体育博彩,在线体育博彩,线上体育投注,最佳体育赔率,体育,体育博彩平台推荐,正规博彩平台,体育投注平台,体育投注app,体育博彩平台网址大全,体育博彩平台,体育投注平台推荐,靠谱的体育投注平台,体育投注靠谱吗,线上体育投注平台推荐,线上体育投注平台,体育博彩加密货币网站,体育赛马投注,体育投注平台戴若犁是诺亦腾机器人创始人/首席执行官，毕业于中国科学技术大学（9705）与香港中文大学，获机械与自动化工程博士学位。戴博士在动作捕捉、人机交互以及机器人遥操作、具身智能数据平台构建等领域拥有超过15年的前沿创新经验。在创立诺亦腾机器人之前，他联合创办了诺亦腾科技（Noitom Ltd.），作为公司技术与产品的第一负责人，成功交付数万套动作捕捉系统，服务全球50多个国家用户，帮助公司取得约70%的全球专业动作捕捉市场份额，确立行业领导地位。截至发稿诺亦腾机器人官宣完成数亿元人民币的Pre-A+轮融资，本轮融资由启明创投领投，五源资本、君联资本等机构参与投资。
张玉峰是无界动力的创始人兼CEO，曾任地平线副总裁、智能汽车事业部总裁、公司董事及经营管理委员会成员，于2025年创立无界动力，该公司专注于构建机器人“通用大脑”与“操作智能”，突破“手、眼、脑”协同的关键瓶颈，让具身智能成为可广泛部署、持续进化的基础设施。公司首代机器人平台已在工业制造与商业服务两大方向取得实质性突破。无界动力首轮3亿元天使融资，由红杉中国、线性资本领投，高瓴创投、地平线、华业天成、钟鼎资本、BV百度风投、同歌创投等跟投。据悉，天使+轮融资已接近完成，累计融资额超5亿元。
孙洋是Looki的创始人兼CEO，毕业于卡耐基梅隆大学计算机专业，曾任职于Google，Amazon，Momenta和美团。Looki创立于2024年，旨在通过打造AI的“眼睛”与“耳朵”，将AI无穷潜力融入并赋能于每个人的日常生活。Looki首款产品L1自今年8月在海外上市以来，已取得了卓越的销售业绩与用户口碑；Looki L1已于12月16日正式登陆国内市场。目前，公司已完成天使、天使+和Pre-A三轮共计超千万美元的融资。投资机构包括BAI资本、钟鼎资本、阿尔法公社和同歌创投。
Kay Feng是Aha的创始人兼CEO，深耕达人营销与AI和SaaS行业7年，以对行业结构的深刻理解，打造出全球首个“AI员工式”达人营销平台Aha。目前已服务300多家客户，覆盖AI领域的全球领先企业与高速成长的创业公司。18岁时，Kay辍学加入Dora AI创始团队，作为市场负责人，推动产品从0成长至50万用户，成为23年增长最快的AI产品之一。Aha已获得锦秋基金、金沙江创投的投资、联想创投和初心资本等多家知名机构的总计千万美金级别投资。
许四清，阿尔法公社创始合伙人、CEO，毕业于中国科学技术大学和中国科学院，分别获得学士和硕士学位。他曾三次创业，2010年作为COO成功带领创业公司在美国纳斯达克上市。许四清曾担任创新工场投资合伙人、奇虎360首席营销官，后加入中经合任董事总经理负责中国的投资和管理工作，2015年创立天使投资机构阿尔法公社。许四清拥有20年以上IT、互联网及通讯行业的工作经验, 曾开创微软公司华南区业务并就任第一任总经理，担任中国网络通信有限公司数据业务总经理、艺龙旅行网首席市场营销官等职务。许四清共5次获得“福布斯中国最佳创投人top100”称号。
中国的团队是更兼备聪明和勤奋的。我举一个我最熟悉的新能源汽车和自动驾驶行业的例子，三年疫情期间，海外的很多企业团队都处于停摆状态，甚至直到今天，欧洲的一些团队还在居家办公。但这三年期间，最起码在我所熟悉的新能源汽车和智能驾驶行业，实现了非常快速的追赶和超越。比如我们用八个月时间，帮助一家新势力车企把ADAS自研从立项到量产上车，到头一年就达到十万量级这样一个速度，是非常能说明问题的。然后第二点，我觉得国内目前的市场和行业的格局，对于打磨产品是一个非常好的机会。国内的B端客户和消费者对于新产品新技术的容忍度和接纳程度都非常好，同时B端客户对于一个新产品导入的要求和期待又非常高。
欧美的客户在软件领域，或者说TO B领域的垂直专业性和服务深度非常高，公司数量多，资本关注度也高。在每一个细分场景其实都有做的很深的公司，他们的切入口都非常小，但深度做的很深，市场的策略也很垂直。另一方面我们能看到中国出海的创业者们，大部分还是偏向TO C，他们更希望以一个整体的角度去做增长。当然，这得益于中国过去互联网时代积累下了一批流量玩法和增长人才，他更习惯和擅长从这个角度去考虑公司的市场。而欧美TO B公司的增长逻辑和方法论，也同样得益于上一代SaaS类产品的经验和基础。而最新的变化是，今天新的这一波中国出海科技公司，他们的决策行为已经越来越接近于欧美本土的客户了。
我觉得，不是中国的TO B不好干，是中国的软件不好干。咱们看那些国内互联网广告平台，大家都在心甘情愿的在付费嘛。我觉得中国软件企业不好干，是由于中国的企业的数字化还没有那么成熟，以至于他无法判断一个单点在整个链路里的贡献，所以只能是通过整个链条的结果来判断价值。而AI是一个非常好的切入点。在AI出现以前，我们卖软件其实都是一个不显性的价值呈现。但今天AI让我们有机会把软件的显性价值做出来。比如我们今天真的能将AI转化为一个数字员工，那它到底能给企业带来多少价值，是完全显性的。这也是为什么我们一直认为AI在TOB上并不是对标软件市场，而是对标劳动力市场。第二个点来讲，我觉得中国的优势在于大家对于新技术的拥抱，比绝大多数海外国家要更快的。
强化学习的跑通。其实强化学习本身并不是个新技术，但是在去年Q4，几乎所有的人都在讨论一个话题，就是人类数据不够用了。甚至连illiya也在公开发言说人类的语料是化石燃料，用完就没了。但你会发现，今年已经没人聊这个话题了，根本的原因其实是在于强化学习的跑通。特别是应用在今天大量的数学，大量的coding，GUI已经得到了非常强的验证。之前的情况是，人标的东西你才可以学，如果人标不了，你就学不了。所以严格意义上，机器永远超不过人。但是强化学习的出现，让我们开始从alphago走向alphago zero，让我们突破了人类的认知边界。
2025 年行业中让我最兴奋的一件事是：Agentic AI第一次在真实业务里跑通了。之所以说这是今年，不是因为agent这个概念新，而是因为支撑它跑在真实业务里的关键技术条件，直到 2025 年才同时具备。第一是长期任务和上下文记忆真正跑通了；第二是工具调用和执行稳定性发生了质变；第三是从人类示范，转向结果驱动的自我优化。 回到公司来看，作为 Agentic 的TO B产品，今年我们从业务数据上真的能看到Aha作为一个平台的飞轮效应被点燃，我们达人侧的入驻速度，呈现了一个指数级的增长，半年内就从0上涨到5万。然后另一方面，就是全球那些最顶尖的AI客户和头部大厂都能选择我们这样一家成立才半年的公司。
我觉得Google的回归是让整个25年的模型赛道拨乱反正。大家之前会看到Open AI已经开始做一些硬件，但其实我觉得模型还远远没到天花板，Google的回归也让大家重新聚焦回模型能力的进一步提升。而Gemini 3的出现也符合我们的预期，在多模态能力又前进了一大步。去年大家所看到是，都是假的多模态，今年Gemini 2开始大家又在做图片帧的动态，然后直到Gemini 3的出现，视频的能力又进一步增强，这是符合我们对模型发展趋势的预判的。张玉峰：
2025年，我女儿考上了一个她特别喜欢的学校，这个肯定是第一啊。然后我们讲回科技圈。过去来跟我们聊数据业务的业内同仁一般都在聊几千小时，顶多上万小时的数据。但是就最近美国有一家公司叫Generalist，这家公司大力出奇迹，自己独立验证了一把Scaling Law，他们用了27万小时的数据做了训练，并且在这27万小时之内没有看到任何训练收益的放缓。这件事情之后，来找我们聊的业内同仁们的数据单位也都变成了以十万小时为单位。这也
因为在工业领域里，特别确定性的任务就会走向专机，而特别泛化而困难的柔性的任务就会走向人类，所以中间的夹缝会非常的小。反而是在家庭场景里，虽然实现困难，但是还是会有很多机会。特别是一些在家庭里所谓时空分离的机会，比如扫地机器人这种场景。时空分离下对于容错性，安全性，隐私性等各方面的容忍程度都会高一些，又不像在工业领域里非常容易被自动化流水线专机和便宜的人类劳动力去替代，所以这个夹缝会稍微宽一点点。许四清：最后一个问题，针对刚才提到的27万小时的训练数据，在你看来真实数据和仿真数据之间是一种什么关系呢？
面向具身的基础模型或者基座模型，最终还是要在真实场景中去得到锻炼迭代。只在仿真或者在实验室去做，永远难以接近真实场景所需的泛化能力和精准度，也很难普及开来。我们必须要通过实际的部署来实现规模化，其实无论是对于大语言模型还是具身来讲，规模化还是一个非常重要的话题。其次，从路径上来看，其实我们可以快速回顾一下智能驾驶。过去十年的时间里，有像Waymo这样的企业，希望一下就能把复杂的事情做到无人化；也有像Tesla这样的企业，走渐进式路线，从一开始仅能做到车道线保持，然后学会了变道、并线、上下匝道再到城区驾驶，整个过程中都在不断地采集数据。我们会认为，渐进式的路线其实是我们具身智能公司能够去形成突破并构建护城河非常关键性的选择。其实人工采集的训练数据量即使达到27万小时，相比我们整个人类的语料数据量还是差很多。将来为了更大数量级的数据采集，要付出的代价会越来越高。它的成本性、可持续性到底如何，我还是抱有一个问号。
再说到场景选择，其实从场景到任务，本身有两个维度，一个是场景的复杂度和多样性，一个是任务和包括作物体的复杂度和多样性。家庭场景属于四象限里最靠这个右上角选择，也就是场景本身和任务对象都更复杂的区域。确实有很多企业在深耕这个场景，但更多的企业，包括Tesla、Figure等，虽然嘴上讲着要进家庭场景，但身体还是很老实地扑在了B端场景，包括工业，商业服务等。这些场景都能够让我们在目前技术不成熟、数据量缺少的情况下，通过做一定的减法，就能够较快的实现落地闭环的。
我们无界动力当前更多的是在隐式世界模型方向上做研发，把它内嵌在负责动作执行的VLA模型里。同时显式世界模型也是有意义的，对于目前数据短缺情况下（基于真实数据增广）提供高质量的数据补充也非常有帮助。现在自动驾驶行业也用这种世界模型来做一些corner case 数据的增广和生成，sim2real gap相比以前小了非常多。在隐式和显式当中，我们更侧重于投入在隐式的世界模型上，同时在显式的世界模型上也会有相应的一定量的投入。
我们看到营销预算里的一个最大的变化是过去大家可能把钱更多地花在广告上，但现在其实更多的预算在往达人营销迁移。新一代的很多科技产品、AI产品，其实一半以上的预算都投放在了达人营销上，而不是传统的投流广告上。所以这里面就产生了每年上百万美金的达人投放预算，但是这个投放过程在过去是非常低效的，这也成为客户本身一个非常亟待解决的问题。所以你只要能做到一个比过去的agency更高效，规模更大，然后体验更好的产品，那客户就一定会来尝试。另一个角度上，在平台开始有客户之后，就会开始有新的达人上来接单，而它是一个自动化的流程。所以那就意味着其实客户越多，达人就会越多，达人接过一单之后，对平台有信任，那客户那一侧的体验显然就会更好，那就会有更多客户进来。这其实就构建起来了一个飞轮，他们相互之间不断地撬动，所以这也是一个双边网络的独有优势。
我觉得商业强化学习跟基座模型，它不是一个赛道，它是一个延展关系。市场上一直有一个两种逻辑的争论，一种逻辑说将来会有一个超级大一统的模型解决everything；另外一种逻辑说将来市场上会出现无数的垂类模型，来解决不同的事情。这两种到底哪种会是未来。我们先看看人类是怎么做的，我们会发现人类从5000年前到今天，其实人的脑容量没有明显的变化，但是今天的人类比5000年前的人单人的生产力大了1000倍。你可以发现，进化论并没有把我们每个人进化成一个200斤的脑袋，而是让我们维持原有的脑袋的size，但是我们解决问题的能力依然可以远超原古时代的人类。这个核心的原因和变化就叫做分工，分工之后就是协作。
今天所有的人，包括一级二级市场，针对于供给侧几乎是无条件投入。大家会要更强的芯片，更大的集群和更强的基模，capex也从24年的2000亿美金提升到了25年的4000亿美金，明年可能就万亿以上。另一方面，模型的成本逐步下降，芯片的性能逐步提升，未来三年我们可能会比现在多1000倍的token的产量，但大家从来没有怀疑过它能不能被消耗掉。大家都认为，只要算力足够便宜就一定能被消耗掉，我觉得这个其实是不一定。那么我们再看需求侧，MIT之前有一个分享讲到今天大概只有5%的PUC是真实落地并且带来了数百万美金的收益。这个跟我们过去两年在整个市场上看到的情况是高度近似的，今天大模型落地是极其单调和重复的，无非就是chatbot、知识库、合同审核，打标签等，其实根本就没有切入到核心业务，
但是如果要嵌到物理世界，最大的问题就是在于：一个是效果如何直观观测，一个是成本如何下降。原来我们所有AI界的人，大家都在做一件事，叫做为知识建模。无论是垂类还是通用，我们都是把人类世界所有知识压缩到一起放进去，然后压缩成一个模型。这种方式确实有一定的通用性，但是我们任然认为将来会出现无数个专业模型，这就意味着我们不能再靠人标了。今天对于模型的调优策略是极度局限的，就是做SFT、prompt优化、workflow，我不认为这能走到一个真正的终局。