我们的具身模型,根本不缺数据

资讯 腾讯网 作者:高工机器人 全文 6113 字 · 约 16 分钟读完 配图 1 张 分类机器人人形机器人

加入高工机器人专业行业群,加微信:13510670440,出示名片,仅限机器人及智能制造产业链相关企业。*本文共约 5919 字,阅读完成需 12 分钟。如果一个行业已经拥有数据工厂、采集设备、仿真平台和不断增长的训练时长,它是否自然拥有了数据飞轮?在2026(第三届)高工人形机器人年会【专场B:智核进化】的圆桌对话上

所属频道 机器人与具身智能
我们的具身模型,根本不缺数据(配图 1)

加入高工机器人专业行业群,加微信:13510670440,出示名片,仅限机器人及智能制造产业链相关企业。


如果一个行业已经拥有数据工厂、采集设备、仿真平台和不断增长的训练时长,它是否自然拥有了数据飞轮?


在2026(第三届)高工人形机器人年会【专场B:智核进化】的圆桌对话上,六位嘉宾给出的答案,远比简单的“是”或“否”更有张力。


斜跃智能首席AI科学家 周鑫认为,数据飞轮一定会转起来,只是目前仍缺少关键模型和应用场景;


橡木果发起人 姜峣把问题拉回最初的“如何使用和采集数据”;


宽恒科技前沿技术研究院院长 乔晶则把数据缺口与算力约束并置,提醒行业训练成本甚至比数据采集更高;


原力无限首席技术官 王一舟判断具身大脑尚未进入真正的飞轮阶段;


维他动力联合创始人 秦海龙觉得数据飞轮的运转逻辑发生了很大变化;


穹彻智能预训练负责人 吕峻同样认为,当前数据飞轮尚未真正运转起来,但需要尽快转动,以帮助具身智能迈向下一个里程碑。



这种“相信飞轮,却承认它尚未转动”的观点,揭示了具身智能当下的真实水位。行业正跨过“有无数据”的第一道门槛,却尚未跨过“数据能否以足够低的成本持续变成能力”的第二道门槛。前者可以通过投入设备、人员和采集基地缓解,后者却要求产品、模型、数据工程、评测体系和商业场景同时闭合。


因此,今天我们再讨论具身智能的数据竞争,最需要摆脱的,是对“小时数”的单一崇拜。数据总量可以描述投入,但无法证明资产,真正拉开差距的,是各家把操作失败转化为可复用智能,再以更低成本送回现场的速度。




数据资产不等于数据飞轮


“数据飞轮”几乎已经成为具身智能行业的共同语言,但不少被命名为“飞轮”的体系,实际上仍是数据流水线。先集中采集,再清洗标注,随后训练模型,最后挑选若干场景进行验证。


这个流程当然是必要的,却未必能够自我增强。流水线的核心是生产更多数据,而飞轮的核心是,每一轮部署都降低下一轮能力进化的成本。


一个相对完整的数据飞轮,至少应该包含这样一条链路。机器人进入真实任务,暴露失败和长尾问题;系统识别哪些片段值得学习,完成筛选、治理和必要标注;新数据进入训练与评测,模型获得可验证的能力增益;能力再通过OTA在线升级或其他部署方式回到终端,进入更多任务,并产生新的反馈。


只有这条链路循环运转,而且能力增益能够推动更多的使用,部署与智能之间才形成正反馈。


原力无限首席技术官 王一舟


王一舟以自动驾驶行业作类比,提出在明确的ODD(运行设计域)内先形成可量产、可被终端用户使用的产品,再从真实使用中回收长尾数据。这一判断意在把数据飞轮的起点从模型实验室移到产品现场,机器人首先要有被持续使用的理由,才可能有持续回流的数据。


秦海龙所强调的数据飞轮“运转逻辑变化”,提示行业不能机械复制其他AI领域的数据经验。基础模型可以从互联网存量内容中获得大规模语料,自动驾驶可以借助量产车辆形成行驶数据回收。


而具身智能既缺少足够大的统一终端保有量,又面临本体、任务和场景的高度异构。它要建立的,是一种同时连接通用知识、专业任务和真实部署的新闭环。


姜峣对“如何使用和采集数据”的追问,则构成另一层约束。如果行业还没想清楚数据究竟能让机器人学到什么,采集规模越大,也可能带来越高的无效投入。


乔晶关于算力的提醒同样如此,“我们现在拿不到最新先进的算力,算力上面还是很缺的。按照现在百万小时(数据)来推演的话,算力以后还要翻很多倍才足够去训练的,而训练(的成本)可能比采集还要贵”。


在她看来,数据飞轮不只是采集端的循环,清洗、标注、生成、训练和评测都在消耗资源,任何一环成本失控,都可能让正反馈变成正投入、低回报。


这也意味着,部署数量本身并不是一个充分指标。大量重复运行可能只增加高度相似的日志,为了维持演示而设置的人工兜底,可能掩盖真实失败。缺少时间同步、动作状态或任务结果的记录,即使画面完整,也未必能够进入训练。


宽恒科技前沿技术研究院院长 乔晶


更关键的是,如果每增加一个新场景,都需要同比例增加采集员、标注员和驻场工程师,那么数据增长仍然接近线性扩张,边际成本没有因规模而显著下降,飞轮就还没有真正获得加速度。


从这个角度看,行业当前面对应当是一道转化的缺口,在已经产生的数据里,有多少能够准确定位模型的缺陷?经过一轮训练后,这些缺陷是否真正消失了?修复一个缺陷,又是否会出现新的问题?回答不了这些问题,再大的数据库也只是静态库存。




是时候,从规模崇拜转向信息密度


圆桌对“具身大模型到底需要什么样的数据”的讨论,出现了一个值得重视的变化。嘉宾们不再把规模与质量视为二选一,转而开始讨论数据究竟携带了多少新信息,以及这些信息能否被模型吸收。


周鑫指出,Scaling不是单纯把数量提上去。如果把第一人称视角数据长期限制在同一个工厂操作台,即使累计极高时长,信息量也不足以支撑通用大脑。“1万小时的高质量数据,可能胜过10万小时不经配比、不做清洗的低质量数据。整个数据的Scaling,一定得结合数据质量和数据信息量一起探讨”。


这里的关键是数据评价的分母正在改变,同样一小时,重复熟练动作、跨场景操作、异常恢复和人机交互所包含的学习价值,完全不同。


周鑫看重Ego数据,正是因为这种采集方式有机会进入不同环境,覆盖多样的真实动作。但他并没有因此否定真机遥操,而是把两者放进不同的能力分工。


Ego数据更适合为预训练提供跨场景、跨任务和跨本体经验,高精度但场景相对局限的遥操数据,则更适合后训练阶段。“应该从模型缺失什么能力的角度去考虑,我们到底应该怎么采,怎么用这个数据,包括现在像Astra这样的模型出来后,可能整个数据的处理方式也会随之改变。”周鑫说。


斜跃智能首席AI科学家 周鑫


吕峻的观察则呈现了另一种视角。他认为,当前行业讨论的重点已经从无数据可用,逐渐转向数据清洗、标注和训练配方,也就是Training Recipe。


数据采集人员的交谈、休息或无关走动等片段被一并录入,只是表层质量问题。更深层的问题是,数据中的任务阶段、接触状态、失败原因和动作结果能否被有效组织,不同标注方案能否对应到明确的模型表现。


吕峻并不认同“行业仍然无数据可用”的简单描述。在他看来,“在当前这个数据量级下,其实已经能够做出一些比较不错的模型成果”,只是距离具身智能的长期需求仍远远不够。


这一区分十分重要,强调质量,并不意味着规模不再重要,承认长期数据缺口,也不代表当前只能等待更多数据,而不能推进模型和场景验证。


穹彻智能的技术路线也反映了这种变化。在Noe-0技术预览中,不仅讨论世界动作模型和无本体数据,还强调预训练与任务后训练之间动作分布的连续性,并以DM3连接任务管理、质量检查、数据治理、标注与交付。这说明数据工程开始成为模型设计的一部分。


姜峣则把数据质量进一步推向物理执行层。他以观看乒乓球视频为例,观看视频可以帮助人理解规则,近距离观察球员可能让人学到一些技巧,但它们都不等于真正获得打球的手感。


在抓取、装配等接触密集型任务中,同样的视觉动作,可能对应完全不同的受力、滑移和材料状态。如果这些信息没有被感知和记录,再庞大的视觉数据也难以凭空恢复全部物理过程。


因此,姜峣对在行业尚未回答“操作数据究竟包含哪些维度”之前就大规模采集,持谨慎态度。他想提醒行业,如果缺少对隐性物理信息的理解,数据Scaling可能更多作用于语义和任务规划,却未必能突破操作执行。


Ego数据、世界模型生成数据、仿真数据等,正在被不同团队混合使用。“没有一个固定的数据标准,导致大家都是从不同的方向上来发力。”这是乔晶从客户端观察到的现象,行业对数据类型、数据金字塔和仿真占比的判断仍在快速变化,不少团队在经历机器人进入真实场景测试后,又重新加大了真机数据与采集硬件的投入。


穹彻智能预训练负责人 吕峻


这是早期行业通过真实反馈校正数据定义的过程。当仿真数据在真实任务中暴露差距,行业就会重新评估真机数据;当真机采集成本过高,团队又会寻找Ego、无本体和生成数据的替代空间。数据配方就是不断接受模型效果和部署成本检验的工程变量。


秦海龙进一步把数据问题概括为Generalist与Specialist的关系。他以基模和智驾类比,基础模型追求通用能力,智驾的模型更接近特定领域专家,具身智能既需要通用知识,也需要针对具体的本体和任务的专业知识。


两者不是对抗关系,不同训练阶段可以采用不同的数据混合比例,通用知识、跨任务经验与本体数据应当共同进入模型。尤其是失败数据,最能检验一套数据体系是否成熟。




真机、Ego、仿真与生成数据,不是淘汰赛


围绕真机遥操、Ego、仿真和模型生成数据等的争论,经常被写成路线之争。但从此次圆桌上的具体实践看,行业更可能走向按训练阶段和目标能力组织的混合配方。


王一舟把团队实践拆成pre training(预训练)、mid training(中期训练)、post training(后训练)三个阶段。


预训练使用人类视频和多样化的真机遥操数据,以扩大任务与场景覆盖;中期训练强调高质量第一人称操作数据,以及目标本体、目标部署场景的遥操作数据,使模型逐渐对齐实际观察和动作分布;后训练仍离不开真机强化学习,以及部署过程中的人工接管。


这里指出,不同数据其实是在补不同的能力缺口。互联网视频和人类第一人称数据有利于学习语义、物体关系与广泛操作先验,但缺少精确动作标签和机器人本体状态;


真机遥操可以提供高质量动作对齐;仿真适合大规模试错、危险场景和受控对比,但在接触密集、柔性物体、摩擦与滑移等问题上仍要面对仿真到现实的差距。


跨本体复用则是混合数据路线必须跨过的一道难关。不同机器人在关节数量、控制频率、传感器配置上存在差异,同一个指令,对应的动作空间和接触过程可能完全不同。可以共享的,往往只是任务语义、空间关系、物体可供性和部分策略表征,控制参数一类却不能直接照搬。


维他动力联合创始人 秦海龙


橡木果公开发布的Natus AGE-0路线,从视触觉、滑移感知和端侧“本能反射”切入底层操作。从介绍来看,这是一种不依赖数据预训练的技术探索。


但它能否在更大范围兑现其泛化主张,仍需要更多场景验证,但它也在提醒行业,所谓数据不足,有时并非只是数量不足,而是关键物理模态根本没有进入数据。


所以,比“真机、Ego和仿真谁占多少比例”更有价值的问题,是哪一种组合能够以最低成本补足模型当前最缺的能力。




Astra之后,是端云价值重估


关于数据、模型的讨论,因GPT-6 Astra的出现而进一步升温。


但这里首先要划清一个事实边界,OpenAI官方发布重点强调Astra在计算机使用、浏览、软件工程、科学研究和专业工作等方面的通用能力,并未把它定义为机器人基础模型。它在机器人领域的影响,主要来自外部研究者和产业团队的后续测试。


由商汤日日新联合大晓机器人、南洋理工大学、东京大学等团队完成的一项针对Astra的技术报告《Has GPT-6-Astra Achieved Embodied Intelligence?》,覆盖12项代表性基准,并在8种真实机器人配置上进行实验。


报告认为,Astra已经展现出值得重视的具身能力,但尚未跨过实用具身智能的门槛;推理成本与执行时间、物理成功验证、不可逆失败恢复和长程任务进度保持,仍是明显挑战。



高层“慢思考”(System 2)推理模型与低层“快执行”(System 1)控制器进行闭环协作被证明有效,但频繁的高层监督也会带来较高成本。


这与吕峻在圆桌上的判断形成呼应。他提醒现场听众,通用模型“能够完成”,不等于能够以产业可接受的时间、响应速度和成本完成。一个模型可以花很长时间推理出“如何倒水”,另一个模型则以更短时间、更低成本稳定执行,这两者的智能水平不能只按任务是否成功来比较。


因此,吕峻不认为Astra的出现会让VLA、世界模型或端侧小模型失去意义。相反,通用模型越能展示物理世界推理潜力,越可能凸显高效执行层的价值。


他设想的架构是:云端较强模型承担复杂推理、任务调度、复盘和整理,端侧具身模型则把云端推理获得的经验沉淀下来,形成快速响应、任务执行和更高投入产出比的能力。


云端与端侧不是割裂或替代关系,关键在于知识能否下沉,而不是每次执行都重新支付一次完整推理成本。


周鑫以“有限规则的游戏”和“无限规则的游戏”区分两类需求:工厂等场景的任务和规则相对明确;家庭等环境则充满不同物品和随时变化的人类意图。一个看重稳定、节拍和执行成本,另一个更需要开放语义理解、人机交互和任务迁移。


在他看来,VLA和世界模型可以把某些规则相对明确的任务做得更快、更丝滑,却未必擅长处理训练分布之外的自由需求;Astra则展现出另一种潜力,面对意想不到的任务时,可能表现出更有逻辑的推理和动作组织。


王一舟对终局的判断更为集中。他认为,当前具身智能的不确定性仍然很高,终局未必属于今天的VLA或WAM的某一种,也不会是每个垂直领域各自训练一个模型,更可能由强基础模型赋能不同垂域,形成相对集中的格局。但他同时承认:“至于说这个模型是什么样的,我觉得现在没有人能够说得明白。”


乔晶则对这种集中化判断保留了不同意见。她同样从智驾领域获得启发,但关注的是端到端能力背后的部署条件,车辆被投放出去,真实数据被回收后,模型才具备进一步演化的基础。


即使智驾发展多年,不同技术路线也并未完全消失。由此类比,具身智能未来未必是一家独大,也可能在不同场景中形成多种能力的融合。


橡木果发起人 姜峣


姜峣对模型终局同样没有给出确定答案。他认为,新技术出现时多条路线并存是正常现象,真正需要讨论的是数据驱动的能力边界。


在他的判断中,语义理解、知识推理和任务规划更适合由数据驱动模型承担;但与真实物理世界持续接触的底层执行,可能还需要不同形式的端侧模型或控制机制,不一定完全依赖数据驱动。


端侧模型的意义,因此不仅是降低云端推理成本,也可能是承接另一种更接近反射、控制和实时物理反馈的智能形式。VLA、WM与WAM不必被写成简单的替代关系。VLA重点连接感知、语义与动作;WM更关注动作之后环境如何变化;WAM则尝试把未来状态建模与动作生成放入更紧密的框架。


显然,六位嘉宾并未在模型终局上达成一致,但他们削弱了此前一种单一的论调,某个通用模型出现,并不意味着既有具身模型路线被一夜清零。数据条件、任务边界、部署成本与模型能力,仍将共同决定架构演进。


具身智能当然仍需要更大的数据规模,也需要模型架构的突破。但这场圆桌最重要的启示是,当前的难题已经不在“数据量不足”,谁能更高效地生产智能,才是行业的关注点。


数据飞轮真正的护城河,是系统能否从噪声中筛出真正改变行为的经验,以及新的能力返回现场后带来新的使用与收入。


当模型升级不再需要每个场景从头再来,数据飞轮才算真正开始转动。那时的竞争,应当是智能进化效率的竞争。关于这个,我们很期待。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 消息称三星电子计划在 CES 2027 发布 2 款人形机器人

    IT之家 11 月 18 日消息,韩媒《韩民族日报》当地时间昨日报道称,三星电子计划在明年 1 月举行的 CES 2027 消费电子展上发布 2 款人形机器人。这两款产品的名称分别为 HR (Human Reference) 和 HE (Humanoid Extreme),分别为入门和高端型号,其中 HE 具备更多的关

    来源 腾讯网
  2. APEC峰会上,雷军、王兴兴等企业家这样定义“会干活”的具身智能

    加入高工机器人专业行业群,加微信:13510670440,出示名片,仅限机器人及智能制造产业链相关企业。*本文共约 5539 字,阅读完成需 11 分钟。11月17日至18日,2026年APEC工商领导人峰会在深圳前海举行,来自21个APEC经济体和13个域外经济体的2000余位政商代表参会,涵盖115家世界500强企

    来源 腾讯网
  3. 人形机器人5项新标准落地:分级评价将替代翻跟头式演示

    11月16日,工业和信息化部官网公布2026年第30号公告(落款11月10日),批准《人工智能关键基础技术具身智能数据生成系统技术要求》等274项行业标准。公告附件里,5项人形机器人行业标准排在序号118至122。274项新标准中,电子行业92项、通信行业65项,两项合计占比近六成。本次落地的5项人形机器人标准均属于电

    来源 腾讯网
  4. 工信部发布5项人形机器人行业标准:智能化分级与训练场规范同步实施

    2026年11月16日,工业和信息化部发布2026年第30号公告,由工业和信息化部人形机器人与具身智能标准化技术委员会(MIIT/TC8)归口管理的5项人形机器人领域标准正式发布实施。本批标准覆盖人形机器人智能化能力评价、关键零部件及训练三大方向,为人形机器人研发、测试、应用提供了方向指导。 本批5项标准包括《人形机器

    来源 AI 行业观察
  5. 优必选的美女帅哥们,想进家门再等等

    作者 | 封华 编辑 | 魏晓2026年APEC上,参与专题研讨的具身智能领域代表人物,其一是宇树创始人兼CEO王兴兴,其二是优必选创始人、董事会主席兼CEO周剑。优必选的总部就位于深圳,作为专注于全尺寸人形机器人的上市公司,优必选是展示中国机器人产业水平的重要平台。周剑说道,人形机器人的产业规模化,“仍需打通研发、量

    来源 腾讯网
  6. Humyn Labs融资4700万美元,给美国机器人喂数据

    成立仅九个月的印度初创公司Humyn Labs完成4700万美元融资,专为机器人公司提供真实世界训练数据,约九成收入来自美国客户。在具身智能热潮下,物理世界数据的稀缺正催生一条全新的「卖水人」赛道,而这家公司要在Mecka AI、XDOF等对手中抢占身位。

    来源 AI 科技快讯
  7. 机器人上菜发现是肉该不该端?港科大等提出CarryOn双循环架构

    设想一个场景。你坐在家里,跟机器人说了一句"帮我上菜"。没有说明是什么菜,没有说明你的饮食偏好,就这么简单一句话。机器人走到灶台边,掀开一个盖子,发现下面是一块肉。它会怎么做?如果这个机器人只是一个训练有素的"动作执行者",它大概率会直接把肉端给你,因为指令里就是"上菜",而盖子底下确实有菜。但如果你上个月...

    来源 腾讯网
  8. 中亚科技生态的另一面:从矿山工厂里的机器人数据开始

    「中亚科技观察」是动点科技与中亚科技媒体The Tech合作推出的内容栏目。这里,我们将持续关注当地的科技公司、创业投资与产业发展。提起中亚,外界更容易想到能源、矿产和地缘位置,而不是创业公司、孵化器和机器人。这个印象未必错,但正在变得不完整。今年早些时候,乌兹别克斯坦创业者创办的TwoLabs入选了创业加速器Y ..

    来源 腾讯网
  9. Artex走红:新手靠几句提示词就能发动网络攻击

    WIRED报道称,一款名为Artex的“即点即用”AI黑客工具正在犯罪分子中流行。它和同类渗透测试工具能自动扫描目标系统漏洞,并借助用户输入的提示词驱动聊天机器人完成攻击。这标志着网络攻击门槛正被生成式AI大幅拉低:无需深厚技术背景,新手也能快速搭建攻击链,攻防双方的力量对比与安全治理方式都将面临新的考验。

    来源 AI 科技快讯
  10. MIT“AI炒作指数”:AI像皮疹蔓延,人还能做主吗?

    MIT Technology Review发布“AI炒作指数”,指出人工智能已渗透日常生活每个角落:Google不惜损失数十亿美元广告收入强推AI Overviews,人形机器人开始被搬进家庭清洁场景,超市、街道、手机屏幕处处是AI。文章剖析这场全民AI热潮背后的商业逻辑、技术现实与泡沫隐忧,追问当AI像皮疹

    来源 AI 科技快讯
  11. 董明珠APEC现场找机器人合作:格力已研发十几年

    IT之家 11 月 18 日消息,据看看新闻报道,11 月 17 日,2026 年 APEC 工商领导人峰会举行,格力电器董事长董明珠在现场主动寻找机器人领域的合作机会。 董明珠表示,具身智能机器人需要减速机、驱动器、伺服电机等核心零部件,而格力已经研发机器人十几年,目前格力电器自动化生产线上的机器人全部由格力自主完成

    来源 AI 行业观察
  12. Genesis完成5亿美元A轮融资,机器人Eno计划2027年量产

    《科创板日报》11月18日讯 11月8日,通用机器人公司Genesis AI联合创始人兼CEO周衔宣布,公司已完成5亿美元A轮融资,投后估值达到35亿美元(约233亿元)。此时距离这家公司成立尚不足两年。Genesis AI成立于2024年12月,其总部位于巴黎,在伦敦与加州圣卡洛斯设有办公室。本轮融资由Premji

    来源 腾讯网
  13. 龙旗科技前三季度增收不增利:手机赚钱难,新业务“烧钱”

    龙旗科技业绩开始回暖,但盈利压力仍未消退。11月18日,消费电子ODM(原始设计制造)厂商龙旗科技(603341.SH)召开2026年第三季度业绩说明会,回应了利润下滑以及进军AI终端及机器人等问题。财报显示,今年前三季度,龙旗科技实现营业收入325.91亿元,同比增长4.02%;归母净利润4.24亿元,同比下降16.

    来源 腾讯网
  14. 三星、SK海力士、美光联手:芯片厂机器人充电标准要统一

    IT之家 11 月 18 日消息,据《首尔经济日报》本月报道,三星、SK 海力士、美光将罕见联手,为机器人充电树立统一标准。三星电子、SK 海力士和美光正在为半导体制造工厂中使用的机器人制定充电标准。该项目旨在统一电池规格和充电站操作方式,从而更便捷管理不同制造商的机器人。报道称,三家公司的员工已成立早期咨询机构,..

    来源 腾讯网
  15. 雷军王兴兴李彦宏APEC发声:机器人8小时、模型临界点、AI泡沫风险

    雷军披露,小米具身智能机器人已经能在工厂完成8小时工作;王兴兴认为,机器人模型泛化能力接近突破临界点;李彦宏则提醒,AI应用如果迟迟不能带来收入和利润增长,行业就可能面临泡沫风险。 11月17日,2026年亚太经合组织(APEC)工商领导人峰会在深圳前海国际会议中心开幕。雷军、王兴兴、李彦宏分别参与数字经济、人工智能创

    来源 AI 行业观察
  16. 一年卖了5000万,第一批明星AI产品还是下线了

    11月9日,腾讯元器停服。对一个做公众号的运营者来说,最直接的变化是,自己搭的自动回复机器人不回消息了。元器是腾讯2024年5月推出的零代码智能体平台,用户不用写代码,就能把公众号、知识库和插件拼成一个机器人。 更早之前的10月底,字节扣子发布《扣子企业版下线公告》:11月30日起,企业标准版、企业旗舰版暂停接受新客户

    来源 AI 行业观察
  17. 韩国娱乐公司计划推出机器人女团,“成员”或来自中国

    韩国娱乐科技企业Galaxy Corporation计划明年1月面向全球推出机器人女团,后续分别推出虚拟AI女团和真人女团。创始人兼CEO崔龙湖介绍,合作方包括宇树科技和巨星传奇,正探索中国公司出硬件、韩国方面出内容的发展模式。

    来源 凤凰科技
  18. 李想表态马赫M100将逐步开放外供,已有机器人企业问询,理想芯片业务寻找新市场

    11月17日,理想汽车董事长兼CEO(首席执行官)李想在社交平台发文表示,不少机器人企业询问马赫M100能否向其供货,理想将逐步开放这款自研芯片的外供。 这一表态,延续了理想芯片业务近期的商业化动作。10月,理想旗下芯片及域控制器业务主体上海马赫心科技有限公司签署首轮股权融资协议,认购总额16.25亿元,资金将用于支持

    来源 AI 行业观察
向下滚动自动加载更多