一個（暫時）只作念具身大腦的公司，拋出了一個只好2.4B參數的具身模子。
面前行業風向標如Physical Intelligence的π 0合計約33億參數，π 0.6的參數目也疏漏在50億以上。
在一個以致連硬件形態都還沒定型的行業里，2.4B參數到底夠不夠用？
這家公司給出的謎底是，夠用。
況兼足以救助它及時處理三視角的728x728畫面，推理延遲僅60毫秒；配合強化學習機制，它還能在真機上絡續試錯進化。
這即是具身智能創企原力靈機推出的首個具身原生模子居品DM0。
2.4B的輕量小蛋糕，RTX 5090就能跑。
因為從零偵查以及對具身數采有不同于行業的看法等原因，該公司稱它為"首個具身原生大模子"。
與模子同期發布的還有開源具身原生框架Dexbotic 2.0，以及具身原生量產職責流DFOL。
這具身軟件三件套背后手藝道路的操盤手，是原力靈機合推動說念主、莊浩大模子的周而進。
他在AI圈早已名聲在外。
周而進當今才33歲，但這東說念主仍是在AI鴻溝出名13年了——
早在2013年，深度學習和東說念主工智能照舊冷門的時候，大二的曠視實習生周而進就以一作身份，拿下了ICCV 2013的當然環境東說念主臉重要點定位比賽（300-W）工業界組冠軍。
但這個神話東說念主物的出名比這個時期線更早。
他是信息學競賽NOI、IOI金牌選手，初三就"保送"到了清華；行為清華的學生，他師從電子工程系長聘教訓、系主任汪玉。
其后行為曠視12號職工，他屢屢用算法軟件拿下全球第一。
即是這樣一位從AI 1.0時期走出來的少年天才，在舊年，他和同為曠視共事的范浩強、汪天才，創業具身智能。
其后前曠視聯合首創東說念主唐文斌也參與其中，擔任CEO。
周而進對咱們說，刻下具身行業的主流具身模子有策畫，大多數是VLM+Action Head念念路。
也即是說，大模子莊重識別和邏輯推理（比如看到雪柜里有牛奶），動作頭莊重踐諾（去執取牛奶）。
這種范例在面前行之靈驗，但它是一種外掛式有策畫。
原力靈機想追求一種具身原生道路，強調從數據匯集范式、推理形態到為止結構，都應源自物理寰宇的反饋，而不是數字寰宇的派生模態。
也如實這樣付諸實踐了。
剛提到的模子DM0，就"從底層建模上就將感知、推理、為止整合為閉環，然后通過空間推理念念維鏈（Spatial CoT），內生出具身智能"。
DM0的中樞是通過多源、多任務、多機型偵查來買通具身智能。
具體的偵查經過，分為三個階段。
第一階段是VLM Train。
團隊從零構建具身原生的多模態模子，將互聯網、智駕和具身多傳感數據情投意合，讓模子天生就長入物理環境，煉就塌實的感知基本功。
第二階段是VLA Pre-Train，周而進稱之為"具身智商清晰的重要"，分為多任務、多機型偵查和空間推理念念維鏈兩條干線。
第三階段是VLA Post-Train。這一步保留了針對特定愚弄場景的適配智商。
在RoboChallenge大鴻溝真機評測中，DM0拿下了單任務和多任務雙料第一。
這是原力靈機訓誨以來第一次成體系地發布具身手藝居品。
從和周而進的對談里咱們發現，原力靈機從模子、器具鏈、量產職責流，方方面面都不停地在講閉環、講具身原生。
在咱們與周而進的此次深度對話中，他也圍繞這些重要詞給出了更駐防的解讀：
為什么要相持從零偵查而不是微調？
空間推理念念維鏈是怎樣匡助模子搪塞長程任務？
"全身全時全域"的數據采聚首帶來什么變化？
機器東說念主如何平緩走向領有"社會身份"？
以及，為什么必須7×24小時跑起來？為什么要從物流濫觴作念具身？
……
諸如這些問題，在采訪中都獲取了復興。
{jz:field.toptypename/}（以下為對話實錄。在不篡改對談者本東說念主快樂的基礎上，咱們作念了部分點竄，以爽直閱讀）
對話實錄對于"具身原生"
量子位：靈機把此次發布的DM0叫作念"具身原生大模子"。原生不原生有什么區別？
周而進： 具身智能的中樞是構建感知-決策-踐諾的閉環智能。
在大談話模子范式下，智能主要停留在信息處理層面，比如識別雪柜里有牛奶。
但具身智能不僅要看到牛奶，還要提起牛奶，找到分娩日歷，從而判斷牛奶是否逾期，終了從數字智能到物千里著鎮定能的逾越。
量子位：DM0原生在那里？
周而進：有兩個層面。
第一個是模子偵查自己的起初從零濫觴。
但愿模子從降生的第一天濫觴，就仍是充分長入物理寰宇，而不是在一個仍是被普遍互聯網數據塑形過的模子上，后天再去補物理寰宇的東西。
物理寰宇在模子運滾動階段，會給到異常多異常豐富的反饋，這種反饋如果放到背面再學，本質上是很難補追思的。
互聯網數據固然很緊迫，它帶來了普遍先驗，但咱們的理念是，但愿模子在一濫觴就見過真實的空間相關、交互相關，長入東說念主與物理寰宇是如何對話的。
好多東說念主會認為，當今仍是有很強的通用大模子了，比如徑直拿一個談話模子行為基模，再往后堆一些具身數據，好像也能訓出著力。
從工程上看，這條路是走得通的。但咱們會認為，這樣的旅途在融會功令上是有問題的。不管是動物照舊東說念主類，最早學會的都是動作，是對物理寰宇的反映智商，而談話、玄虛念念維反而是后天漸漸發展出來的。
一個不那么嚴謹的類比，你很難想象一個嬰兒是先學會對話，再學會找奶瓶。
是以咱們認為具身模子也應該謹守肖似的旅途，從一濫觴就圍繞物理交互來構建，而不是在一個仍是在數字寰宇偵查好的模子上去嫁接動作智商。
量子位：第二個原生的點呢？
周而進：第二個是數據的長入形態。
今天行業里對于具身數據怎樣采、用仿真照舊真機，其實不對異常大。
仿真派和真機派之間爭論了很久，但咱們一直認為用"仿真"照舊"真機"來切分自己趣味并不大，更像是在給我方貼標簽。
咱們的看法是，今天你匯集的所稀有據，本質上都是合成數據，僅僅合成進度不同漢典。
在仿真器里，任務界說、物理反饋、物理規則，全部是東說念主為構造的，這是高度合成的數據；在真實寰宇里采數據，看起來瓶子是真實、環境是真實，但任務是不是你界說的？Task instruction是不是東說念主為設定的？物流場景里的活水線是不是東說念主聯想的？
從這個角度看，它們本質上都處在一個合成光譜上。
咱們更憐惜的不是用不必仿真，而是應該把數據和算力投向那里。
咱們里面有一個相比明確的判斷，物理詳情趣強的部分，用算力和仿真去貶責；語義抵賴、概略情趣高的部分，用真實數據去掩飾。
這亦然咱們為什么會認為從一濫觴就把"東說念主、數據、物理寰宇的交互樣式"放進模子聯想里異常緊迫。
如果模子最早戰爭到的即是這些東西，它在后續面對不同硬件、不同形態機器東說念主時，學到的是操作邏輯，而不是某一臺機器的電機參數。
量子位：說到不同形態的機器東說念主，漢典炫夸DM0的偵查突出推行了不同執行的機器東說念主數據，面前是8種機器東說念主。
周而進：如果模子只見過少數幾種機型，它很容易把"該怎樣完成一個任務"和"這臺機器的關節要怎樣轉"混在一齊。
舉個例子，把水放到某個位置，模子委果應該長入的是伸手、挪動、揚棄這個動作序列，而不是某個關節需要轉些許度。
就像東說念主開車相似，一個及格的司機不會因為換了一輛車就不會開了。
委果記取的是軌跡和操作邏輯，而不是標的盤的松緊進度。
從這個角度也很容易能長入具身原生是咱們的旅途接受。
對于數據和高/低熵場景
量子位：DM0用的數據開端有3個，分別是互聯網數據、智能扶助駕駛數據和具身智能數據。
周而進：具身模子不是只靠一種數據就能訓出來的。
如果仿真什物理引擎飽和強，能模擬出真實寰宇的戰爭力、摩擦力和碰撞反饋，那么仿真數據的價值就會極大普及。
但在面前的階段，卓絕是波及到復雜的觸覺和幽微操作時，開云app登錄真實交互產生的硬核數據依然是不可替代的。
況兼互聯網數據、自駕數據、具身數據，這三類數據在模子里承擔的扮裝是完全不同的。
互聯網數據提供的是談話和觀念層面的玄虛智商，它讓模子長入"什么是什么"；自駕數據提供的是在洞開環境中搪塞長尾事件的教會；而具身數據填補的是物理交互和戰爭這一塊，這是前兩類數據完全無法掩飾的。
量子位：三者有固定的攙雜比例嗎？
周而進：莫得，證實實驗結果動態轉換。
當今具身數據如實相對少，但跟著匯集鴻溝的擴大，它的占比一定會快速高潮。
量子位：其中哪種會是改日偵查具身模子的主導類別？
周而進：咱們并不認為改日一定是某一種數據占實足主導。3類數據在不同階段承擔不同權重。
量子位：你們提到"熵在那里，數據就投向那里"，這句話怎樣長入？
周而進：不錯長入為決定數據匯集的重要變量是環境的可刻畫性與熵（概略情趣）。
最高效的范例一定是"大要閉環的范例"。
如果數據采追思不可普及模子的泛化智商，或者采追思的全是重疊的、低質料的動作，那僅僅在浪擲算力。
咱們當今的計謀是，先通過模子發現哪些任務是它干不好的，即"熵值高"的地方，然后針對性地去補那部分數據。
這就叫以需定采，讓數據匯集也具備反饋閉環。
環境規則明確的場景，數據即是忖度的產物。咱們不錯充分發揚算力可彭脹的上風，通過算力進職業態空間的探索。
高熵場景充滿不解的語義，東說念主類偏好，還有洞開寰宇的概略情趣。這種情況下數據即是教會的映射，必須依賴真實交互，從各樣教會中歸納。
爽直說，物理規則爽直詳情的部分用算力生成數據，物理抵賴或語義抵賴的部分用真機匯集，這樣智力貶責長尾問題。
對于數據匯集形態
量子位：你們的數據匯集形態好像很特有，不單采具身機器東說念主的雙臂動作。
周而進：咱們作念的是全身全域全時的匯集。
量子位：什么是"全身全域全時"？
周而進：全身，指數據匯集要包含底盤的挪動、軀干的妥洽以及總共傳感器的反饋。
具身智能是操作與導航的歸并，你不可把路走得好和手干得好遠離來看，數據必須包含全身的協同。
全時強調的是數據的聚合性和因果鏈。
數據匯集不可只拍下某個一剎，要從意圖產生、旅途策畫到動作踐諾，以致是中間出錯、修正的全經過都紀錄下來。
正常東說念主類對話，我問你"衛生間在哪"，你手一指，說"在那"。
這個經過中你講了一個場地代詞，又作念了一個肢體談話。這些東西其實是咱們認為大要跟東說念主萬古期，或者說24小時全時共處的一個機器東說念主他就應該具備的智商。
全域是空間域，相對其他兩個，這個暫時照舊一個改日策畫。
量子位：匯集這種數據是一濫觴起點就這樣，照舊走了其它形態終末接受了一種最work的？
周而進：咱們從一濫觴去作念數采的時候，就奔著要把全身的數據、全時期段的數據、全空間場景的數據都給掩飾了，其實即是奔著一個更通用的目的去作念。
都說具身智能具身智能，那東說念主類的全身的數據你是不是都應該采到？
如果我今天只作念桌面的雙臂執取機器東說念主，你好像只須用雙臂就行了。
但真實的東說念主類動作不單好雙臂和雙手的動作。經過中你可能要彎腰，你可能要蹲下；如果要把東西遞出去，需要伸手……需要各式肢體談話。
具身智能的數據不可只關注手部動作，應該要用舉座性的、聚合的來訓。
量子位：這樣煞操神思地匯集，能帶來什么著力呢？
周而進：全身全時全域的匯集是為了搪塞物理寰宇的無盡長尾。
如果匯集不夠全面，模子就會墮入無盡打補丁的窘境。
對于新發布的具身三件套
量子位：此次除了DM0，你們還發布了一個開源的具身框架Dexbotic2.0，以及解鎖具身愚弄量產職責流的DFOL。動作不少。
周而進：Dexbotic2.0是咱們聯合RLinf一齊打造"具身智能鴻溝的PyTorch"。
它經受模塊化架構，視覺編碼器、LLM模塊、動作大眾模塊都不錯像樂高相似目田組合。
咱們聯合了清華、無問芯穹共建，目的是終了具身操作與導航、師法學習與強化學習的歸并。
DFOL則用來解鎖具身愚弄量產職責流。
傳統非標自動化領有極快的節拍和極高的詳情趣，但天真性差，難以符合平日換線；東說念主工則具備極強的通用智商和精真金不怕火操作手段，金沙電玩可是著力低、資本高且瓦解性不及。
DFOL正處于這兩者之間最有價值的職責區間，它依托相對通用的硬件，通過寬敞的學習智商終了快速換線，以模子界說功能，并對復雜多變的輸入具備極強的柔性符合智商。
既能保持較高著力與詳情趣，又領有接近東說念主類的天真性和符合性
咱們用三個目的評估它：
得勝率（接近100%的聚合無故障功課）
動作質料（毫米級以致更高的定位精度）
節拍（即隱隱率，決定ROI）
對于具身模子的顧忌
量子位：DM0模子里面用到了空間推理念念維鏈（Spatial CoT），這和大談話模子的推理念念維鏈（CoT）的本質區別是什么？
周而進：大談話模子的CoT主淌若一維的語義推理，具身智能面對的挑戰是三維的物理寰宇。
空間推理的推理中樞是"空間"，具備真實操作場景中的空間長入、時序組織與暢通為止智商。
面對"打理一下桌面"這種抵賴輔導，模子不是徑直輸挪動作，而是先進行子任務瞻望與策畫，然后完成物體識別與精詳情位。
它必須把視覺特征滾動為精準的空間坐標和軌跡，這是一種空間維度的推演。
量子位：在純文本大模子里，推理錯了可能僅僅信口雌黃；但物理寰宇里的動作一朝出錯，可能形成損壞、危境或不可逆的后果。
周而進：對。是以空間推理念念維鏈通過"子任務-識別定位-2D軌跡-3D動作映射"的閉環，確保每一步推理都與物理現實對皆。
它模擬"介入寰宇"后的物理反饋，從而彌合感知與踐諾之間的斷層。
這類空間推理是DM0模子的聯想中樞。
量子位：空間推理念念維鏈能帶來什么著力？
周而進：結合高分辨率的輸入，他能讓模子在毫米級精度的任務中（如工件擺放）識別渺小的位置各異。
莫得這種層層遞進的推理，模子無法學會物體左偏移2毫米意味著什么，但通過空間推理后就能忖度并踐諾這種各異。
普通的CoT無法告訴你杯子向左偏移2毫米意味著什么，但Spatial CoT必須能忖度并踐諾這種各異。
對于7x24運行
量子位：對于數據閉環、物理直觀的形成，還有熵，你都在說"越早越好"。
周而進： 總共東說念主都知說念，機器東說念主要上崗要運行，但什么時候跑是一個很現實的問題。有的團隊是先作念demo，先作念手藝，再溝通落地；咱們是反過來。
咱們一濫觴就想，這個東西必須7×24小時運行，越早跑起來越好。
只好真實跑起來，才有真實數據。
你的模子再明智，如果沒稀有據回流，它耐久學不會真實場景中的問題；你偵查里莫得的東西，只可靠在跑的時候補追思。
況兼越早跑起來，工程的瓦解性問題越早露餡，你就能越早修。
今天demo作念得再好，一朝你要上崗7×24，你就會發現電源、網羅、錄像頭、支架，以致天氣、光照，都會出問題。
量子位：原力靈機的模子仍是7x24在跑了嗎？
周而進：咱們當今仍是在多個時勢作念部署，不是demo式的部署，是7×24的真實運行。
哪怕剛濫觴得勝率不高，也要跑起來。
對于緊密操作
量子位：你們把工場里的物流場景是具身智能愚弄的緊迫延遲。
周而進：是的。
量子位：為什么從物流作念起？
周而進：具身當今很難說脫離場景，一定得在一個相比明確的場景底下來作念這件事情。
咱們今天作念物流有明確的產線，有明確的陡立料的邏輯。
在這個場景上頭，先把該干的活干好，然后一步一步去拓展智商。
靈機在物流場景里作念了一個輪式雙臂機器東說念主，專門用來作念物料分揀。物料分揀執行上異常復雜，物料有柔性的，有剛性的，擺放也很亂，即是在物料箱里順心堆滿。
要把這些物品一個一個分揀出來，有好多傳統的范例，比如用吸盤。但問題是吸盤對于柔性材料，對于名義不光芒的物體不work，有各式各樣的corner case。
在這樣一個明確且受限的愚弄場景下，咱們的目的是探索能否讓機器東說念主終了24小時不停止運行，知足執行需求。
量子位：怎樣長入"物流場景異常復雜"？光是聽起來，莫得什么具體的體會。
周而進：好多時候公共會被一些大動作誘騙，比如能不可搬箱子、能不可排闥、能不可走路。
但委果難的其實是緊密動作。
緊密動作不是說動作幅度小，而是說對聚合狀況變化的為止條款異常高。
比如一個工件的擺放，你肉眼看可能認為仍是放進去了，但對工業來說，差一兩毫米即是失敗。
這種事情如果僅僅拍視頻是看不出來的，一朝真實放到產線上，就會發現得勝率會異常快地掉下來。
量子位：怎樣讓具身機器東說念主很好地完成這些緊密動作？
周而進：緊密動作的前提是緊密感知。
如果你的視覺輸入分辨率不夠，模子看到的寰宇自己即是抵賴的，那背面的推理和為止一定是漂的。好多時候模子它壓根不知說念當今這個工件到底偏了些許。
是以咱們在模子聯想時，會異常垂青高分辨率輸入下的瓦解性，而不是只追求推理速率或者隱隱。
這又call back了咱們反復強調具身原生。其中一個很緊迫的原因即是緊密動作沒辦法靠后期補。
如果模子在最早的偵查階段，從來莫得在高精度、高條款的物理反饋放學過動作，那背面你再加些許規則、加些許工程不休，都會異常發憤。
對于落地場景
量子位：說說你們的落地場景吧。
周而捷：咱們挑選的是一個最圭臬化的場景，即是物流工東說念主坐在工位上頭，在物料箱上頭作念分揀；也有工東說念主是在作念物料箱的搬運，他要從這邊的一個AGV把箱子提起來，然后塞到貨架上頭。
也有工東說念主在作念打包。比如你買了三瓶可樂，工東說念主要拿一個快遞箱，里面還要墊一些防震的泡沫紙，終末打包好。
這仍是波及到一個東說念主在工場里面全身的動作：來去、蹲起、手部的賢惠操作……掩飾的場景異常豐富了。
不外事情要一步一步來貶責。咱們當今先解鎖的照舊賢惠執取的問題。
量子位：你們怎樣看待不同場景的優先級？為什么先作念物流，而不是一上來就作念家庭之類的其它場景？
周如進：家庭場景如實是讓總共東說念主都異常抖擻的結尾，但飯得一口一口吃。
咱們當今的計謀是，領先選一個大要相比鴻溝化、且具備高度可復制性的場景。
這種可復制性包含三個維度。
第一個是買賣模式的復制，能不可形成圭臬化的插足產出比（ROI）？
第二個是施工難度的為止，環境要相對可控，不會像家庭環境那樣極點，復雜多變。
第三個是數據回流量復制， 這是最緊迫的——咱們需要在一個場景里快速跑通閉環，讓數據能成鴻溝地回流，用來喂養模子。
量子位：為什么是這三個維度？
周而進：通過這些場景，咱們不錯平緩解鎖三個中樞智商。
第一是模子的通用智商，第二是硬件的可靠性，第三是把供應鏈和資本打下來。
如果徑直進家庭，這三座大山很難同期翻昔時。
量子位：不外你剛才提到，"家庭"是"期許的結尾場景"？你們的道路圖是什么樣的？
周而進：物流不僅有執取，還有普遍的搬運和環境交互。
從物流濫觴，先作念一些專項智商的居品，進到倉儲環境；等智商瓦解了，再平緩推向ToB匯注ToC的場景，比如門店的導流、導客、導購。
終末，當總共的手藝、資本、安全性都經過海量考據后，再往最終的To C家庭標的去走。
這即是咱們說的先物流、后家庭，謹言慎行。
對于寰宇模子
量子位：DM0在聯想中引入了具身空間建模機制，模仿了寰宇模子的范式。你們怎樣看待寰宇模子？
周而進：高階寰宇模子被咱們視為普及模子泛化智商和處理復雜長程任務的中樞手藝救助。
量子位：你們怎樣界說寰宇模子？
周而進：咱們對它的界說跟公共不太相似。
咱們不認為寰宇模子是一個全能的、能徑直輸出高質料計謀的現實仿真器。咱們更傾向于它是一種模子內的寰宇長入形態，它的重要點是你有莫得辦法在不踐諾動作的前提下，推理出這個動作在刻下環境下會帶來什么結果。
這個東西才是中樞。
如果你每作念一個動作都要試一下、都要采一次反饋，那太慢了。
寰宇模子的趣味是讓你在心中模擬一次結果，然后挑最優的那條旅途去作念。
量子位：它不是讓你徑直輸出結果，而是讓你學會怎樣模擬。
周而進：對。
咱們當今也在嘗試讓寰宇模子具備空間和時期上的腦補智商。
即是說，當它看到前幾幀時，它能不可想象出接下來幾幀會發生什么。或者說，如果我當今想作念一個動作，它能不可在踐諾之前，先瞻望這個動作在物理寰宇中可能發生的后果。
咱們也會跟DM0這樣的具身模子作念結合，讓寰宇模子的輸出能對動作策畫起到救助作用，但不是說它能孤立貶責總共問題。
更像是一個匡助你決策的inner loop，而不是一個全能planner。
對于終極目的與節律判斷
量子位：除了落地家庭外，具身智能機器東說念主還有更遠方的終極目的嗎？
周而進：我認為具身智能最終一定會走向領有平庸社會身份的階段。
但這個經過一定是分階段的。需要練習可靠的硬件形態，需要模子能用當然談話與東說念主蠱惑完成任務，也需要用戶在激情上形成信任。
量子位：什么叫領有平庸的社會身份？
周而進：咱們里面接頭過一個很趣味的觀念，叫"機器東說念主領有我方的支付寶"。
機器東說念主去踐諾一個任務，比如去超市幫主東說念主買一瓶水，或者在園區里調用了另一個自動化誘導的工作時，它不錯具備孤立的支付和結算智商。
這種社會身份的訓誨，背后需要貶責的是機器東說念主的信用體系、支付體系以及株連追憶體系。
改日的具身機器東說念主會像當今的智妙手機相似，是一個社會化接口。領有支付智商僅僅第一步，領有平庸的社會身份才是它成為委果AGI的標記。
為什么是原力靈機來作念這件事？
量子位：早前曠視里面有問"why me"的文化。當今我方出來再創業，你認為為什么要來作念具身這件事？
周而進：第一個我認為是說，具身這件事，不是你爽直的去踩點數據，或者把互聯網受騙今各式的數據整合一下就大要作念出來的。
它波及到軟件和硬件，尤其是它波及到海量的跟物理寰宇的交互。是以咱們認為領先你要有場景。
對咱們來說的話，物流其實即是一個異常好的場景。
舉個例子，比如說在物流里面，你說分揀物料它穎悟，可是你真把機器東說念主搬進去，這背面有好多的事情——對接表層業務系統？加入具身機器東說念主后，你篡改了總共這個詞活水線的節律節拍，對吧？你如果東西掉地上了，你有兜底有策畫嗎？
總共的這些東西，都是這個具身到底能不可進到這個場景里，從而帶來所謂的數據飛輪的前提。
那如果你搞不定這些東西，那你今天只可去工場里面擺個拍個視頻。
量子位：那為什么是你們這群東說念主來作念這件事？
周而進：其實看一家公司能不可成，中樞看這幾個身分：模子智商、硬件智商、行業融會和工程落地。
咱們團隊的單干異常明確且閉環。
唐文斌是CEO，他不僅有極強的買賣尖銳度，更緊迫的是他能把這幫東說念主聚在一齊。
我和汪天才莊重基模偵查，咱們對大鴻溝參數、多源數據混訓有耐久的實戰教會。
范浩強莊重前沿算法探索和軟硬件協同，這是最難的部分。
咱們這個組合不是臨時湊的，是經過耐久考據、有默契的組合。
One More Thing
周而進在AI鴻溝真刀真槍作念了13年了。
當今遇上新一輪風口，他和昔日同伴們一齊再戰具身智能。他說，公共老把AI時期分離紅AI 1.0和AI 2.0時期，聽起來給東說念主一種割裂感。
但其實不是這樣的。身處其中，你是能不雅察和嗅覺到手藝的發展的。
因為AI 1.0時期嶄露頭角的時候太過年青，是少年天才，以至于周而進和范浩強、汪天才等東說念主，放在這一波AI創業隊列中來，還瑕瑜長年青。
咱們問他，你有什么冷落給當今的年青東說念主嗎？不管是搞信奧的照舊搞AI的。
周而進蹙眉頭想了兩秒，倏地捧腹大笑：
年青東說念主才不心愛聽冷落呢！干就完結！
DM0手藝證明：
https://dexmal.com/DM0_Tech_Report.pdf
—?接待AI居品從業者共建?—
??「AI居品常識庫」是量子位智庫基于耐久居品庫跟蹤和用戶活動數據推出的飛書常識庫，旨在成為AI行業從業者、投資者、說合者的中樞信息重要與決策救助平臺。
一鍵關注 ?? 點亮星標
科技前沿進展逐日見
備案號: