiniMax为代表的中国开源模型企业，正与美国OpenAI、Anthropic等闭源模型生态进行全方位正面对决 [5] 中国AI企业的技术实力与突破 - **模型性能**：DeepSeek最新发布的V3.2模型在关键推理和数学能力上刷新了SOTA纪录，多项核心基准测试中足以比肩甚至部分超越谷歌Gemini 3 [7] - **实战应用认可**：MiniMax M2模型上线OpenRouter后，日Token消耗量一度突破500亿，是首个达到此成绩的中国模型，其份额与xAI、Google、Anthropic和OpenAI等美国闭源模型并驾齐驱 [9] - **架构与性价比**：MiniMax M2利用稀疏混合专家（MoE）架构将激活参数压至100亿，以仅为Claude 4.5 Sonnet 8%的极致性价比获得大量好评 [9] 中国AI企业的核心竞争力与组织模式 - **人才观与组织**：不迷信硅谷的“天价雇佣兵”或“天才光环”，认为中国年轻人蕴藏巨大潜力，关键在于有效组织；MiniMax内部技术大牛多从团队内部成长，靠钱并非留住创新者的核心 [6][7] - **战略定力与第一性原理**：在公司成立之初，坚定选择“技术驱动”之路，认为大模型时代真正的产品是模型本身，传统APP更像渠道 [10] - **极致效率与成本控制**：MiniMax-M1的强化学习过程仅使用512块英伟达H800 GPU训练三周，租赁成本为53.74万美元（约380万人民币），仅为OpenAI同等模型训练成本的零头 [11] - **人机协同**：公司内部使用AI Agent辅助工作（如自动修改代码），提升组织效率，实现了“实习生也有实习生”的人机协同奇景 [11] 商业模式与市场表现 - **商业闭环**：MiniMax今年年度经常性收入（ARR）已达1亿美元，在视频赛道率先实现正向现金流 [14] - **市场策略**：创新主阵地在Web端，因其能够不依赖买量而自然增长；拒绝“烧钱买量”的务实导向 [14] - **产品差异化**：在AI陪伴领域，产品Talkie不追求所有人喜欢，而是为目标用户提供独特价值，从而在强手如林的美国市场撕开口子 [15] - **全球化与用户导向**：公司坚持直接服务用户、坚持全球化、坚持技术驱动三条原则 [10] 行业影响与未来展望 - **资本效率对比**：全球投行Jefferies报告指出，中国头部AI公司的资本支出仅为美国的18%，但模型性能紧追不舍 [12] - **应用落地引领**：中国“开源军团”在全球应用市场全面开花，例如DeepSeek被诺贝尔奖得主保罗·罗默每日使用，海螺AI、可灵（Kling）等视频生成应用在美国创作者社区口碑炸裂 [14] - **生态冲击**：中国开源生态在性能与成本上对美国高投入闭源模式形成冲击，若OpenAI遭遇危机，可能引发美国整个相关生态的集体失败 [15] - **行业信心**：中国AI创业者自信未来三年内，即使不是自家公司，也会有其他中国团队能够做到引领世界 [15]

机器之心发布 作者： 白铂 博士 白铂 博士，华为 2012 实验室理论研究部主任 信息论首席科学家 2022 年底，ChatGPT 横空出世，其能力震惊了整个世界。2024 年底，DeepSeek 以极低的训练成本和极高的性能再次震惊了世界。短短几年间，大模型疯狂迭代， 能力不断提升，仅在美国，AI 领域的投资规模便超过了许多国家全年的 GDP！2025 年底，Google 强势推出 Gemini 3，模型能力突飞猛进，TPU 训练范式也对英 伟达的生态发起了颠覆式挑战。 业界普遍认为 Gemini 3 是迈向通用人工智能（Artificial General Intelligence，AGI） 和超级人工智能（ASI，Artificial Super Intelligence，ASI）的关键突破，是人类 和机器合作的惊人之作。然而，正如 Ilya Sutskever 于 11 月 26 日的访谈中指出：大模型 Scaling Law 和摩尔定律一样，迟早会因为物理限制而失效。因此，如何打 开大模型训练的炼丹炉，看清黑盒子背后的基本原理，回答大模型是否已逼近其能力极限就成为迫在眉睫的问题了。但是，前人对大模 ...

当整个 AI 圈都在为 DAU（日活跃用户数）和融资额焦虑时，MiniMax 创始人闫俊杰却表现出一种近乎冷酷的淡漠。 坐在罗永浩对面的闫俊杰，并不像一位掌管着 AI 独角兽企业的技术新贵。 他拒绝谈论改变世界，反而坦承恐惧。那种恐惧不是来自商业竞争，而是来自技术本身——当模型的能力开始超越人类时，创造者反而成了最先感到不安 的人。 用 1/50 的筹码通往 AGI 在巨头环伺、算力短缺、热钱褪去的 2025 年，MiniMax 正在进行一场关于认知的修正：不再沿用移动互联网的逻辑，即通过大规模投放换取增长、通过 堆砌功能留住用户，而是回归本质： 把模型当作最重要的产品 。 在大模型时代，真正的产品其实是模型本身，传统意义上的产品更像是一个渠道。如果模型不够聪明，产品做得再好也没有用。 在罗永浩和闫俊杰这期对谈里，我发现 MiniMax 这家 AI 公司从创业第一天就选择了注定与主流背道而驰的技术路径。 当所有人都试图寻找中国的 OpenAI 和 Sam Altman 时，闫俊杰却在试图证明「非天才」的价值。MiniMax 的故事不是关于天才的灵光乍现，而是一场关 于如何在资源受限的缝隙中，通过极度理性地计算 ...