具身智能技术进展 - 公司Physical Intelligence(π)由OpenAI和红杉资本领投，估值达20亿美元，已开源π0 VLM模型并展示机器人自动叠衣服案例[1] - 2023年发布π0模型展示复杂任务执行能力，2024年4月推出π0.5模型实现开放世界泛化能力，可在陌生家庭环境完成整理房间等任务[1][8][9] - 技术发展轨迹类似自动驾驶，预计将经历长期积累后突然实现突破性应用[14] 技术瓶颈与突破 - 当前主要瓶颈在于智能软件而非硬件，硬件早在十多年前就已"准备就绪"[17][19][20] - 三大技术难关：复杂任务能力(已突破)、环境泛化能力(已突破)、高可靠性性能(当前最大障碍)[6][8] - 模型在约100个多样化家庭环境训练后即可实现良好泛化，环境共性被低估[6][51] 技术实现路径 - 采用"大模型+大数据"模式，但需解决真实数据收集、硬件适配等复杂系统问题[23] - 创新性使用"知识绝缘"技术，将机器人动作标记化处理，训练速度提升10倍[44][45] - 利用图像修复技术解决推理延迟问题，实现动作预测与执行的同步[47] 行业认知与展望 - 通用机器人基础模型价值被严重低估，形态不重要而智能是关键[52][53] - 预计5年内实现家庭机器人普及，5-10年达到百万家庭应用规模[55] - 行业仍处早期阶段，开源策略有助于推动整体技术进步[60][61] 数据与评估挑战 - 机器人数据量巨大且持续增长，数据基础设施成为关键挑战[34][35] - 评估依赖真实世界测试，需大量重复运行和统计分析，操作繁重[40][41] - 采用新旧模型同步测试的相对评估方法，避免环境变量干扰[40]

小鹏G7与图灵AI芯片 - 小鹏G7搭载3颗自研图灵AI芯片，有效算力超2200Tops，超越行业主流方案（508Tops）3-28倍[1][3] - 公司定位G7为"首款具备L3级算力的AI汽车"，预售价23.58万元起，打破此前蔚来ET9（2000Tops/78.8万元）的算力记录[1] - 图灵芯片团队需提前考虑未来8年技术路线变化以支撑5年安全期，面临内存带宽等挑战[6] 技术架构与模型部署 - G7 Ultra版本采用2颗图灵芯片运行VLA-OL模型（辅助驾驶）+1颗运行VLM模型（智能座舱），通过PCIe实现芯片间协同[3][10] - VLA模型新增"运动型大脑"，配合强化学习训练使智驾能力上限比行业Max方案提升10+倍[4] - 本地化部署VLM（视觉-语言）与VLA（视觉-语言-动作）双模型，VLA模型帧率可达20-30帧/秒，显著提升安全时延[3][12] 行业对比与竞争格局 - 特斯拉FSD坚持端到端方案，规划下一代AI5芯片算力3000-7200Tops；国内理想等厂商已开始探索VLA方案[5][14] - 20-25万元纯电SUV市场将面临小米YU7、理想i6等竞品，G7通过SKU极简化+华为AR HUD+超长续航702km差异化竞争[6][16] - 行业L2高阶算力集中在500-700Tops（英伟达OrinX/ThorU），公司认为2000Tops是L3自动驾驶基础起点[11] 产品战略与迭代计划 - 芯片编译优化目标为1年半后实现"一颗顶四颗"效能，通过OTA每月新增功能，2024年内计划重大功能上线[7][8][9] - 产品线定位：G6（小康家庭）、G7（中产/年轻家庭）、G9（高端空悬车型），形成价格与技术梯度[16] - 当前未全系标配图灵芯片，G7 Max仍采用英伟达Orin X方案，未来将根据配置需求混合使用两种芯片[13]

小鹏G7在3颗图灵AI芯片超强算力的支持下，行业首发完全基于本地部署的"VLA+VLM模型"。小鹏汽 车董事长何小鹏介绍，算力是衡量AI汽车的第一标准。大算力不仅能大幅提高智能辅助驾驶能力，还 能极大提高安全下限。（Auto有范儿） ...

金磊 发自 凹非寺 量子位 | 公众号 QbitAI 咱就是说啊， 视觉基础模型 这块儿，国产AI真就是上了个大分—— Glint-MVT ，来自格灵深瞳的最新成果。 先来看下成绩—— 线性探测 （LinearProbing）： 简单来说，线性探测是一种测试预训练模型效果的小技巧，测的就是基本功扎不扎实。它的做法是： 把模型最后一部分换成简单的线性层，其他部分全部保持原样不动；然后只训练这个新加的线性层，通过它的表现来判断模型之前学到的特 征好不好用。 再来看应用效果。 如果说视觉基础模型是一个底座，那么它的下游任务，像 "图像理解+分割一切" ，便是更为直观的效果展现。 例如下面这张图片，然后我们可以问一下AI： 你能提供一个分割掩膜给这个图像中触摸篮球的人吗？ 很显然，这个任务的难点在于拿篮球的人被其他人的手、身体等部位挡住，分割难度也大幅增加。 然而，国产AI是不在怕的，啪的一下，超精细地把要求的人物给抠了出来： 我们再来看下更加复杂的案例： 这个测试是在26个分类测试集中跟CLIP和OpenCLIP做了对比，结果显示，国产视觉基础模型平均准确率比OpenCLIP高2.3%，比CLIP高 1.1%。 面 ...

昆仑万维开源Matrix-Game大模型 - 昆仑万维正式开源17B+参数的Matrix-Game大模型 该模型为Matrix-Zero世界模型中的可交互视频生成大模型 是工业界首个开源的10B+空间智能大模型 [1] - Matrix-Game专为开放式环境中的高质量生成与精确控制设计 面向游戏世界建模的交互式世界基础模型 [1] 百型智能推出外贸行业垂类Agent - 百型智能发布国内首个外贸行业垂类Agent AI外贸员Zoe 可独立完成外贸开发拓客全链路 包括市场分析、客户寻找、精准筛选、开发触达、转化跟进 [2] - Zoe的转化率高出传统人工方式10倍以上 [2] 火山引擎发布豆包视频生成模型 - 火山引擎发布豆包视频生成模型Seedance 1 0 lite 支持文生视频、图生视频 视频生成时长支持5s、10s 分辨率提供480P、720P [3] - 同时发布豆包1 5视觉深度思考模型 并升级豆包音乐模型 企业用户可在火山方舟平台使用API 个人用户可在豆包APP体验 [3] 苹果发布FastVLM模型 - 苹果发布FastVLM视觉语言模型 专为高分辨率图像处理优化 可在iPhone等移动设备上高效运行 [4] - FastVLM通过FastViTHD视觉编码器实现85倍编码速度提升 为实时多模态AI应用铺平道路 [4]

每经记者｜孙磊 每经实习编辑｜余婷婷 "AI（人工智能）工具可划分为信息工具、辅助工具和生产工具三个层级。我觉得人工智能变成生产工具，才是真正人工智能爆发的时刻。"理想汽车董事 长、CEO李想在5月7日晚的《理想AI Talk第二季》中，分享了他对于人工智能的最新思考，VLA司机大模型的作用、训练方法和挑战，这距离他上一季谈 及人工智能已经过去了130多天。 李想表示："判断Agent（智能体）是否真正智能，关键在于它是否成为生产工具。只有当人工智能变成生产工具，才是其真正爆发的时刻。就像人类会雇用 司机，人工智能技术最终也会承担类似职责，成为真正的生产工具。" 就理想汽车而言，其研发的VLA司机大模型则是以"司机Agent"的产品形态呈现。"用户可通过自然语言与司机Agent沟通，跟人类司机怎么说，就跟司机 Agent怎么说。简单通用的短指令由端侧的VLA直接处理，复杂指令则先由云端的VL基座模型解析，再交由VLA处理。"理想汽车方面表示。 此外，李想还回应了"有人觉得辅助驾驶应该被叫停"的问题。"经过多年，从规则算法到端到端+VLM（视觉语言），再到现在真正迈入VLA阶段，现在比 较像'黎明前的黑暗'。我 ...