远程存在技术突破 - 越疆机器人展示"Atom"人形机器人通过VR远程操控实现跨地域精准操作 空间轨迹重合度超过99% 达到毫米级精度 [1][2] - 系统突破传统远程操控的误差累积问题 实现全身协调性 上下半身自然联动 可长时间执行煎牛排等复杂任务 [2] - 技术应用场景从家庭厨房延伸至医疗护理、高危作业、娱乐等领域 消除地理限制 [5][6][7] 人形机器人技术演进 - Atom具备媲美人类的行走、奔跑、平衡能力 可协同双臂完成抓握捏拧等精细操作 [4] - 系统通过高保真数据记录实现自我进化 有效数据率超过99% 真实场景操作数据成为AI训练核心资源 [3] - 远程存在技术与机器人本体技术深度融合 推动产品从实验室展示转向多场景实用化 [5] 行业应用前景 - 医疗领域可实现专家远程手术 机器人精准复现手法 解决医疗资源地域分配不均问题 [6] - 高危环境作业如核电站巡检、化工厂救援等场景 机器人可替代人类承受辐射毒气等风险 [6] - 娱乐行业将虚实融合 玩家可操控实体机器人参与实景竞技游戏 重塑沉浸式体验 [7] 技术社会价值 - 突破1800公里距离限制完成家庭场景服务 验证技术的情感连接价值 [1][8] - 推动护理、教育等服务行业变革 使专业技能突破物理空间传播 [5][8] - 技术商业化路径清晰 已具备从概念验证到规模落地的技术基础 [2][4][9]

今天是6月18日，京东"618购物节"也走过17个年头了。 我也在几个平台上买了很多东西，自己去感受618的氛围。 我有一个特别强烈而真实的感受：我们的国货真的、真的崛起了。 你可能也发现了，在一些平台销量榜单上，有很多我们熟知的国货品牌都冲到了品类的销量第一，超越很多年霸榜的国际品牌。 但是，为什么？为什么国货们这么厉害了？ 我和你分享一些我的思考和看法。 国货的来时路 说起"国货"，最早的浪潮要追溯到晚清。 鸦片战争后，中国门户大开，英美等国大量的商品在华倾销，迅速占据着国内的消费市场。 那时候国货有限，民生用品基本上都为外国货所垄断，洗脸盆被叫做洋盆，火柴被叫做洋火，布匹叫洋布，煤油灯叫洋油灯。 在这种背景下，民族企业岌岌可危。 于是，一些爱国企业家、进步学者、学生提出了抵制"洋货"、保护国货的口号。 1933年，还被确立为第一个"国货年"。 但由于政治、经济等各方面的原因，长时间以来，中国国货的发展都存在着严重的先天不足的情况。直到新中国改革开放以后，这种局面才有所改善。 改革开放后，中国经济活力得到了释放，国货品牌发展进入了黄金时期。从1980年到2000年，是国货快消品牌最高光的20年。 这段时期 ...

机器之心报道 编辑：Panda 近段时间，关于 AI 自我演进/进化这一话题的研究和讨论开始变得愈渐密集。 本月初我们就曾梳理报道了一些，包括 Sakana AI 与不列颠哥伦比亚大学等机构合作的「达尔文-哥德尔机（DGM）」、CMU 的「自我奖励训练（SRT）」、上海 交通大学等机构提出的多模态大模型的持续自我改进框架「MM-UPT」、香港中文大学联合 vivo 等机构的自改进框架「UI-Genie」，参阅文章《 LSTM 之父 22 年 前构想将成真？一周内 AI「自我进化」论文集中发布，新趋势涌现？ 》 那之后，相关研究依然还在不断涌现，以下拼图展示了一些例子： 而前些天，OpenAI CEO、著名 大 v 山姆・奥特曼在其博客《 温和的奇点（The Gentle Singularity） 》中更是畅想了一个 AI/智能机器人实现自我改进后的未 来。他写道：「我们必须以传统的方式制造出第一批百万数量级的人形机器人，但之后它们能够操作整个供应链来制造更多机器人，而这些机器人又可以建造更 多的芯片制造设施、数据中心等等。」 不久之后，就有 用户 @VraserX 爆料称有 OpenAI 内部人士表示，该公司 ...

智能体技术日益发展，但现有的许多通用智能体仍然高度依赖于人工预定义好的工具库和工作流，这极大限制了其创造力、可扩展性与泛化能力。 近期，普林斯顿大学 AI Lab 推出了 Alita ——一个秉持「 极简即是极致复杂 」哲学的通用智能体，通过「 最小化预定义 」与「 最大化自我进化 」的设 计范式，让智能体可以自主思考、搜索和创造其所需要的 MCP 工具。 Alita 目前已在 GAIA validation 基准测试中取得 75.15% pass@1 和 87.27% pass@3 的成绩，一举超越 OpenAI Deep Research 和 Manus 等知名智 能体，成为通用智能体新标杆。Alita 在 GAIA test 上也达到了 72.43% pass@1 的成绩。 极简架构设计，最大自我进化 「让智能体自主创造 MCP 工具而不靠人工预设」，是 Alita 的核心设计理念。 现有的主流智能体系统通常依赖大量人工预定义的工具和复杂的工作流，这种方法有三个关键缺陷： 覆盖范围有限 ： 通用智能体面临的现实任务种类繁多，预先定义好所有可能需要的工具既不可行亦不现实。而且预定义工具很容易过拟合 GAI ...

机器之心报道 编辑：张倩、+0 让 AI 实现自我进化是人类一直以来的梦想。 早在 2003 年，AI 先驱、LSTM 之父 Jürgen Schmidhuber 就提出过一种名为「哥德尔机（Gödel Machine）」的构想——它使用一种递归的自我改进 协议，如果能够证明新代码的策略较佳，就会重写自己的代码。但这终究只是一个假想。 近年来，关于模型自我学习、进化的研究逐渐多了起来，很多研究者的目标在逐渐从单纯的「训练模型」向「让模型学会自我学习和自我进化」转变，谷歌 最近发布的 AlphaEvolve 就是其中的重要代表。 人工智能研究的一个长期目标是创造能够持续学习的 AI 系统。实现这一目标的一条诱人路径是让 AI 通过重写自身代码（包括负责学习的代码）来实现自我 改进。这一由 Jürgen Schmidhuber 数十年前提出的构想被称为「哥德尔机」，是一种假想中的自我改进型 AI。当它在数学上证明存在更优策略时，它会 通过递归地重写自身代码来优化问题解决方案，因此成为元学习（即「学会学习」）领域的核心概念。 Sakana AI 与不列颠哥伦比亚大学等机构合作的「达尔文哥德尔机（DGM）」 ：DGM ...