Group 1 - Ruoming Pang, head of Apple's foundational model team, is reported to join Meta's new AI team with an annual compensation in the tens of millions [1] - Pang's departure may be influenced by internal discussions at Apple regarding the introduction of third-party models like OpenAI, leading to team morale issues [1] - Apple's AI team structure will be reorganized under Zhifeng Chen, transitioning to a multi-layer management structure [1] Group 2 - Microsoft has launched Deep Research, a public preview version that utilizes the o3 model and Bing search to create an advanced AI research tool [2] - This AI can automatically deconstruct complex problems, gather the latest authoritative information from the web, and generate auditable research reports [2] - An API interface has been opened for integration into applications, supporting enterprise-level AI platforms across various fields such as research, finance, and healthcare [2] Group 3 - Alibaba has open-sourced the multi-modal reasoning model HumanOmniV2, capable of accurately capturing hidden information in videos and understanding "subtext" [3] - The model incorporates a forced context summarization mechanism, a multi-dimensional reward system driven by large models, and optimization training methods based on GRPO [3] - Alibaba has introduced the IntentBench evaluation benchmark, with HumanOmniV2 achieving an accuracy rate of 69.33%, excelling in understanding complex human intentions [3] Group 4 - PaddleOCR 3.1 has been released, with Wenxin 4.5 enhancing the accuracy of text recognition in 37 languages by over 30%, supporting high-quality automatic data labeling [4] - A new production line, PP-DocTranslation, has been added, combining PP-StructureV3 and Wenxin 4.5 to support translation of Markdown, PDF, and image documents, along with customization of professional terminology [4] Group 5 - A controversy has emerged involving hidden instructions in academic papers aimed at inducing AI to give high scores, with several top universities implicated [6] - Xie Saining, a co-author of one such paper, acknowledged responsibility and apologized, clarifying that he does not endorse such practices [6] - This incident has sparked discussions on academic ethics in the AI era, highlighting the lack of unified standards in AI review processes and the need for reform [6] Group 6 - The Visual Language Action model (VLA) is becoming a core technology for embodied intelligence by 2025, with rapid iterations from Google's RT-2 breakthrough [7] - China's Zhihui Square has partnered with top universities to launch FiS-VLA, innovatively embedding "fast systems" into "slow systems" to address the trade-off between robotic control efficiency and reasoning capability [7] - FiS-VLA has achieved an 8% success rate improvement in simulation tasks and an 11% improvement in real environments, with a control frequency of 21.9Hz, 1.6 times that of the open-source model π0 [7] Group 7 - YouTube co-founder Chen Shijun discussed AI entrepreneurship and long-termism with the Manus team, emphasizing the value of rapid experimentation and risk-taking [8] - Recommendations for AI startups include leveraging first-mover advantages to retain users, creating compound network effects, and exploring areas that larger companies avoid, all within legal boundaries [8] - Key decisions at YouTube included prioritizing user growth over immediate monetization, establishing transparent core metrics, and developing a creator-friendly advertising model while focusing on the "passive experience" of recommendation systems [8] Group 8 - The key shift in acquiring users for AI products is that if a product does not generate social engagement within the first 48 hours, it may fail, making virality a survival threshold rather than a bonus [9] - The success story of selling Base44 for $80 million involved user participation in the development process, encouraging sharing of creations, and strategically choosing LinkedIn as a platform for dissemination, creating a closed loop of development, showcasing, and sharing [9] - The distribution paradigm for AI startups is evolving, with product development becoming a public showcase, niche native creators proving more effective than influencers, and growth metrics becoming assets for dissemination, shifting from "closed-door development" to "public collaboration" [9] Group 9 - U.S. universities are reshaping computer science education, with the CS major potentially becoming more humanities-oriented, emphasizing computational thinking and AI literacy over traditional programming skills [10] - The "Level Up AI" initiative has launched an 18-month curriculum overhaul, where future programming languages may involve "Human," allowing students to complete programming tasks through interaction with AI [10] - Traditional humanities classrooms are facing assessment crises, with educators struggling to identify AI-generated content, leading to a return to handwritten assignments and the development of anti-cheating systems, raising concerns about students' over-reliance on AI affecting their cognitive abilities [10]

谷歌Gemini Robotics On-Device 模型发布于6月24日，AI 被引入了机器人，在整个过程中不需要持续的互联网连接，机器人实现了脱机工作。 6月28日消息，在谷歌的最新播客中，机器人在Gemini人工智能技术的加持下，未经教授就完成了一次"扣篮"动作，展现出迅速适应新场景的能力。 两天前的洛杉矶，运行着Gemini Robotics On-Device 模型的机器人还在RSS2025（机器人软件与系统大会）上完成了全球首个互动式现场展示。硅谷AI观察 人士Ted Xiao表示，"它仿佛是对未来的神奇一瞥——只需与你的机器人对话，它就会做出适当的回应，并尝试执行一些合理的操作。新的物体、新的命 令、新的技能。" 谷歌在X上表示，这是自己首个"视觉-语言-动作"模型，旨在能够帮助机器人更快、更高效地适应新任务和新环境。如果我们稍加回忆，今年2月底，Figure 发布的"历史上最重大的人工智能更新"——Helix也是一款用于通用人形机器人控制的"视觉-语言-动作"(VLA) 模型。 官方演示视频中，这一对灵巧手不仅可以拿起一支笔，还可以相互配合拔掉笔盖。 在接下来的测试中，这一对灵巧手完成了"放 ...

EI/中文核心/毕业论文/申博等 点击下方 卡片 ，关注" 具身智能 之心 "公众号 还在为论文选题抓耳挠腮？被数据建模折磨到头秃？面对导师批注手足无措？别慌！具身智能之心，资深导师团 队在线 "救援"，一站式解决你的论文烦恼！ 【前沿论文辅导重磅上线！多模态大模型/VLA/3D感知/数据生成/视觉语言导航/机器人导航/具身智能等顶会 方向1V1定制化辅导】 CCF-A到CCF-C SCI一区到四区 你是否正在研究以下前沿领域却苦于突破瓶颈？ 多模态大模型（视觉-语言预训练、跨模态推理） 视觉语言动作（VLA）（端到端、分层等） 视觉语言导航（VLN）（Embodied QA、指令跟随、场景理解） 机器人抓取与导航（Sim2Real、强化学习、3D场景建模） 具身智能体泛化（跨任务迁移、零样本适应、仿真环境构建） 3D高斯泼溅（3DGS）（实时渲染、动态场景建模、SLAM结合） 端到端具身智能体（决策闭环、多模态传感器融合） 具身合成数据生成（自动标注、域适应、数据增强） 为什么选择我们？ ✅ 顶会/顶刊导师团队：来自CMU、Stanford、MIT等名校的PhD及大厂研究员，覆盖ICRA、NeurIPS、C ...

以下是知识星球里面一位同学的提问： 请问VLA和VLM的区别是什么？现在推荐学哪个呢？ 这两者互为表里： 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 大模型已经席卷各个领域，在智能驾驶领域，VLM也正在逐渐铺开落地量产。 不少入门的小伙伴也表示，现在大模型太重要了，想要入门学习，但有点拿不准方向。 1、VLM可以理解基础的能力，可以是通用的检测、问答、空间理解、思维链等等能力 2、VLA更侧重Action的能力，最终目的是为了做动作，在自动驾驶中可以理解为自车轨迹预测的能力，通时预 测的轨迹又要尽可能的符合人类的理解，这又进一步依赖vision和language的基本能力，比如我要解释这个行 为，可以使用思维链的形式一步步推理分析，这里面依赖自动驾驶基础的感知（行人在哪里，2D坐标，3D位置 等等） 这两者没办法完全独立的学习，我认为的方式应该是先学VLM，再去扩展到VLA VLM接扩散模型就可以预测轨迹，也就是Action，这块就涉及到多模轨迹的好处了，面对不确定的环境，单模 的能力有限，多模的上限是更高的 最后欢迎大家加入知识星球，硬核资料在星球置 ...

近日，在2025年火山引擎Force原动力大会上，自动驾驶公司元戎启行宣布其VLA模型将于2025年第三季度推向消费者市场，并预计在年内上车五款车 型。 在活动现场，元戎启行CEO周光高调展示了VLA模型的四大"超能力"：透视眼式的盲区破解、百事通般的异形障碍物识别、翻译官级的路标解析、应 答灵式的语音控车，引发了业内浓厚的兴趣。 元戎启行并非智能驾驶领域的新兵。自 2018 年成立以来，这家总部位于深圳的高科技企业便在自动驾驶和车联网技术方面深耕细作。 此外，元戎启行在技术研发过程中也比较注重成本控制。以与高通的合作为例，通过技术优化，在100TOPS算力的骁龙SA8650 平台上实现了原本需 更高算力支撑的复杂场景运行，将智驾方案价格大大降低。 如何挤占出足够的市场空间？ 在智能辅助驾驶领域，行业已经进入激烈的市场争夺阶段，众多方案商早已提前布局，纷纷与车企达成合作，拿下大量合作车型。 因此，准备入场的元戎启行，拿着今年第三季度才能推向市场的 VLA 模型时，不仅需要在短时间内突破市场壁垒，而且必须在华为、地平线、 Momenta等品牌的包围下，快速提升知名度和产品认可度，这无疑是一项艰巨的任务。 这家企 ...

晚一点，好一点 以下文章来源于晚点LatePost ，作者晚点团队 晚点LatePost . 作者 | 李梓楠 来源 | 晚点LatePost 导语 ：重新发明了汽车，但还没造出可用的轮子。 今年 4 月中旬，特斯拉采购团队来到宁波一家供应商的厂区，做人形机器人量产前的最后一次审厂。门口一辆车上，盯梢的人对上了车 牌，拍下照片发给 "上线"："特斯拉来审厂了。" 值得这么麻烦。第二个交易日，这家公司股价照例涨停。从特斯拉 2022 年 10 月第一次对外展示人形机器人至今，A 股机器人概念板块 涨了 93%，同期沪深 300 指数只上涨约 1%。 一周后，数千个组装完成的核心零部件在宁波装船，顶着高昂关税，发往美国加州弗里蒙特的特斯拉工厂。 这里没有一点万亿概念板块的样子。弗里蒙特工厂二楼的机器人制造专区，没有手臂和脑袋的机器人系着铁链，挂在架子上。工程师测试 完零件后，会把它们手工拼装成新款人形机器人。地面上散落着电线和塑料包装。 自特斯拉 2022 年亮相机器人后，全球的风险投资者、特斯拉及供应商已为此投入超过 1000 亿元。到目前为止，人形机器人的生产比劳 力士机械表还要手作。据我们了解，特斯拉下的零 ...

机器人数据仿真专家 20250521 摘要 VLA 仿真在机器人感知深度学习中应用广泛，但在真实场景迁移效果差， 主要受限于图像真实感和物理参数模拟的挑战，现阶段更适用于算法原 型验证。 机器人训练中，传感器仿真、物理交互和场景重建是常用的数据生成方 法，但高逼真图像生成和精确物理参数模拟仍是难题，限制了模型在真 实世界的泛化能力。 仿真器在机器人训练中优势明显，尤其在电信号仿真方面，但感知层面 的数据分布差异导致环境交互效果不佳，仿真可迁移性取决于任务的数 据分布差距。 通过观看视频训练自动驾驶系统和机器人面临模态差异和重建精度问题， 难以实现完整动作或任务流的学习，视觉语言规划可作为辅助手段。 当前主流数据采集及训练方式依赖真实量产数据闭环，机器人领域则依 赖仿真器，但仿真数据训练的模型在真实世界中泛化性较差。 数据而非模型是当前主要挑战，硬件不统一和数量不足导致数据量少且 质量参差，跨本体数据运用受限，需标准化硬件尺寸和旋转比例以提高 数据利用效率。 人形机器人在工业场景中的价值在于通用性，而非精细化操作，通过解 耦方式采集数据，标准化传感器并解耦本体，可确保数据的共用性。 Q&A 仿真数据在机器人任务 ...

温馨提示 ： 点击下方图片，查看运营团队2025年最新原创报告（共210页） 说明： 欢迎约稿、刊例合作、行业人士交流 ， 行业交流记得先加入 "机器人头条"知识星球 ，后添加（ 微信号：lietou100w ） 微信； 若有侵权、改稿请联系编辑运营（微信：li_sir_2020）； 正文： 近日，南方科大助理教授周博宇在自己知乎账号" 周指导BoyuZhou "梳理了关于具身智能的若干思考，诸多观点 跟小编不谋而合，特转载分享给大家： 首先要肯定的是，具身智能确实为机器人领域注入了新的研究活力，有望突破机器人的性能上限。具身领域涌现 出众多令人钦佩的青年学者，这里就不一一respect了。 鉴于具身智能与机器人学 存在天然的关联，本文拟立足个人研究视角，以开放的态度分享来自机器人学科背景的 观察与思考。同时我也希望读者能保持开放的态度进行讨论， 尤其反对瞎带节奏，挑起Robotics与具身派别之 争。讨论的意义是如何促进科学发展，不是分出高低贵贱 。 一、学科无需"称王"，科学本应共生 有观点认为，传统机器人学有相当一部分的研究重点在于"特别"的机器人或者"特别"的任务，这类"特殊任务研 究"对科学虽然有用 ...

21世纪经济报道记者 林典驰 深圳报道 今年以来，人形机器人的产业化进展飞速。 从春晚上"福兮"的精彩表演，到首届人形机器人半程马拉松中"天工"的首次冲线，一时间"街头巷尾"都 在讨论人形机器人。 要支撑人形机器人与环境感知交互，就离不开具身智能技术的持续突破。尤其是大语言模型 （LLM）、视觉语言模型（VLM）以及视觉语言动作端到端模型（VLA）等关键技术的迭代创新，显 著提升了机器人在交互感知和泛化能力方面的表现。 然而，具身智能前行之路并非坦途，在数据采集、机器人形态应用以及大小脑融合等方面仍面临诸多挑 战。 因此，厂商们正在从不同的领域切入，解决以上痛点。比如，英特尔和东土科技（300353）等提出大小 脑融合解决方案，采用单一芯片架构替代双系统模式，降低整体成本及软件开发、测试、优化与部署成 本。 破解数据匮乏桎梏 1950年，艾伦·图灵首次提出"具身智能"时，并未引起轰动，直到在近两年才成为科技圈的热词。 图灵给出的基本假设是，具身智能是通过与环境交互获得知识并泛化应用能力。英伟达创始人兼CEO黄 仁勋则进一步诠释，具身智能是能够理解、推理并与物理世界互动的智能系统，预计其将成为人工智能 的下一波 ...

温馨提示 ： 点击下方图片，查看运营团队2025年最新原创报告（共210页） 说明： 欢迎约稿、刊例合作、行业人士交流 ， 行业交流记得先加入 "机器人头条"知识星球 ，后添加（ 微信号：lietou100w ） 微信； 若有侵权、改稿请联系编辑运营（微信：li_sir_2020）； 正文： 2025年2月20日，国外知名人形机器人独角兽公司【Figure AI】 推出自研通用型视觉语言动作(VLA)模型— Helix ，并开创性采用 双系统架构（ 负责"慢思考"，处理高层语义和目标规划 S2和负责"快反应"，实时执行和调 整动作 S1 ），开启双系统架构VLA模型先河，专为高频率、灵巧控制整个人形机器人上半身而设计。 2025年2月26日， 作为国外最早提出视觉语言动作(VLA)模型，拥有全球具身智能领域"最强创始团队的具身智能 大模型初创公司[Physical Intelligence]（简称 PI或 π ）基于其公司端到端大模型π0（ pi-zero） 推出"分层交互 式机器人"系统（全称：Hierarchical Interactive Robot ，简称Hi Robot） ，它允许整合VLA模型，例 ...