幂级智能封硕: 走下展示台,机器人还差几个9 ?| 星连被投动态

资讯 AI 行业观察 作者:星连资本 全文 7597 字 · 约 19 分钟读完 分类机器人

如果一个机器人端十次盘子,能成功九次,你会让它来家里帮忙吗? 听起来已经不错。但剩下那一次,可能是盘子摔了,也可能是热汤洒了。要是把任务换成组装一台仪器,甚至做一台手术,九成的把握就更不够了。90%只是1个9,往后还有99%、99.9%,一直到8个9——99.999999%。9越多,留给机器人犯错的余地就越小。 在清华

所属频道 机器人与具身智能

如果一个机器人端十次盘子,能成功九次,你会让它来家里帮忙吗?

听起来已经不错。但剩下那一次,可能是盘子摔了,也可能是热汤洒了。要是把任务换成组装一台仪器,甚至做一台手术,九成的把握就更不够了。90%只是1个9,往后还有99%、99.9%,一直到8个9——99.999999%。9越多,留给机器人犯错的余地就越小。

在清华大学自动化系副教授、幂级智能首席科学家封硕看来,物理AI真正要走的,就是这条不断增加“9”的长坡。

按他的判断,如今机器人的任务成功率连1个9都还没达到,而工厂生产大约需要4个9,进入家庭这类安全攸关的场景可能需要6个9,做手术则可能要8个9甚至更高。从1个9走向8个9,可能需要很长时间,但每往前一步,都可…打开一个此前进不去的商业场景。

这条路,这位91年出生的清华人已经走了十年。

2016年AlphaGo击败人类时,正在清华读博的封硕想到的是另一个问题:棋盘只是一种玩具,可以让模型无所顾忌地试错;真实的机器人却要面对昂贵的错误成本,任何一次失败都可能导致巨大的损失。机器人要走进千家万户,首先得接近“万无一失”。此后他一直在做这件事情:先是让无人车迈向超越人类驾驶员的水平,再让无人机、无人船、机器狗都学会克服边缘场景,不断逼近更多的“9”。

走着走着,他发现了一个所有人都绕不开的难题,并把它写成论文,登上了2023年《Nature》封面。他给这个难题起名“稀疏度灾难”:真正有价值的数据太少,又零零散散地藏在海量数据里,AI很难学到。自动驾驶总被罕见路况难住,机器人做任务的成功率至今不到90%,根子都在这里。他给出的解法叫“密集学习”——把有用的数据“浓缩”出来再学。

2026年1月,封硕与师兄石梦凯创办幂级智能(DenseAI),把这套方法带向更大的战场。他的想法很朴素:最了解机器人的,就是它们自己,可以通过历史经验从海量数据中挑出对自己最有价值的一批。幂级智能要做的,是让机器人自我迭代。

01 做一个物理AI的大脑

2026年1月幂级智能注册,名称同音“密集智能”。创业的想法其实更早?

封硕:很早之前就有创业的想法,直到2025年才开始付诸行动,并找到师兄石梦凯共同创业。

为何选择这个时间点?

一是技术发展到了拐点——环境建模对物理AI确实至关重要;

二是需求强烈——具身智能发展两年,这一问题始终无人解决,许多头部公司也未能突破,模型的大脑层面没有重大进展,我们认为这是很好的契机;

三是研究范式发生了变化——智力须与数据、场景、资本更早结合。过去是实验室先做0到1,再到市场做1到10、10到100;AI时代不是这样,可能从0开始大家就要一起干,否则没有数据、没有算力、留不住人才。

用最简单的话来说,你们做的就是一个大脑,可以接到各种机器人身上?

封硕:对,我们是一个物理AI的大脑。

当前的世界模型研究中,约有一半人在做“下一帧视频生成”,你们做的是“下一状态的预测”,二者有什么区别?

封硕:我们做的必然是物理智能——视频生成仍停留在数字世界。世界模型的核心,是提供物理直觉。

比如我拿这个杯子,拿之前脑子里并没有清晰的画面,也没有牛顿定律式的精确计算,有的只是物理直觉——知道它大概会被拿起来,但起来的轨迹既算不出、也没有画面。为机器提供这种物理直觉,就是世界模型的核心目标。

很多人会觉得你们的数据缺少“动作”“力”这些标签,不担心吗?

封硕:大家要想,我们做的是物理直觉——人脑子里有力吗?没有。

物理上有两种预测:一种是看着现在的状态,预测接下来会怎样,这是运动学;另一种要先知道施加了什么动作、多大的力,再算接下来会怎样,这是动力学。我们认为世界模型做的是前者——物理直觉不是动力学,动力学是物理计算。牛顿之前,人正是凭直觉活在这个世界上的;即便如今学了牛顿定律,你拿杯子时会去算吗?不会。人不需要,机器也不一定需要。

那VLA还有必要吗?

封硕:VLA(视觉-语言-动作模型)只是一个过渡性产品——它是在视觉语言模型(VLM)上嫁接了一个动作输出,是拼接式的工作。未来机器人的大脑不太可能是这么简单的架构:其中当然包含语言能力,也必然包含世界模型与物理直觉,某些情形下还需要精确计算,以及记忆。世界模型提供的正是物理直觉,这是整套体系中非常重要的一部分。

您和石梦凯是怎么认识的?

封硕:本科就认识了。他比我高一届,09级自动化,河北省榜眼。我们都是清华双肩挑,都做学生工作——我是系学生会主席,他是系团委书记;后来我接任团委书记,他担任校科协主席。

十年前恰逢大众创业、万众创新,清华的创业热潮高涨,校科协正负责创新创业事务。我们虽未直接创业,但都深度参与其中,在各自心中埋下了一颗创业的种子。

现在公司30多人,清一色清华背景。另三位联创是我们邀请入伙的师弟,学生时代便相识,毕业后各自进入不同行业,此时相邀共同创业,确实志同道合。

为什么一定要创业,才能做您信赖的那条技术路线?

封硕:我们一定是一家技术驱动的公司,但不会只做一个Neo Lab式的纯研究室。物理AI的能力不是一蹴而就的,这是条长坡——能力从1个9(成功率90%)拉到8个9可能需要很长时间,但每解锁一个9,便可能解锁一个新的商业场景。正如大语言模型:能力每提升一步,突然就能写代码了,再提升一步,突然能做数学、做agent了。

我们下场的核心逻辑是:要在国家高度重视的赛道里,解决关键性的瓶颈问题。目标至少是与国际顶尖水平并跑,最好是领跑。我也希望借这个平台吸引志同道合的人、志同道合的资本,哪怕是志同道合的竞争对手,谁能把这面旗帜扛下来都好。

无论公司商业上取得什么成绩,我们这群清华人衡量这件事的重要尺度是:在物理AI的未来版图上留下自己的名字。功成不必在我,功成必定有我——这是我们团队的一份情怀和使命。

02 过去十年,每一步都在为世界模型做准备

您说世界模型要让机器“认识世界”。这个念头最早是什么时候有的?

封硕:2016年,我在清华读博。那一年我的研究方向从自动驾驶编队控制,转向了交通环境建模,直接原因是AlphaGo——AlphaGo对我们那代人的震撼不亚于ChatGPT。AI在围棋上超越人类,让我意识到AI时代真的来了:这么强的东西进入物理世界,会是多么强大?

所以我选了无人车作为载体,但不是研究车该怎么开,而是预测车上路之后,周围可能发生什么。

当时自动驾驶圈的人大多在做感知、预测、规划控制这些模块,相当于让车“认识自己”,把外部环境当作一个看不透的黑箱;我做的是让车“认识世界”,理解和预测它所处的环境——本质上就是今天说的世界模型。

当时这个方向冷门吗?

封硕:做的人极少。那时“世界模型”这个词还没出现,大家以为我们在做传统的交通仿真,其实完全不同。传统仿真粒度很粗,我们要把人的行为、车的行为,甚至泡沫飞来、轮胎掉落这样的意外都建模出来,否则车辆无法应对。

我们当时的结论是:自动驾驶迟迟无法实现,核心在于对世界的理解不够,corner case(罕见的极端情况)一出现就崩溃。如今自动驾驶也开始做世界模型了——车的大脑里没有对世界的认识,光改决策控制,做不到无人驾驶。

后来您去密歇根,做出了NADE(自然对抗驾驶环境)。这一步练的是什么?

封硕:NADE发表于2021年,是我们领域第一篇Nature子刊。其中的E指Environment,环境,也就是今天的世界模型。研究智能有一个经典框架:Agent与Environment交互——Agent是认识自己,Environment是认识世界。AlphaGo把Agent做到了极致,但棋盘是固定、封闭的;自动驾驶面对的是开放、随机的环境,所以把Environment做好格外重要。

N指Naturalistic,真实——构造的环境必须真实。但光真实还不够,还得有强度。可以理解为造了一个真实世界加一个“强化训练营”,智能体进去后周围全是教练,哪里不会就补哪里。同时有数学方法保证,在训练营里练出来的本事能校准回真实世界,不会练偏。

再往后,您提出了“稀疏度灾难”,登上了Nature封面。它该怎么理解?

封硕:工业界一直在讲corner case、长尾问题,但长尾到底是什么、难在哪里,始终没有清晰的界定。我们在2023年提出了“稀疏度灾难”(curse of rarity)这个科学问题,对标AI领域经典的“维度灾难”(curse of dimensionality)。

说白了,就是真正有价值的数据太少,又零零散散地藏在海量数据里,AI很难学到。AI在常见场景里表现很好,可情况稍微一变,就崩了。

这就像我找到了一个山谷,还做完了地质勘探,证明所有从草原过来的人都必须经过这里,并解释了它为什么这么难走。而密集学习,就是在这个山谷里架桥修路。我们的核心贡献就是加了dense(密集)这个词,公司叫DenseAI,中文名“幂级智能”,就是这么来的。

这个问题是怎么想通的?

封硕:最初看到的是现象——训练越往后,有用的数据越少,模型越难提升。我回头从头读深度学习的经典著作,发现从原理上看,深度学习建立在统计学之上,天然对稀少的高价值数据不友好,甚至会把它们当成噪声丢掉。在海量数据里,少数数据会被当作“离群值”,可它们恰恰可能最有价值。

论文被选为封面的消息,是我在国内出差途中收到的。那天五点多起床赶飞机,收到邮件非常高兴,迷迷糊糊还把行李箱弄丢了,后来联系机场才找回来。2016年AlphaGo登上Nature封面时,对我来说是完全遥不可及的存在。在整个物理AI领域,我们这篇可能是第一篇。

《Dense Reinforcement Learning for Safety Validation of Autonomous Vehicles》

稀疏度灾难和今天的机器人有什么关系?

封硕:衡量具身智能的核心指标是任务成功率,目前连一个9(90%)都没达到。真正落地需要几个9?工厂生产大约需要4个9(99.99%);服务老人、进入家庭这类安全攸关的场景,可能要6个9;机器人做手术,则可能要8个9、9个9。

从1个9到9个9,背后正是稀疏度灾难:成功率要求越高,能用的数据就越少、越稀疏,而且谁也不知道这些数据该长什么样。

就像一个学生已经考了94分,要冲100分该做哪些题?没人知道。给竞赛题、大学题未必有用,会做的题里也可能藏着薄弱知识点。现在才走到一个9,越往后,这个问题越关键。

那怎么把这些“该做的题”找出来?

封硕:最初是请专家写规则,判断什么情况可能危险;最新的研究已经完全不用人写规则,纯靠学习。

还是拿学生做题打比方。做题时大脑毫无波澜,说明题太简单;苦思冥想仍不得其解,说明题太难。只有让大脑处在“跳一跳够得着”状态的题才有价值。放到模型上也一样——算法就像大脑皮层,模型参数的变化就像脑电波。密集学习负责读出这个信号,判断高价值数据在哪里,再回到数据源头把它们挑出来。

您的方法砍掉了99%的数据,效果反而更好。为什么?

封硕:这在统计学上可以严格证明。让模型学那些无效数据,不仅没用,还会起反作用——就像做题,刷简单题顶多浪费时间,刷乱七八糟的题反而可能把自己带偏。

强化学习尤其如此。它会用过去学到的经验来指导当下的学习,这叫“自举”(bootstrapping),是TD learning的基本特性。过去学错了,现在只会错上加错——而过去的错误,大多来自噪声数据。

(TD learning,即“时序差分学习”,是强化学习中最常用的一类方法。它不等一件事彻底结束再总结经验,而是边走边学:用自己对“下一步”的估计,去修正对“这一步”的估计。好比开车回家,不必等到家才判断路线好坏,每过一个路口就根据剩余路程的估计调整一次预期。好处是学得快,代价是如果之前的估计本身有错,错误会被一路传递下去。)

所以数据筛选的理念就是less is more。最终,数据效率可以提升3到5个数量级,也就是一千倍到十万倍。论文中有一个强化学习案例:不做筛选,模型什么都学不会;做了筛选,就能学会。这已经不是快多少的问题,而是从不能到能。

自动驾驶之后,您又做了无人机、无人船、机器狗。为什么?

封硕:2023年之后接连拿了一些奖,最重要的意义是给了我们底气——不必急于短期内再出成果,可以沉下心来押注那些困难的、崭新的问题。

我想验证的是:海陆空天的无人系统,是不是都有这个问题?环境建模是不是都至关重要?我们构建的其实是这个世界的环境。无人车对应交通世界,机器狗对应地形世界,无人机对应空气的世界,船对应海洋的世界——这些都是一个个小世界。

结果是,我们确认了稀疏度灾难是一个普遍性问题;密集学习也从后训练拓展到了预训练。这两点,是我们今天做具身智能最重要的技术支撑。

03 物理智能的数据从哪里来

算力、算法、数据,做物理AI最缺哪一个?

封硕:算力依托摩尔定律指数增长,算法依靠人才,发展得都不错,唯独数据是瓶颈——没有能够规模化(scaling)的数据,一切都无从谈起。

AI科技评论:现在行业里很多公司在大量采集遥操作数据,你们怎么看?

封硕:我个人认为,遥操作(由人远程操控机器人完成动作,同时记录数据)、穿戴设备采集这类方式很难规模化:一是不真实,头盔、手套会引入偏差;二是成本高,需要专人配合;三是周期长,有新需求就得重新采。

它适合少量用在后训练——大脑总得适配具体的机器人身体,但不应拿来做预训练(即打基础的大规…学习)。

那什么样的数据,才能孕育物理智能?

封硕:大语言模型用的是互联网上的全部数据,AI在数字世界里学习,产生了数字智能。那么,什么样的数据才能产生物理智能?这是根本问题,解决不了,后面都是水中花、镜中月。

我们认为这类数据要满足三点:边际成本几乎为零,尽可能真实,能够快速规模化。那就是真实世界中已经存在的数据——全球超过10亿颗摄像头,以及各种智能设备记录下的、人在真实世界中的行动和操作。理论上,这些数据足以诞生物理AI,至少预训练阶段如此。

这些数据从哪来?会用安防数据吗?

封硕:我们要的不是安防数据,而是生产生活中为管理服务所产生的记录数据。比如超市的摄像头记录了上货、取货,餐厅的摄像头记录了服务员端盘子、后厨操作——这些原本用于人工管理,未来可以由AI代看,在管理过程中孕育新的智能。

也不是直接购买,而是商业合作、互利共赢。可以参考特斯拉:马斯克先卖车,没有智能的车仍然是一辆好电车,用户在使用中自动产生数据,数据学完再用回车上。而具身智能这条路走反了——先造机器人,没有智能的机器人卖不出去,便采集不到数据、训练不出模型,进而更卖不出去,形成死循环。

你们把这套思路叫“海水淡化”,怎么理解?

封硕:如果训练模型需要的是淡水,遥操作就像挖井——挖一口有一些水,但没法规模化,成本很高。而我们是海水淡化:海水已经存在,无穷无尽,但不能直接喝,越喝越渴——这正是稀疏度灾难。

为什么此前没人用这些数据?因为质量参差不齐,高价值数据分布得异常稀疏,直接处理行不通。人喝海水越喝越渴,先要知道原因:盐分会让细胞脱水;理解了机理,把盐去掉,剩下的就能喝了。密集学习就是那套“去盐”的方法,这正是我们过去多年所做的事。

为什么不用仿真数据?

封硕:仿真只能模拟人能精确计算的东西。想把真实世界的事情完全仿真出来,我认为是mission impossible。比如仿真这个杯子掉落,你很难精确定义推它那一下的力度和它的初始姿态,微小的差别在演化中会被不断放大。目前只在高度受限的情形下可行,比如两个刚体碰撞。

后记

封硕不是一个喜欢抒情的人。

他不怎么谈热爱、命运,更愿意谈问题、瓶颈、数据和验证。即使说到《Nature》封面,他的表达也很克制:高兴、惊喜,然后继续回到那篇论文真正解决的问题上。对他来说,荣誉不是叙事的高潮,只是继续往下走的底气。

这也是他身上有辨识度的地方——他习惯把抽象概念还原成一个可以被证明、被验证、被推进的问题。

“世界模型”在别处可能是一种想象,一种关于AI未来的宏大修辞;在他这里,必须被拆成更具体的东西:机器如何认识环境,如何从海量数据中找到高价值信息,如何在进入真实世界之前建立一点接近人的物理直觉。概念可以宏大,但方法不能悬空。

封硕甚至会对概念本身保持警惕。

比如,他不认为生成一段足够逼真的视频,就等于理解了世界;也不认为把视觉、语言和动作简单拼接起来,就是机器人未来的大脑。对行业里那些还没有被充分定义的词——世界模型、具身智能、物理AI,甚至大脑和小脑——他并不急着附和,而是不断追问:它们到底在解决什么问题?

一个技术路线究竟能不能成立,不能靠叙事说服人,最终要回到数据从哪里来、模型如何训练、能力怎样提升、效果能否复现。封硕给出的判断常常直接,甚至有些冷静:数据是一切的基础;遥操作难以支撑预训练;智能体要进入物理世界,首先要认识世界。

但冷静不等于无趣。

封硕解释复杂问题的方式其实很生活化。高价值数据的筛选,被他说成学生考了94分以后不知道该做哪些题;海量真实数据的利用,被他说成海水淡化;世界模型最终要提供的,不是精确计算,而是人伸手拿杯子之前那种“大概会怎样”的直觉。

这些比喻不是为了制造浪漫,而是为了校准理解。它们背后依然是同一件事:把复杂问题拆开,找到真正的困难所在,再建立一套方法去解决它。

访谈里最有人味的细节,也带着这种气质。得知论文被选为《Nature》封面时,封硕在赶早班飞机,因为高兴和迷糊,把行李箱弄丢了。这个故事没有被渲染成命运时刻,它更像一个提醒:再重要的成果,也发生在普通的一天里,落在一个要赶飞机、会丢行李的人身上。

封硕不是一个急于被看见的人。相比讲述个人,他更在意问题是否被准确说出;相比表达信念,他更在意路线是否经得起验证。创业以后,这种特质变得更明显。幂级智能不是一家靠愿景驱动叙事的公司的样子,而更像一个研究问题的延伸:从源头解决物理智能的数据问题,再一步步验证模型、世界模型和具身任务之间的关系。

封硕身上有一种少见的稳定感。不是对结果盲目乐观,而是对方法有把握,对困难有准备,也愿意接受时间给出的检验。

在这个行业普遍追求更快、更大、更热的时刻,这种稳定反而显得稀缺。真正的长期主义也许不是把未来讲得更动人,而是知道哪些瓶颈终将到来,然后提前站过去。

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. 星舰第15次试飞:B22与S42首演双回收未成,墨西哥湾落幕

    11月14日消息,美国中部时间2026年11月13日下午,SpaceX“星舰” 第15次试飞成功升空。此次任务使用超重型助推器 B22 号和飞船 S42 号,原计划首次实现助推器与飞船双双返回发射场并由发射塔机械臂实施空中捕获回收,同时部署 26 颗第三代星链卫星。但任务并未完全按计划推进。助推器未能按计划返回发射场,

    来源 TechWeb
  2. SpaceX星舰第15次试飞升空:飞船入轨,助推器未返场

    【TechWeb】11月14日消息,美国中部时间2026年11月13日下午,SpaceX“星舰”(Starship)第15次试飞成功升空。此次任务使用超重型助推器 B22 号和飞船 S42 号,原计划首次实现助推器与飞船双双返回发射场并由发射塔机械臂实施空中捕获回收,同时部署 26 颗第三代星链卫星。但任务并未完全按计

    来源 腾讯网
  3. 黄仁勋离任引不满:英伟达机器人工程师辞职

    【TechWeb】11月16日消息,英伟达机器人工程师Darrell Dai(戴达瑞)已通过个人X账号宣布辞职。他在帖子中解释,离职的核心原因是对公司前CEO黄仁勋(Jensen Huang)的离任方式感到失望,认为公司在此事上缺乏透明度和

    来源 TechWeb
  4. Beni跟拍机器人国内开卖4999元:大疆系团队打造,时速28.8km/h

    海外众筹打破机器人历史纪录的跟拍机器人,Beni,国内正式开售了。 官方定价标准版4999元,一部旗舰手机的价格。 能跑、能跳、能原地翻跟头,两只大眼睛忽闪忽闪的。 如果只是会做这些动作,它充其量也就是个昂贵的高级遥控大玩具。 最离谱的是—— 它能给你拍vlog。 跑步、滑板、带娃……管你在户外干啥,它就在后面贴地狂奔

    来源 AI 行业观察
  5. 小鹏IRON人形机器人明年二季度对外开售,何小鹏预告科技日亮相

    IT之家 11 月 16 日消息,据蓝鲸新闻报道,今日晚间在小鹏集团 2026 年 Q3 财报电话会上,其董事长、CEO 何小鹏预告,在接下来的小鹏科技日和广州车展,最新版本的小鹏 IRON 将会公开亮相,将展示一系列与众不同的能力。何小鹏透露,明年一季度,量产的首批机器人将进入小鹏的部分门店开启试用;明年二季度,小鹏

    来源 腾讯网
  6. 上纬新材14天市值涨529亿:启元机器人第10000台下线,2万元定价待考

    智元机器人入主一年后,上纬新材宣布第一万台机器人下线。这家昔日年净利仅几千万元的树脂材料公司,如今凭借“做机器人界的苹果”这一概念,市值一度逼近千亿元。但上纬新材与稚晖君必须回答下一个问题:起售价不足2万元的启元机器人,能否撑起高企的市值? 01 “万台”量产是一个重要分水岭 最近,转型做机器人的上纬新材彻底爆发了。

    来源 AI 行业观察
  7. 谷歌TPU四款齐发:整柜外售,推理每美元性能超GB200五成

    英伟达最近头疼的事儿可不止老黄那一件。 本周内,谷歌祭出了两款新TPU芯片,分别瞄准机密推理和长上下文。算上上半年发布的两款TPU芯片,第八代TPU已经扩到四种配置。 今年,谷歌第一次在同一年内推出四款TPU系统。而谷歌对TPU的野心,可能比外界想象得更大—— 还是今年,谷歌破天荒开始对外销售TPU系统。 量子位从谷歌

    来源 AI 行业观察
  8. 戴士钦离开英伟达:黄仁勋辞职令他格外失望

    IT之家 11 月 16 日消息,英伟达机器人学习工程师戴士钦(Darrell Dai)昨日发文,宣布将离开公司。戴士钦表示,他眼中的黄仁勋不只是英伟达 CEO,他钦佩黄仁勋投资那些一下子看不到明确前景的未来技术。在深度学习热潮到来之前,黄仁勋就已投入 CUDA,并在人工智能成为所有人关注焦点之前布局 AI 领域。这些

    来源 腾讯网
  9. 马斯克披露星舰V4细节:箭体约70米,发动机增至9台

    马斯克此次披露的核心信息包括:星舰V4箭体长度将增至约70米,推进剂装载量提升超过60%,发动机数量增至9台,并新增3台猛禽真空版发动机。尺寸上,V3星舰长度约为52米,V4增至约70米,增幅约40%;推进剂装载量提升超过60%,意味着单次飞行可携带更多推进剂进入轨道。此次披露发生在SpaceX近期一次星舰试飞之后,该

    来源 TechWeb
  10. 马斯克披露星舰V4方案:70米箭体、9台发动机,运力再升级?

    马斯克此次披露的核心信息包括:星舰V4箭体长度将增至约70米,推进剂装载量提升超过60%,发动机数量增至9台,并新增3台猛禽真空版发动机。尺寸上,V3星舰长度约为52米,V4增至约70米,增幅约40%;推进剂装载量提升超过60%,意味着单次飞行可携带更多推进剂进入轨道。此次披露发生在SpaceX近期一次星舰试飞之后,该

    来源 TechWeb
  11. 蚂蚁灵波挑战赛落幕:TARS战队真机评测82.5分夺冠

    11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛结果出炉。 来自福田实验室、西北工业大学、普渡机器人、天津大学的五位选手组成的“TARS”战队获得一等奖;华中科技大学、清华大学深圳研究院、湖北元一智能的三位选手组成的“EVA”战队,以及天津大学、北京大学、中国科学院自动化研究所三位选手组成的“SST

    来源 AI 开发者社区
  12. 睿尔曼郑随兵:机器人落地三标准是什么?

    11月16日消息,2026常州工业具身智能创新大会当日在武进举办,睿尔曼智能参展,现场展示工业场景机器人作业方案,并与本地自动化企业签署产线落地合作协议。 展会现场,睿尔曼依托GLN远程作业网络,两台RealBOT轮式人形机器人演示了产线柔性上下料、分拣作业流程,常州市相关领导巡展期间到展台参观,睿尔曼创始人兼CEO郑

    来源 AI 行业观察
  13. 星舰飞船首次被发射塔机械臂捕获,马斯克发文称“我拥抱了它”

    IT之家 11 月 15 日消息,当地时间 11 月 14 日,SpaceX 在星舰第 15 次试飞中首次用发射塔机械臂接住从轨道返回的第二级飞船,这是星舰飞船首次完成发射塔捕获。 随后,该公司创始人马斯克在社交平台连续发文并分享该飞船近距离照片,他写道:“多亏了 SpaceX 那群才华横溢的团队,这一伟大时刻终于到来

    来源 AI 行业观察
  14. 蚂蚁灵波首届具身大模型挑战赛收官:TARS战队82.5分夺冠

    11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛结果出炉。“TARS”战队获一等奖,成员来自福田实验室、西工大、普渡机器人、天津大学;“EVA”战队(华科、清华深研院、湖北元一智能)和“SST”战队(天大、北大、中科院自动化所)获二等奖;“Vida”“FDU_SONIC”“ai-robot”获三等奖。

    来源 AI 产业速递
  15. Foundation被曝欠薪,CEO借460万美元买房

    美国人形机器人公司Foundation Future Industries错过了10月30日的发薪日。 CNBC 11月14日援引知情人士报道称,截至报道时,相关工资仍未发放。 让部分员工更加不满的是,联合创始人兼CEO Sankaet Pathak曾向公司借款460万美元买房。据公开记录显示,他名下的一家公司于202

    来源 AI 行业观察
向下滚动自动加载更多