大赛概况 - "数龙杯"全球AI游戏及应用创新大赛由世纪华通发起，联合中国音数协游戏工委、浦东新区区委宣传部、上海市网络游戏行业协会等多方机构共同举办，旨在推动AI与游戏及应用领域的创新融合[1] - 大赛线下路演活动在上海举行，20余款AI作品团队参与展示，覆盖AI游戏和应用多个创新领域[2][3] - 评审团由行业协会领导、企业高管、投资机构代表及学术专家组成，包括世纪华通董事长王佶、光源资本高级总监黄欣欣、中国传媒大学游戏设计系主任张兆弓等[3] 参赛项目亮点 应用领域 - 海艺互娱展示SeaArt Film Video/Ultra2 Pro/Flow 2.0，一款支持多平台的AI艺术创作工具，专注于CG制作、人物设计和场景生成[4] - 极测信息推出AI游戏质量自主测试系统，利用多模态大模型实现游戏测试自动化和缺陷识别[4] 游戏领域 - 游戏场路演项目达13个，包括Ada Eden的《1001 Nights》、美酷瑞的《福尔摩斯:暗夜追踪者》和BC工作室的《诡秘推理》，均采用AI驱动剧情生成或NPC交互[6] - 创新方向包括：对话式AI驱动游戏叙事、经典文学与AI融合的推理玩法、AI生成NPC对话系统等[6] 评审与行业价值 - 评审维度聚焦技术创新性、商业落地潜力、用户体验优化和行业推动价值，专家重点关注AI内容生成效率、用户适配逻辑及技术 scalability[7] - 世纪华通董事长王佶强调大赛旨在搭建跨界交流平台，推动游戏行业与AI技术、资本的深度碰撞，部分项目已展现对产业逻辑的全方位革新潜力[8][9] 后续安排 - 大赛结果将于8月1日在2025ChinaJoy AIGC大会揭晓，并举办颁奖仪式[9]

公司发展历程 - 上线三周用户数突破1万 六个月达25万 [1][4] - 创立不到半年未融资即以8000万美元（约5.7亿人民币）被Wix收购 [1][6] - 8人团队分得2500万美元现金（约1.78亿元） [2] 商业模式与产品优势 - 提供全栈化低代码平台 集成数据库、身份认证、分析功能等 实现一站式开发 [11][12] - 通过自动化与云端服务降低人工成本 模型调用费用占总支出的89% [14][17] - 采用廉价AI模型（如AWS Bedrock、Google Vertex AI）并优化缓存策略以控制成本 [18][19] 运营策略与增长驱动 - 5月盈利达18.9万美元 远超预期的10万美元 [5] - 每日部署代码13次 每次仅需7分钟 实现高频迭代 [21] - 创始人强调先进模型减少错误率 降低客户流失并形成正反馈循环 [18] 收购背景与行业动态 - 收购方Wix为以色列上市软件公司 曾开发AI设计工具Wixel [6][10] - Wix选择Base44因其商业策略吸引力 优于其他候选公司 [10] - 创始人认为与Wix合作能突破自然增长瓶颈 [7] 创始人背景 - 31岁创始人Maor Shlomo曾创立数据分析公司Explorium 获1.25亿美元投资 [25] - 自学编程出身 主张"技术替代人力"理念 [26][16] - 入选2020年福布斯30位30岁以下精英榜单 [25]

黄仁勋的管理哲学 - 随身携带"秘密期权池"，随时奖励表现出色的员工，方式随性直接，无需冗长审批流程 [1][2][3][4] - 亲自审核全公司42000名员工的薪酬方案，强调增加薪酬支出以照顾好员工 [4][5] - 团队中亿万富翁数量比世界上任何CEO都多，反映对员工慷慨分享成功果实的态度 [6][7] AI人才争夺战 - 顶尖AI研究员身价飙升，如Meta开出4年10亿美元天价合同 [9] - 150名顶尖AI研究员加足够资金可创建类似OpenAI的公司，如DeepSeek、月之暗面等 [10][11] - 认为收购初创公司不如直接重金投入个人，提出"为什么不愿意直接付给一个人10亿美元"的思考 [8][12] 开源与AI模型发展 - 强调开源对初创公司生存的重要性，未来产业可能由需要开源模型的初创公司主导 [14] - 兴奋谈论DeepSeek R1等推理模型的意义，指出其能真正思考且能源高效 [14] GPU分配机制 - 芯片分配采用"先到先得"原则，需求方需提前下单 [15] - 提前一年向合作伙伴披露产品路线图，共同规划电力、数据中心空间等资源 [16][17] - 目前仍有5000亿美元Hopper芯片库存可供额外需求 [18] 芯片价值与迭代 - 每代产品性能提升带来客户收入提升，加快迭代速度以降低AI成本 [20][21] - Hopper芯片价值衰减缓慢：一年后保持80%，两年65%，三年50%，且性能通过优化可提升4倍 [22][23] AI对就业影响 - AI未导致裁员，反而100%软件工程师和芯片设计师使用AI辅助工作，推动更多创新 [24][25] - AI创造就业连锁反应：提升生产力→实现更多创新→生产客户购买产品→推动增长→创造岗位 [26] - 警告不使用AI者将落后，未来程序员必须借助AI工具 [29] AI技术普惠性 - AI是"最伟大技术均衡器"，使每个人都能成为程序员、艺术家、作家 [27][28] - 自然语言交互降低编程门槛，AI可帮助优化问题表述 [27] AI产业化趋势 - AI生产需要持续进行，未来生成tokens的产业规模将达数万亿美元/年 [31][32] - 预测所有能移动的东西都将自主化，每个工业公司需配备"AI工厂" [33][34][35] - 以特斯拉为例说明AI工厂必要性，未来空中交通等场景将由巨型AI主导 [34]

特斯拉餐厅开业 - 特斯拉在洛杉矶好莱坞开设首家餐厅Tesla Diner 主打汉堡、薯条等快餐 [9][11] - 餐厅配置包括两个13.7米大荧幕和80个汽车充电桩 结合餐饮与充电服务 [19] - 餐厅对公众开放 支持特斯拉车上点单 顾客反馈充电方便且节省等餐时间 [25][26] 擎天柱机器人表现 - 擎天柱在餐厅负责盛爆米花 每轮在岗6小时 但首日因WiFi连接问题出现故障 [28][29][33] - 马斯克计划2026年将擎天柱升级为送餐员 实现车边送餐服务 [41][42] - 当前擎天柱移动速度慢于人类 且项目负责人离职 发展面临挑战 [38][39] 行业竞争动态 - 工业巨头Hexagon推出Aeon人形机器人 由英伟达、微软等合作开发 定位工业领域应用 [46][47] - Aeon具备先进传感器和AI能力 可执行搬运、检测等任务 与擎天柱形成竞争 [47] 人才流动 - 原特斯拉AI负责人Karpathy曾从OpenAI被马斯克挖角 2022年离职后重返OpenAI [49][50][52] - 马斯克公开喊话希望Karpathy回归 显示对其能力的重视 [6][53]

不圆 发自 凹非寺 量子位 | 公众号 QbitAI AI+精神病学，这两个词居然能合并到一起，不是整活，不是用于人类治疗。 这不，Claude团队正式启动了一个" AI精神病学 "小组，年薪两百万元招人来专门研究AI的 精神状态 。 并且，只需要本科或同等经验…… 该小组的主要工作是，研究模型的角色、动机和情境意识，以及它们如何导致诡异、失控的行为。 网友评价：这份工作太酷了！简直就是梦想工作。 | hope hopes hoping � @hopes_revenge · 6h | | | | | --- | --- | --- | --- | | Such a cool job | | | | | 这份工作大酷了 | | | | | talal @xyTalal · 4h | | | | | Dream job :) | | | | | 梦想工作 :) | | | | | O | U | 01 | ılıl 234 | AI精神病团队招聘ing 点开招聘信息，我们先看一下比较关心的开薪。 年薪为31.5w-56w美元，折合人民币 220w+ ……多么直观的重视程度。 "AI精神病学"小组属于Anthrop ...

鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 果然，奥特曼自己画的饼，他自己hold不住的。 确实被马斯克说中了。 据悉，OpenAI正在寻求新一轮 400亿美元 融资，迫切需要资金支持其岌岌可危的 星际之门 项目。 星际之门就是年初OpenAI和软银牵头发起，要在全美建立多个数据中心，被称为 "史上最大的人工智能基础设施项目" 。 之前软银就已经领投了100亿，但现在奥特曼开始筹集剩下的300亿美金了。 原来啊，这几天星际之门第一批进展曝光了。并且宣布了和 甲骨文 新签署了一项数据中心服务协议，预计OpenAI要为星际之门项目额外增 加45亿瓦发电容量。 好巧不巧，这个合同也是 300亿美元 。 但细心的网友发现，星际之门的合作方，也就是"金主" 日本软银集团 怎么这次没参与了？ 细扒才发现，好家伙，原来他们俩闹矛盾了。 二者在项目选址和规模上起了冲突，人软银也是大手一挥，说OpenAI不重组，他们就削减投资。 所以现在的情况是，和资方闹掰了，但项目还得继续烧钱啊。 要知道OpenAI至今可都还没实现盈利，就这样奥特曼还大言不惭地说，要在星际之门原定的 5000亿美元 基础上，继续all in。 O ...

核心观点 - vivo开源自研蓝河操作系统内核，这是行业首个适用于嵌入式和移动设备的开源Rust内核，具备安全、轻量、通用三大优势 [1][3][9] - 蓝河内核采用Rust语言编写，从根本上解决了传统C语言在内存安全、维护成本上的长期难点 [2][16] - 公司通过开源蓝河内核和举办创新赛，推动Rust生态发展，助力国产操作系统自主创新 [4][45][46] 技术特性 安全性 - 传统C/C++系统中70%的严重安全漏洞源自内存使用不当，而Rust通过所有权和借用检查机制在编译期杜绝大部分内存错误 [14][16] - Rust运行时通过智能指针等机制确保安全高效的内存管理，避免缓冲区溢出、空指针和悬空引用等问题 [17] - 蓝河内核还采用权限控制、特权分离、模块隔离等安全设计策略，提供全面防护 [18] 轻量化 - 蓝河内核最小堆内存占用仅13KB，通过精简架构和减少依赖加快引导过程，实现"即开即用" [22][23][24] - Rust的零成本抽象特性帮助避免不必要内存开销，满足物联网等设备对低内存占用的需求 [22] 通用性 - 内核兼容ARM、RISC-V等多芯片架构，支持POSIX标准接口，便于开发者移植和重用现有代码 [26][28][31] - Rust编译器支持从嵌入式到高性能处理器的众多架构，内核代码极具可移植性 [30] 行业意义 - 国产操作系统长期依赖Linux内核，蓝河内核的突破意味着对底层系统架构话语权的重构 [42] - Rust已成为行业共识，谷歌Android、Linux社区、微软等均已引入Rust模块 [40][41] - 开源内核能吸引硬件厂商、开发者、高校共建生态，推动国产操作系统自主创新 [46] 公司战略 - vivo计划联合开放原子开源基金会和高校举办蓝河操作系统创新赛，提供Rust学习交流平台 [4][46] - 开源内核符合AI原生终端对实时性、安全性、高效资源调用的需求，为AI应用提供坚实底座 [47] - 公司在Rust语言研究、产品化落地和开源实践上已步入全球行业前列 [49]

为了解决上述问题，上海交通大学朱怡飞教授团队联合江行智能提出 调度框架LLMSched ，通过引入三类新节点来扩展传统任务表征方法实 现复合LLM应用任务的有效表征，借助贝叶斯网络识别可降低不确定性的关键节点，并以信息熵衡量节点的熵减程度。 目前论文已被IEEE ICDCS' 25接收。 实验结果显示，LLMSched结合探索-利用策略来平衡调度不确定性与当前调度收益，最终实现高效调度复合LLM应用，相较现有调度器平均 任务完成时间降低14~79%。 LLMSched团队 投稿 量子位 | 公众号 QbitAI 复合LLM应用 (compound LLM applications) 是一种结合大语言模型（LLM）与外部工具、API、或其他LLM的高效多阶段 工作流应用。 ⽬前，服务这些应⽤任务需要⾯对运⾏时⻓不确定、⼯作流结构不确定等问题，这对现有集群任务调度算法提出了极大挑战，并严重影响任务 运⾏效率。 复合LLM应用这两种不确定性极大限制了传统调度的性能表现。如下图实例所示，传统最短任务优先(Shortest Job First)调度因误判耗时导 致效率低下(任务平均完成时间6.5s)，而不确定性感知的调 ...

BeingBeyond团队 投稿 量子位 | 公众号 QbitAI 如何让机器人从 看懂世界 ，到 理解意图 ，再到 做出动作 ，是具身智能领域当下最受关注的技术重点。 但 真机数据的匮乏 ，正在使对应的视觉-语言-动作（VLA）模型面临发展瓶颈。 尽管业界已投入大量资源构建数据平台（如马斯克主导的"数据工厂"项目），现有真机数据规模仍较模型规模定律所需的 上亿级训练样本 相 差三个数量级。 △ Being-H0：基于人类视频手部数据的大规模预训练VLA模型 针对这一关键问题，北京大学&BeingBeyond卢宗青团队提出了创新性解决方案： 该研究团队 利用海量人类操作视频提取手部运动轨迹，构建了规模达亿级的训练数据集 。 其核心贡献在于提出了"物理指令微调"（physical instruction tuning）方法框架，实现了从人类手部运动到机器人动作空间的精确映射。 基于这一技术突破，团队成功训练出 首个基于人类视频手部数据的大规模预训练VLA模型——Being-H0 ，并完成了真实机器人平台的验证 实验。 这项研究发现： Being-H0：首个利用人类操作轨迹训练的大规模VLA模型 Being-H0 ...

CAFT团队 投稿 量子位 | 公众号 QbitAI 告别Next-token，现在模型微调阶段就能直接多token预测！ 从GPT到Claude，当前主流LLM都依赖 next-token prediction （下一token预测） 进行训练，但它却让AI很难真正理解跨越多token的完 整概念。 于是南洋理工大学最近提出了一项新技术—— 概念感知微调 （CAFT） ，首次实现将 multi-token prediction （多token预测） 引入微调 阶段，让模型能够像人类一样理解和学习完整概念。 原来LLM只能碎片化理解每个token，现在CAFT可以为模型添加额外的 辅助头 ，在主模型学习下一个词的同时，帮助学习后续token，并通 过 动态调整权重 ，确保模型始终优先优化主要任务的损失。 最终LLM可以兼顾多token概念学习，形成更为完整的认知，在推理和生成能力增强的同时，既不会影响模型本身，也不会额外增加多余成 本。 Next-token将会在预训练里的大规模语料上学习语言统计规律与通识知识，然后在微调中通过特定任务数据学习具体行为模式，决定模型实 际表现。 但无论是预训练还是微调，nex ...