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

资讯 腾讯网 作者:科技行者 全文 6695 字 · 约 17 分钟读完 分类机器人

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...

所属频道 机器人与具身智能

设想一下:你坐在家里,对机器人只说了一句"帮我上菜"。没讲是什么菜,也没提自己的饮食偏好,就这么一句话。

机器人走到灶台边,掀开盖子,底下是一块肉。接下来它会怎么处理?

假如这台机器人只是个训练有素的"动作执行者",它多半会把肉直接端过来——指令是"上菜",盖子下面也确实有菜。可要是你上个月刚告诉过它你吃素,它该做的则是拒绝端这盘菜,还得把"锅里是胡萝卜"那条过时的记忆改成"锅里是肉"。

这里藏着一个常被忽略的问题。如今能干活的机器人越来越聪明,搬东西、叠衣服都不在话下,底下那个负责"看懂指令、做出动作"的AI模型已经能完成不少任务。这个模型叫VLA,全称视觉-语言-动作模型,说白了就是能看懂画面、听懂人话、再指挥机械臂动起来的大脑。

但手聪明,不代表判断力聪明。机器人可能很擅长"抓取物体""绕开障碍",却压根不知道你今天心情不好不想吃辣,也不知道你上周说过自己对海鲜过敏。更麻烦的是:就算它知道你的偏好,执行时手一抖把东西掉了,接下来怎么办?呆站在原地,还是乱抓一通、可能伤到周围的东西?

香港科技大学、香港中文大学联合

这篇论文最打动人的地方,是它没去卷模型本身有多智能,而是看到了一个更朴素的事实:机器人缺的不是更聪明的手,而是一个靠谱的"大脑外挂"——知道你是谁、记得你说过什么、出错时还能兜底的系统。

核心问题:聪明的手,糊涂的脑

在深入

VLA(Vision-Language-Action Model):一类能同时处理视觉画面、语言指令,并直接输出机械臂动作的AI模型,是目前机器人操作领域的主流技术路线。

研究团队做了一个很直接的压力测试。他们拿了一个号称经过"安全微调"的

要是换成没做安全微调的原始模型,这个数字更难看,达到71.1%。换句话说,哪怕你花大价钱做了安全训练,机器人在真实环境里仍有超过一半的概率撞上不该碰的东西。这不能怪模型不努力,问题在于VLA这类端到端模型天生缺少对物理约束的显式理解——它学的是"看到这个场景该怎么动",而不是"这个动作会不会撞到旁边那个花瓶"。

另一个测试更扎心。研究团队在仿真环境

这反映出一个很现实的问题:这些VLA模型在"标准剧本"里演得挺好,可现实世界只要加一点点意外,它就彻底懵了。它不知道"计划之外"的情况该怎么应对,因为从来没人教过它"失败之后怎么办"。

研究团队想解决的就是两件事。其一,机器人得知道"为谁服务、服务什么",这要靠记忆和个性化的判断力。其二,机器人得在物理世界里"靠谱地执行",这需要主动防护,以及失败后的自我修复能力。

双循环架构:给机器人装一个"管家"和一个"保镖"

CarryOn的核心设计思路,是在冻结不动的VLA模型外面,套上两个循环系统。

一个叫

这个架构的巧妙之处在于,完全不用改动底层VLA模型的参数。VLA还是那个只会"看图做动作"的工具,只不过外面包了一层负责思考和纠错的系统。

打个比方:你雇了一个身手很好但有点一根筋的保安,他力气大、反应快,各种体力活都能干,可你不能指望他自己判断"这个访客该不该放进来"。于是你给他配了两个搭档——一个管家负责告诉他"今天谁要来、这人有什么特殊要求",一个安全顾问实时盯着他的动作,一旦发现要撞到人就立刻拦住,撞完了还得帮他把局面收拾好,再让他继续干活。保安本身一点没变,但整个团队的表现会完全不一样。

缺了这两个搭档呢?保安照样能干,只不过每条指令都会被机械照办:你上回说过不吃辣,他记不住,撞了东西也不会想着补救,只会一路硬撑下去,再不然就彻底僵在那儿。

规划循环

规划循环要解决的核心问题是:机器人怎么在不被反复告知的前提下,记住关于你的事,同时记住环境里发生了什么变化。

这里引入了两种记忆。一种叫

用户记忆

场景记忆

光有记忆还不够,真正的难点在于"什么时候该相信记忆,什么时候该相信眼前看到的"。

研究团队为此设计了一套规则。对用户记忆,系统会区分"这是一次性的要求"还是"这是长期偏好"。比如用户说"今天不想吃肉",这是临时的,不会写入长期记忆;但用户如果说"我从今以后不吃肉了",那就是持久偏好,会被记下来。系统靠一个叫做"

对场景记忆,规则更直接:一旦机器人实际观察到的东西和记忆里记录的对不上,比如记忆说盖子底下是胡萝卜,掀开一看却是肉,系统就必须在下一次规划里强制写入一条更新记录,否则这个计划会被验证器打回去重新生成。这样一来,机器人就不会一直活在过时的认知里。

个性化服务能不能持续下去,靠的就是这套记忆设计。没有它,每轮对话都从零开始,用户得反复交代自己的要求,机器人也无从判断上一回观察到的情况眼下还成不成立。

研究团队用真实机器人跑了一系列实验。做三明治的测试里,系统先被告知用户的饮食偏好,之后偏好又被改掉,它得跟着做出正确反应。结果是偏好更新后,系统仍能以83.3%(20/24)的准确率调对三明治配料,比如从素食版本换成含肉版本。另一项测试是“根据活动打包行李”,系统要把用户居住地的天气(联网查询得来)、活动安排(跑步、健身、逛公园)和个人习惯捏到一起,决定带伞还是带帽子,准确率达到100%(16/16),说明多个信息源能被它融合起来做出合理判断。

还有个测试叫“记忆修正”,挺有意思。团队故意把记忆里记的物品位置调包,看机器人能不能靠新观察发现矛盾、改掉记忆,并在后续请求里用上修正后的信息。文字查询下记忆修正成功率为76/88,图片查询下是77/88;后续依据修正记忆做出正确判断的比例分别为83/88和85/88。这套记忆系统并非一次写入就永久生效的黑盒子,新证据来了,它会不断自我纠错。

执行循环

规划循环管的是“该做什么”,执行循环管的是“做的时候和做完之后怎么办”。

执行这块拆成两个子系统。先看防护盾:VLA每生成一串动作指令,它都不直接放行,而是先在“脑子里”把这些动作模拟一遍,算出机械臂和所抓物体会移动到哪里,再看这条预测轨迹会不会撞上不该碰的东西。

这里有个细节值得琢磨。场景里的东西不会被一律当成障碍物——抓取和放置本来就要接触目标物体和目的地,全算障碍的话机器人就没法干活了。系统因此先用一个视觉模型认出“哪些是允许接触的目标物、支撑面和目的地”,剩下的才归入障碍物。

这有点像开车用的自适应巡航。它不会把前方所有车辆都当作要紧急刹车的威胁,而是持续算“按现在的车速和前车距离,还有多久会追尾”,真正逼近危险阈值才介入。要是看到前面有车就一律急刹,车根本没法正常开。防护盾同理,机械臂靠近并接触目标物体是允许的,它只拦截那些会撞到“不该碰”区域的动作。

拦截机制具体是这样:系统计算接下来几步动作执行后,机械臂(或手里抓着的物体)与障碍物之间的最小距离。某一步这个距离掉到阈值以下,就只放行危险点之前的动作,后面全部砍掉;如果一上来就危险,系统直接让机械臂先往上往后撤,重新评估周围环境再决定下一步。

这套防护盾在更难得的地方在于,换不同的VLA模型骨架它照样有效,研究团队还测试了

再说被动恢复,管的是“已经发生的失败”,比如抓着的物体掉了,或者被外部干扰碰掉了。

系统的核心组件叫

恢复技能库

基础版恢复技能走四步:观察、重新定位、验证、继续。先把机械臂挪到观察位置重新找到目标物体,生成抓取候选方案并执行抓取,抬起来检查抓没抓稳(看夹爪开合宽度),稳了就带到目的地附近再确认一次还抓着,确认无误后让VLA从这个位置接着做原本的任务。

流程听着简单,解决的问题却不小。没有这套恢复机制,物体一掉,机器人要么彻底卡死,要么继续做错误的后续动作(比如对着空夹爪做“放置”)。有了它,至少有机会把局面拉回正轨。

不过基础版恢复技能的成功率不算高。仿真测试里面对12厘米位移的干扰,只用基础恢复技能,成功率是29%(58/200)。光有“兜底方案”还不够,兜底方案本身也得不断优化。

反思式迭代:让失败经验变成更聪明的补救策略

这是整篇论文里设计得最精巧的部分。团队没有停在“有一个恢复技能就够了”,而是引入了一套离线反思(Offline Reflection):在两轮正式评测之间,系统回顾本轮没能成功恢复的失败案例,分析原因并提出改进方案。这个过程不用实时在线跑,所以叫“离线”。

系统维护两种“记忆”,一种叫每一轮评测结束后,反思模块最多挑三个失败案例,结合失败时的画面和抓取阶段的测量数据,分析问题出在哪,再提出修改建议。建议要过一道审核(格式不对或数值超出合理范围的会被拒),通过审核的修改被整合进下一个版本的恢复技能,存进技能库供后续调用。

这套机制最打动人的地方在于,它把“试错”变得结构化、可追溯、可积累,而不是每次失败都从零开始猜。

团队给了一个很具体的案例,是一瓶烧烤酱的恢复失败分析。第一轮用空白记忆测试,20次里只成功3次,原因是抓取高度定在66.0毫米,机械臂下降时卡在109到113毫米的位置,根本够不到。反思模块看了失败画面后发现,算法选中那个区域画面里显示的其实是番茄酱瓶子,不是目标的烧烤酱瓶子,于是建议启用视觉语言模型重新确认目标身份,同时把抓取高度调到110毫米。

第二轮测下来,17次里成功了3次(这里说的是本轮独立测试的失败数,累计成功率一直在往上走)。这回下降高度的事解决了,可新毛病又冒出来:东西抓起来之后,常常在往上提的过程中滑掉。反思模块这次的结论是目标身份识别没毛病,问题出在抓取高度还得再调,于是建议改成105毫米。

到第三轮,14次里成了11次。整个任务的累计完成率从3/20一路爬到了17/20。

这个案例让我想到学骑车的经历。头一回摔,是车把没扶稳;第二回摔,是刹车捏得太狠。每次摔跤教给你的东西都不一样。要是没人帮你复盘到底哪一步出了岔子,你可能就一直在原地重复同一种错。CarryOn的反思机制,本质上就是替机器人干这件复盘的事,只不过复盘的对象换成了抓取高度这类具体的控制参数。

放到更大规模的仿真测试里,这套迭代机制同样管用。200个LIBERO任务、叠加12厘米位移干扰,只用基础恢复技能时累计成功率是29.0%;反思改进一轮,跳到70.5%;再反思一轮,达到80.0%。

有个对比值得单拎出来说。研究团队另外测了两个基线方法。其中一个叫Harness VLA,思路一样是给冻结的VLA套一层管理层,但没配这套反思迭代,累计成功率50.5%——比CarryOn没反思的29%高,可跟CarryOn反思两轮后的80%比,差得远。

算力账更关键。CarryOn做两轮反思一共花掉41109个API token,Harness VLA那边消耗了3829605个,差了近百倍。也就是说,CarryOn的效果不是靠堆算力硬砸出来的,是靠结构化的反思让每次试错都更值钱。

还有一个基准专门测“自然失败状态恢复”,结果同样在这一块给出。

真实机器人上的综合验证

仿真能说明方法有效,但真机上的表现才算最终考验。

研究团队在真实机械臂上做了测试

结果是这样的:胡萝卜那一轮,机器人照着场景记忆掀开锅盖,开始搬运时防护盾顺利绕开了电饭煲这个障碍。实验人员故意把胡萝卜从机械臂上打掉,模拟抓取失败,判官检测到失败后触发恢复流程,重新把胡萝卜抓起来,再把控制权交回VLA,完成最后的放置。

换成肉的那一轮,机器人掀开锅盖发现实际情况跟记忆里记的胡萝卜对不上,马上用新观察更新了场景记忆,随后依据用户的素食偏好,直接把这个端菜的请求拒了。

这组对照把CarryOn的价值摆得很清楚。同样是“任务中断”,胡萝卜掉了属于任务本身没问题、执行出了意外,系统的反应是修好接着干;锅里是肉则属于任务本身就不该做,系统的反应是停下来拒绝。机器人要是分不清这两种,结果只会两头糟:合理的中断被它当成任务失败直接放弃,本可以修的小意外就白扔了;不合理的任务它又硬着头皮做完,不该干的事也干了。

能把“物理层面的失败”和“决策层面的不合理”分开,正是CarryOn这套双循环架构想解决的核心矛盾。

论文里另外两组真机测试也值得一说。一组是“隐藏食材检索”:让机器人在一堆带盖容器里找出指定食材,看场景记忆能不能有效指导搜索、少走弯路。先写入记忆再检索的条件下,准确率100%(12/12);完全没有记忆、靠一个个开盖摸索时,准确率是80%(8/10)。

另一组测的是

这个结果让我想到一个挺朴素的生活经验。新人刚搬进公司,每回找会议室都得四处问人;干了三年的老员工,听见“去B座三楼”几个字抬脚就走。记忆带来的不只是少犯错,还有少费劲。

写在后面

整篇论文读下来,最打动我的不是哪个具体的技术细节,而是研究团队挑的这个切入角度。

这几年机器人操作领域的竞赛,多数团队都在卷VLA模型本身能不能更聪明、训练数据能不能更大、动作预测能不能更准。CarryOn走的是另一条路:VLA先别动,给它配一套“管理系统”就够了。

这个思路的价值不在技术多前沿,而在于它认了一个现实:端到端的大模型再聪明,也很难同时扛住“长期记忆的个性化判断”和“短期执行的实时纠错”这两种完全不同的能力需求。前者要的是跨时间、跨对话的信息整合,后者要的是毫秒级的物理反应速度。硬塞进同一个模型里训练,大概率互相打架。拆成外挂的两个循环,反倒让每一部分都能做得更专精。

论文里有个数据我反复看了好几遍:安全微调过的VLA模型,违规率依然高达52.6%。这个数字打破了我原本的预设——我以为“安全微调”这种针对性训练差不多能把问题解决掉,结果发现哪怕专门训练过,端到端模型还是很难把“物理世界的硬约束”内化成稳定的行为习惯。这也从侧面说明,单纯堆训练数据未必是解决机器人安全问题的最优路径,显式的几何约束检查,比如CarryOn的防护盾,依然有它替代不了的价值。

那个烧烤酱瓶子的反思案例,我同样觉得挺有嚼头。它亮出来的并非什么大突破,而是一套挺朴素的工程思路:让系统讲清自己为何出错,比指望它从不出错更现实,也更长久。

论文也留了些没展开的问题。比如恢复技能的经验能不能跨任务迁移——今天学会“抓取烧烤酱瓶子”,明天能不能帮上“抓取洗发水瓶子”的忙?论文里说这是未来要探索的方向,目前还没有答案。再一个是主动防护和任务完成度之间怎么平衡:防护盾拦得太保守,机器人可能什么都不敢干;拦得太宽松,安全性又打折扣。这个度目前看还是靠经验设定的阈值,不是理论上的最优解。

如果有一天你家里真有个会做饭、会端菜的机器人,让你放心的多半不是它那双更聪明的“手”,而是它记得你上次说过不吃辣,也记得东西掉了该怎么捡起来再端给你。

Q&A

CarryOn究竟是什么?这套机器人辅助系统由香港科技大学、香港中文大学和SmartMore联合研发。它并不改动已经训练好的VLA模型本身,而是在外面套上一层双循环管理架构,任务判断交由它做个性化处理,物理执行的安全也归它管。机器人因此既能记住用户偏好,又能在出错后自我修复。

安全性上能提升多少?在LIBERO-Safety基准测试中,一个经过安全微调的VLA模型原本违规率是52.6%,加上CarryOn的

抓取失败之后,CarryOn怎么帮机器人恢复?它会先让VLA暂停,调用恢复技能重新定位并抓取物体,确认抓稳了再让VLA接着完成任务。基础版成功率约29%,经过两轮基于失败案例的反思迭代后,成功率能提升到80%。

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. 雷军:AI+手机与具身智能机器人空间大,三四年内或迎颠覆时刻

    IT之家 11 月 18 日消息,小米创办人、董事长兼 CEO 雷军 11 月 17 日出席 APEC 工商领导人峰会。今日(11 月 18 日),雷军接受了人民日报采访。谈及人工智能,雷军坦言,人工智能浪潮席卷各行各业,作为 AI 从业者能感受到一些焦虑。雷军认为,“AI+ 手机”“AI+ 具身智能机器人”等领域有很

    来源 腾讯网
  3. 英伟达安抚机器人被投企业:物理AI投入不减,业务照常

    IT之家 11 月 18 日消息,科技媒体 Business Insider 今天(11 月 18 日)发布博文,报道称在黄仁勋突发离职后,英伟达及其风险投资部门 NVentures 已联系至少 3 家其投资的机器人初创公司,明确表示业务将“照常进行”,以稳定市场对其机器人投资战略的担忧。这一动作发生在临时 CEO 科

    来源 腾讯网
  4. 英伟达安抚机器人初创:黄仁勋离任后投资照常,已投超35家

    IT之家 11 月 18 日消息,科技媒体 Business Insider 今天(11 月 18 日)发布博文,报道称在黄仁勋突发离职后,英伟达及其风险投资部门 NVentures 已联系至少 3 家其投资的机器人初创公司,明确表示业务将“照常进行”,以稳定市场对其机器人投资战略的担忧。 这一动作发生在临时 CEO

    来源 AI 行业观察
  5. 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
  6. 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
  7. 深圳APEC机器人刷屏海外:机器人跳舞、做咖啡、送冰淇淋

    【环球时报特约记者 王策】机器人集体热舞、机器人咖啡师现场“营业”、机器人配送冰淇淋、无人驾驶汽车穿梭街头……亚太经合组织(APEC)第三十三次领导人非正式会议在深圳举办期间,这座中国科技创新之城的“未来感”正成为海外媒体和社交平台热议的话题。11月17日,深圳,中国首个具身智能机器人示范街区上演一场大型机...

    来源 腾讯网
  8. 深度|红杉美国对话华人机器人数据公司Mecka AI:没有互联网红利,如何教机器人理解物理世界?

    图片来源:Sequoia CapitalZ Highlights机器人领域的根本问题是,我们没有大语言模型从互联网得到的那种冷启动红利。从根本上说,大量机器人数据是三类东西:像素、动作和逻辑。第一人称数据,基本就是人类以第一人称视角演示、执行任务的视频数据。机器人以第一人称视角体验世界,那我们能不能也向它展示,从第一人

    来源 腾讯网
  9. 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
  10. 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
  11. 智元机器人便利店试岗:6台淘汰2台,暴露了哪些问题

    人形机器人,天生劳碌命? 人形机器人打工,竟然也会被辞退。 不久前,智元机器人在一家便利店试岗直播时,就出现了六名选手淘汰两名的事儿,以为是HE结局的观众,亲眼见证了BE时刻。 另一边,银河通用、宇树科技等具身智能厂商,也在把自家产品送入便利店深造,让机器人替代便利店店员的工作。 具身智能厂商们,纷纷让机器人去便利店工

    来源 AI 行业观察
  12. 欧洲机器人行业规模最大融资之一:Genesis AI 完成 5 亿美元 A 轮融资,估值 35 亿美元

    IT之家 11 月 18 日消息,据路透社报道,法国通用机器人公司 Genesis AI 现已完成 5 亿美元(IT之家注:现汇率约合 33.4 亿元人民币)A 轮融资,估值达 35 亿美元(现汇率约合 233.8 亿元人民币)。这是欧洲机器人行业规模最大的融资项目之一。 据报道,参与融资的机构和个人有谷歌前 CEO

    来源 AI 行业观察
  13. 突破“莫拉维克悖论”,常州机器人加速进厂打工

    让计算机在智力测验或下棋时表现出成人水平,是相对容易的;但在感知和行动方面,让电脑表现出一岁孩子的技能,却是很难,甚至不可能的。这就是大名鼎鼎的“莫拉维克悖论”。它也折射了人工智能大潮在进入物理世界这扇门后,即将面临的种种挑战和问题。如今,具身智能日渐介入人们生活,工厂成为其突围的主战场。不少人发现...

    来源 腾讯网
  14. 星舰“筷子”首次接住飞船:二级回收破冰,国内走到哪一步了?

    《科创板日报》11月18日讯(记者 李明明)火箭二级回收,正成为全球商业航天界面临的最新一道必答题。星舰第二级飞船结束约22.5小时的轨道飞行后返回地球,被发射塔机械臂捕获。这是人类航天史上第一次有轨道级飞行器从太空返回后被地面设施接住,也意味着火箭二级回收第一次有了成功案例。几日过去,这一接在国内外航天界...

    来源 腾讯网
  15. “在深圳,我穿越了?”

    “这是穿越到2050年了吗?”走进INNO100的展厅,扑面而来的是一种强烈的时空错觉:AI宠物静静蹲在展台前,能与人对话,做出拟人化的情绪反馈;一旁的体验区,戴上轻薄的AI智能眼镜,抬手就能完成画面拍摄与信息交互;不远处,多台3D打印机持续运转,参观者可以把自己设计的图案,几分钟内变成手中的小摆件。此外,无弦智能吉他

    来源 腾讯网
  16. 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
  17. 赛力斯科技之旅:从超级工厂到问界,完整技术链路如何跑通

    近日,赛力斯科技之旅媒体探访活动在重庆持续举行。探访团见证了赛力斯在智能制造、机器人、整车平台、超级增程等方面的核心技术,并深度试乘试驾问界系列车型。从工厂,到平台,再到整车——赛力斯用一条完整的技术链路,向外界展示了:一家技术科技型企业的内核,究竟是什么样。 领先智造筑牢品质根基 探访首站设在赛力斯超级工厂(龙兴)。

    来源 AI 行业观察
  18. 头部机构确实在撤,但具身智能的路还很宽

    最近的市场情绪有点低迷,尤其是大热一波的具身智能赛道,一些人会觉得“要降温”“凉了”。我们从数据来看下到底怎么回事—— IT桔子数据显示,2026年2月,红杉中国参与了6笔具身智能融资;到10月,这个数字降至1笔。高瓴创投也慢了下来:4月参与7笔,10月没有出现在融资名单中。 头部机构确实出手少了,人形机器人整机的融资

    来源 AI 行业观察
向下滚动自动加载更多