搜索
当下计算机视觉长期陷入“一任务一专用模型”内卷： 做深度估计要用DepthAnything，分割依赖SAM，人体姿态单独训练Sapiens，几何重建还得搭VGGT，各类网络骨干、解码器、损失函数完全割裂，研发与部署成本居高不下。
在模型层之外，2026 年上半年在硅谷增长最快的赛道之一是数据：Mercor 的 run rate 从去年下半年的 5 亿美元涨到今年年中的 20 亿美元；Handshake 转型 human data 后，run rate 在年初三个月内从 5.5 亿美元冲到 10 亿美元；RL 环境公司 Fleet 则在半年内从百万美元级别做到 6000 万美元 run rate，
我们如何判断人工智能是否已经足够聪明，能够从事科学研究，实现端到端的自主科学发现？
你有没有想过，有一天你买东西，不再需要打开购物软件挨个搜索，而是直接对你的AI助手说一句“我想买一把适合初学者的吉他”，它就能跑遍全网，把最好的几个选项摆在你面前，还附带理由？
作为具身智能最主流的路线之一，VLA 快速发展的同时也因为其各种问题被诟病。其中最主要的痛点之一便是指令泛化能力。
让机器人把一只虾夹起来，再放进锅里。
Transformer 的上限在哪里？这个问题从 2022 年 ChatGPT 问世起，就开始被广泛讨论。
人类看图时，不会先在大脑中拍下一张「截图」，再闭眼推理。思考过程会不断引导我们的目光：找到一个线索，形成一个假设，再回到图像里验证它。
通过重写 Python、魔改 WebRTC 握手，GPT-Live 让Agent从单向对话进入「实时交互」时代。
多模态基础模型可以通过互联网规模的图像与语言学习「看」和「说」，但具身智能没有同样的捷径。机器人必须进一步理解物理状态与动力学，判断动作如何改变环境，并在真实世界中执行连续行为；这要求训练数据同时连接观察、状态、动作与物理后果。