多模态智能体的新时代 - 实现智能体"看懂、想透、做好"需整合视觉、语言推理与物理执行能力，是多模态过程的核心挑战 [2] - 视觉理解因输入维度高（如连续视频流）、三维结构建模复杂且需结合交互知识，成为技术突破难点 [3] - 生成模型依赖理解模型评估质量，理解与生成深度耦合，强化学习中的reward model本质是理解能力体现 [4] - 空间智能对机器人操作至关重要，当前VLA模型因缺乏物体精确定位，操作成功率远未达实用水平 [5] - 视觉领域三维表示方法未统一，斯坦福主张采用三维内部表示以提升模型预测能力 [7] 技术落地路径 - 制造业"AI+机器人"落地需平衡通用性与精准度，汽车生产线上下料等半结构化场景是可行突破口 [7] - 危险操作场景优先落地，通过遥操作结合智能逐步迭代，家庭等开放环境需5年以上技术积累 [8] - 从结构化到半结构化场景过渡（如产线灵活操作）是机器人技术渐进式商业化关键路径 [8] 工业界研究策略 - 工业界研究需构建"研究价值-应用价值"坐标系，右上角（双高价值）为理想目标，避免纯论文导向 [11] - 目标检测等基础问题仍有突破空间，需坚持解决实际难题而非追逐热点 [12] - 产品与研究节奏差异显著，研究人员需开放探索空间，管理者应协调两种模式避免强制同步 [13] - OpenAI案例显示技术成熟后需转向工程化集中攻关，但研究支撑仍是底层基础 [14] 人才能力建设 - 计算机基础能力（如分布式系统、GPU架构）比大模型调参经验更关键，系统级优化能带来2-3倍效率提升 [16][17] - 年轻从业者应专注底层能力（代码、并行计算），避免成为"调参侠"，系统理解力是团队稀缺资源 [17][18] - 计算机专业仍具长期价值，AI冲击的是基础编码岗位，需通过AI协作提升编程深度与不可替代性 [19]