人形机器人为何仍是小众品牌？头部企业还需继续赛马
人形机器人头部企业虽已形成真实销量、收入和公众认知，但市场仍以科研、工业、商演等专业客户和可控场景为主，尚未完成从行业头部到成熟消费品牌的跨越。2026年上半年全球出货量超过2.2万台，智元约9700台、宇树超过7000台；长期使用、标准化服务与用户复购仍是品牌发展的考验。
内容形态
大佬观点 最新动态
行业关键人物在想什么：创始人访谈、研究者论战、投资人判断的观点集合。
203 条精选近 30 天 203 条共收录 262 条
更新
精选归档 · 第 10 页
钛媒体精选AI 评分5050 MIT Technology Review · AI精选AI 评分2828 圆桌对谈：与 AI 设计病毒的创造者对话
MIT Technology Review 高级 AI 记者 James O’Donnell 将在圆桌对谈中采访 Samuel King，讨论他的研究及生物学的新观察方式。2025 年，King 使用生成式 AI 模型提出微观病毒的遗传蓝图，但这还不算 AI 生成生命。
36氪精选AI 评分1212 券商最新研判：静待盈利验证，建议均衡配置
多位券商分析师认为，近期A股波动主要受海外因素扰动和国内机构调仓影响，但基本面仍有支撑，叠加日历效应，10月行情值得期待。配置方面，AI产业趋势仍有空间，房地产和大消费出现复苏迹象，建议均衡配置、静待盈利验证。
Simon Willison精选AI 评分2525 Simon Willison 引述 Carson Gross：编程的核心是解决问题与控制复杂性
Carson Gross 认为，计算机编程的核心是用计算机解决问题，并在解决过程中控制复杂性。他难以想象这两种能力的价值会低于当下，因此认为即使 AI 工具出现，编程仍会是一项可行的职业。
TechCrunch · AI精选AI 评分4848 Ben Affleck 展现 AI 技术知识，网友惊叹
Ben Affleck 在近期采访中谈及 AI、神经网络及其在电影制作中的应用，凭借对相关技术的熟悉在网上走红。Affleck 称，他为 AI 电影制作创业公司创建了数据集，让模型能与艺术家协作；该公司已出售给 Netflix，报道所称的 $587 million 金额则被他否认。
Latent Space精选AI 评分4949 Periodic Labs 探索从半导体到超导体的“合成超级智能”
Periodic Labs 的 Liam Fedus 和 Ekin Dogus Cubuk 探讨如何让 AI 通过真实物理实验发现新材料，并提出“合成超级智能”愿景。团队结合强化学习、模拟、高通量实验和材料表征，让模型从科学研究全过程及失败实验中学习；他们认为，即使是前沿模型，仍需通过实验检验猜想。
The Decoder精选AI 评分5252 AI 数学进展引发以太坊研究者对钱包安全风险的讨论
两位以太坊研究者警告，AI 辅助数学在最坏情况下可能在数月内破解加密钱包使用的签名系统。Justin Drake 建议将资金转移到从未签署过交易的地址；Vitalik Buterin 赞同做好准备，但提醒不要仓促迁移，并指出目前还没有人在实践中攻破现行 ECDSA 签名方案。
The Verge · AI精选AI 评分6969 Meta Muse 与 OpenAI Dots 能否赢得用户信任并管理日常事务？
The Verge 的 Decoder 访谈讨论 Meta Muse 与 OpenAI Dots 能否成为实用的消费级 AI 智能体，以及用户是否愿意交出敏感数据。Muse 免费，主打易用和大众市场；Dots 面向付费用户，并提供营销、法律分析等专业版本。访谈还谈到两者在产品定位、商业化和隐私安全方面的差异，以及智能体执行任务时的可靠性问题。
Simon Willison精选AI 评分4040 Claude Opus 5.5 生成 Scrimshaw Jukebox 游戏音乐实验
Simon Willison 测试 Claude Opus 5.5 作曲，让它设计文本音乐格式并构建可播放的 artifact，生成类似《The Secret of Monkey Island》风格的游戏音乐。结果明显偏向 Monkey Island 主题，但作者认为效果出乎意料地好，并提出需与新旧模型对比验证这是否是文本模型近期出现的新能力。
Simon Willison精选AI 评分3737 EmbeddingGemma 2 采用 Apache 2.0 许可证
EmbeddingGemma 2 采用 Apache 2.0 许可证，作者认为嵌入模型不适合只提供闭源、专有、托管版本。嵌入应用常需计算并长期保存成千上万甚至数百万个嵌入向量，若供应商停供模型，用户可能要为重新计算存量向量付费。OpenAI 曾在 2024 年 4 月提出承担用户重新嵌入内容的费用，但作者认为这不能指望所有提供商都会这样做。
MIT Technology Review · AI精选AI 评分3030 工业 AI 如何走向更安全的自主化
工业 AI 正从预测分析走向 foundation models、physical AI 和 agentic AI 驱动的更复杂自动化，但在物理系统中部署会带来安全、可靠性和关键基础设施风险。
Simon Willison精选AI 评分2020 引用 Ben Affleck：从 Python 到卷积神经网络的视觉特效工作流
Ben Affleck 称自己从小喜欢计算机，电影从模拟转向数字后更关注视觉特效技术。他提到视觉特效工作流多年包含机器学习，自己会写简单 Python 脚本，并用卷积神经网络处理 tensor，做边缘检测和特征提取以辅助绿幕替换。
Simon Willison精选AI 评分2828 软件博客写作中的反模式
Michael Lynch 总结了软件博客写作的常见反模式，包括冗长开头、误判读者已有知识、假设读者读过前文、过度正式，以及用链接替代术语解释。他建议文章即使读者不点链接也应能读懂，并强调用自己的声音写作；在许多开发者把写作交给 AI 后，有个性的表达更稀缺。
TechCrunch · AI精选AI 评分5555 Tony Fadell 解析第一波 AI 硬件为何失败以及下一步方向
Tony Fadell 在 MIT Future Fest 上称，Rabbit R1、Humane Ai pin 和 Limitless pendant 等第一代 AI 设备没有真正满足用户需求。
Simon Willison精选AI 评分1717 Jake Boggan 谈 Barnette's Conjecture 可能已被证明
Jake Boggan 在 Hacker News 评论 openai/math 时称，自己曾断续研究 Barnette's Conjecture 24 年，如今看到 problem 180 似乎已证明该猜想，感到复杂和失落。他表示曾为此投入数千小时，去年夏天还一度以为自己解决了它。
Microsoft Research精选AI 评分4949 Microsoft Research 访谈：AI 会犯什么错，失败能教会我们什么
Microsoft Research 访谈 Jennifer Neville，讨论评估如何推动 AI 系统性能边界，并揭示传统 benchmark 之外的“意外失败”。Neville 研究交互式领域与结构化数据中的机器学习和 AI，已发表 130 多篇论文、获 10,000 多次引用，并分享当前 AI 系统使用建议。
Wired · AI精选AI 评分4949 Kevin Roose 没有用 AI 写他的 AI 新书 The AGI Chronicles
Kevin Roose 的新书 The AGI Chronicles 记录 OpenAI、Anthropic 和 Google 三家生成式 AI 领导者的近年历史，写作基于 150 多次 AI 内部人士访谈。他还与 Casey Newton 创办 Machine Gods Media，并与 NPR 达成播客发行合作，主张以“AI 现实主义”介于唱衰与炒作之间。
36氪精选AI 评分5858 Rabbit 创始人吕骋谈个人 Agent：人不该为 Agent 改变思考方式
Rabbit 创始人吕骋认为，人不该为 Agent 改变思考方式，个人 Agent 应该让用户只说出目标，再自行寻找设备和办法完成任务。材料提到 Rabbit 上个月开放新一代 Agent 操作系统 OS3，可从网页或 Telegram 交代任务，调用用户自选的 AI 模型，连接最多五台电脑查文件、操作软件、浏览网页或写代码。
Latent Space精选AI 评分6565 Airbnb CTO Ahmad Al-Dahle 谈用 inside-out AI 重建内部开发与用户体验
Airbnb CTO Ahmad Al-Dahle 向 Latent Space 介绍了公司将自身转向“AI-native company”的 inside-out AI 路径，即先用 AI 提速内部产品开发，再把同类能力用于客户体验。
MIT Technology Review · AI精选AI 评分6161 Thore Graepel 认为 LLM 并不具备真正推理能力
Thore Graepel 认为，当今 LLM 主要依赖 next-token prediction 和 CoT 延长生成过程，并不具备 AlphaGo 式的独立推理机制。他以 AlphaGo 的政策网络与搜索机制解释第 37 手，指出真正推理需要显式、持久、可检查的认知状态，以及知识与操作知识方式的分离。他主张未来 AI 应维护可审计的证据、推理和信念修订序列，用于科学、医学、工程等高风险领域。