Michael Saylor, MicroStrategy's executive chairman, says the company's new digital credit product "Stretch" strips away volatility and risk from Bitcoin. He tells Romaine Bostick and Katie Greifeld on The Close that MicroStrategy has launched four credit instruments this year worth $4 billion, with more to come. ...

机器人技术发展趋势 - Physical Intelligence的π VLA模型取得突破性成功，标志着机器人产业的重要转折点，但构建真正的机器人智能比预想的更复杂和分散[1] - 机器人技术栈正在经历大解构，从模型编排到运动控制、数据采集到跨形态学习各环节专业化发展[1] - 机器人技术走向规模化，但需在物理世界的重力、摩擦等限制下证明可靠性，智能具身化成本仍高[1] 机器人形态进化逻辑 - 生命进化中的"蟹化"现象显示形式服从功能，机器人形态也应适应多样化环境而非模仿人类[5] - 机器人技术未来将多样化发展，由任务、地形和环境塑造形态，而非收敛于人形[6] - 计算机、飞机等发明证明高效能无需模仿生物形态，机器人领域存在"人形谬误"[8] 人形机器人局限性 - 双足运动能量效率比人类低15倍以上，比轮式低300倍，Boston Dynamics商业化产品均为非人形设计[9] - 机器人吸尘器成功源于功能优化而非人形模仿，其低矮圆盘设计优于拟人化方案[10] - 五指手机械复杂度高，五倍执行器带来更多故障点，特定任务末端执行器可靠性更优[12] 技术范式转变 - 应从硬件优先转向软件向下，训练可泛化智能而非绑定特定硬件形态[13] - Physical Intelligence采用形态无关方法，跨手臂/移动基座等形态训练实现能力迁移[14] - 机器人学习借鉴LLMs模式，通过异构数据训练VLA模型实现跨模态泛化[16] 行业实践案例 - Boston Dynamics实际收入来自轮式工业机器人Stretch和四足Spot，已部署1500+台[9] - Physical Intelligence的π0.5模型通过跨具身数据训练，实现"清洁厨房"等复杂任务分解[16] - Formic通过机器人即服务模式，在真实工厂环境中积累边缘案例数据驱动AI进步[18] 技术堆栈解构 - 机器人堆栈分为数据收集、软件和训练基础设施三层，形成从物理操作到智能行为的闭环[20] - 跨形态数据聚合可提升模型性能，消融实验显示去除跨具身数据会导致显著性能下降[17] - 行业出现类似自动驾驶的专业化分工趋势，特定领域极致化公司更具优势[1]