在2025年北极光创投第十八届CEO峰会的圆桌论坛上， 北极光创投合伙人林路 携 Rolling AI创始合 伙人甘艺凡 ， APUS创始人兼CEO李涛 ， 北极光创投高级顾问李乐丁 三位嘉宾围绕"迎接AI——理 性看待变革，积极布局未来"这一主题展开探讨，从不同角度探讨了AI技术发展、场景落地与组织变 革之间的关系。 李乐丁从技术角度切入，指出大模型已经进入能力边界与不确定性凸显并存的新阶段，单纯追逐参数 规模意义有限，真正价值将来自与具体产品的深度融合，形成可持续场景价值。李涛随后从企业实操 层面，分享了APUS在代码生成、创意设计、医疗预诊等多个环节的AI落地经验，强调构建自身模型 体系和数据资产作为长期护城河是关键。甘艺凡结合超百个咨询项目经验，总结企业在应用AI时最常 见的误区是"高估短期价值、低估长期潜力"，建议企业围绕"为什么要做？做什么？怎么做？"构建AI 应用的战略路径，并推动组织与文化的深度调整。林路最后提醒CEO们谨防"战略空心化"，一切部署 都应回到业务本质，从实际业务出发落地AI。 以下为整理的圆桌讨论实录，有编辑与删节。 林路 ：关于AI的未来，有人乐观，有人很谨慎，在座的几位嘉宾 ...

硅谷模型大厂变化：对预训练和 Capex 的影响？ 20250702 摘要 Meta 积极挖角 OpenAI、谷歌和 Anthropic 等公司人才，尤其集中在 多模态处理、后训练和推理模型领域，旨在提升 LLAMA 模型竞争力， 加速下一代大模型研发。 Meta 通过收购 Skill AI 加强数据筛选能力，弥补参数量不足，同时加速 集群建设，学习 OpenAI 模式，综合提升数据、人力和算力，推动下一 代模型发展。 OpenAI 的 O1 模型核心团队成员流失，任宏宇、赵胜佳和余佳慧等关 键人物被挖走，对 OpenAI 造成一定冲击，促使其加快发展步伐。 AI 人才薪酬大幅上涨，顶尖人才年薪高达一亿美元，显示科技公司对 AI 人才的争夺白热化，扎克伯格通过高薪全面压制竞争对手。 2025 年下半年，科技公司将回归预训练阶段，Meta、谷歌和 OpenAI 采取不同策略：Meta 侧重数据，谷歌优化架构，OpenAI 坚持大集群战 略。 Q&A 近期硅谷的变化对全球大模型 AI 演绎节奏有何影响？ 近期硅谷的变化显著加快了全球大模型 AI 演绎的节奏。今年（2025 年）下半 年，美国将进入新一轮的大模型迭 ...

作者 | Zh.ai 编辑 | 自动驾驶之心 原文链接： https://zhuanlan.zhihu.com/p/1920858767987308475 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 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 本文只做学术分享，如有侵权，联系删文 WAD前五名 纯视觉端到端驾驶比赛前五名，第一名Poutine（截至2025.6.25） 技术报告： 比赛第一名方案： Poutine Vision-Language-Trajectory Pre-Training and Reinforcement Learning Post-Training Enable Robust End- to-End Autonomous Driving 技术摘要： 1. 主体是3B参数VLM，解决视觉端到端自动驾驶长尾场景； 大模型预刷生产annotations 2. 两阶段训练： 技术方案： a. 阶段一预训练。自监督，vision- language- trajectory，next-token prediction方式，训练数据8 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨具身智能之心 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 最近很多同学询问π0、π0.5、A0都是啥？用在什么地方？能实现哪些功能？方法论有啥不同？前面 刚开始听到这些，也一头雾水，今天为大家梳理下。 π₀模型结构 原文：π0: A Vision-Language-Action Flow Model for General Robot Control π₀的核心架构基于 预训练视觉语言模型（VLM） 和 Flow Matching 技术，具体包含以下关键组件： VLM backbone 动作专家（Action Expert） 跨具身训练（Cross-Embodiment Training） 整合 7 种机器人、68 项任务、超 10,000 小时数据（含开源 OXE 数据集），通过权重调整处理不 同机器人的动作空间差异（如零填充低维动作向量）。 训练流程 基于 PaliGemma V ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨具身智能之心 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 最近很多同学询问π0、π0.5、A0都是啥？用在什么地方？能实现哪些功能？方法论有啥不同？前面 刚开始听到这些，也一头雾水，今天为大家梳理下。 π₀模型结构 原文：π0: A Vision-Language-Action Flow Model for General Robot Control π₀的核心架构基于 预训练视觉语言模型（VLM） 和 Flow Matching 技术，具体包含以下关键组件： VLM backbone 动作专家（Action Expert） 跨具身训练（Cross-Embodiment Training） 整合 7 种机器人、68 项任务、超 10,000 小时数据（含开源 OXE 数据集），通过权重调整处理不 同机器人的动作空间差异（如零填充低维动作向量）。 训练流程 基于 PaliGemma V ...

6月20日，在华为开发者大会2025(HDC2025)上，华为常务董事、华为云计算CEO张平安发布盘古大模 型5.5。张平安表示，本次盘古预测大模型的关键升级点是，采用其首创的triplet transformer统一预训练 架构，将不同行业的数据，包括工艺参数的表格数据，设备运行日志的时间序列数据，产品检测的图片 数据进行统一的三元组编码，并在同一框架内高效处理和预训练，可极大提升预测大模型的精度，并大 幅提升跨行业、跨场景的泛化性。(智通财经) ...

生命的语言以 DNA、RNA 和蛋白质的形式编码，构成了生命的基石，但由于其复杂性，解读起来颇具挑战。传统的计算方法往往难以整合这些分子的信息，从而 限制了对生物系统的全面理解。 撰文丨王聪 编辑丨王多鱼 排版丨水成文 LucaOne 在 基于 169861 种物种的核酸和 蛋白质序列进行了预训练，通过大规模数据整合和半监督学习， LucaOne 展现出了对诸如 DNA 翻译为蛋白质等关 键生物学原理的理解 。利用少样本学习， 它能够有效地理解分子生物学的 中心法则 ，并在涉及 DNA、RNA 或蛋白质输入的任务中表现出色 。我们的研究结果 突显了统一基础模型在解决复杂生物学问题方面的潜力，为生物信息学研究提供了一个灵活的框架，并有助于更好地解读生命的复杂性。 自然语言处理 （NLP） 技术的进步，尤其是预训练模型的发展，为解读生命的语言带来了新的可能。想象一下，如果存在一种"翻译器"，能够像我们理解人类语 言一样，读懂构成生命的核心"语言"——DNA、RNA 和蛋白质序列中蕴含的复杂信息，那将会怎样？ 2025 年 6 月 18 日，阿里云智能飞天实验室 李兆融 、 贺勇 及中山大学 施莽 教授等，在 Na ...

撰文丨王聪 编辑丨王多鱼 排版丨水成文 2025 年 6 月 18 日，国际顶尖学术期刊 Nature 上线了 19 篇论文 ， 其中 9 篇来自华人学者 （包括作为通讯作者和第一作者的论文） 。此外，本周一 （6 月 16 日） ， Nature 加速上线了一篇来自复旦大学的研究论文。 6 月 18 日，清华大学 张强 教授、 同丹 助理教授作为共同通讯作者，在 Nature 期刊发表了题 为： Strategies for climate-resilient global wind and solar power systems （ 气候适应型全球风能和太阳能电力系统的策略 ） 的研究论文 【1】 。 6 月 18 日，霍华德·休斯医学研究所珍妮莉亚研究园区博士后 钟林 作为第一作者兼共同通讯作者，在 Nature 期刊发表了题为： Unsupervised pretraining in biological neural networks （ 生物神经网络中的无监督预训练 ） 的研究论文 【2】 。 6 月 18 日， 新加坡国立大学 刘小钢 院士、 厦门大学 梁亮亮 教授作为共同通讯作者，在 Natu ...

端到端多模态GUI智能体有了"自我反思"能力！南洋理工大学MMLab团队提出框架GUI-Reflection。 随着多模态大模型的发展， 端到端GUI智能体 在手机、电脑等设备上的自动化任务中展示出巨大潜力。它们能够看懂设备屏幕，模拟人类去 点击按钮、输入文本，从而完成复杂的任务。 然而，当前端到端GUI多智能体的训练范式仍存在明显的瓶颈：当前模型往往使用几乎完美的离线演示轨迹进行训练，使得模型缺乏反思和改 正自身错误的能力，并进一步限制了通过在线强化学习激发和提升能力的可能。 GUI-Reflection 的核心思想是在智能体的各个训练阶段引入 "反思与纠错"机制 ，这一机制贯穿 预训练、监督微调和在线训练 全过程，模 拟了人类 "犯错→反思→重试" 的认知过程。 1. GUI预训练阶段： GUI-Reflection 团队 投稿 量子位 | 公众号 QbitAI 提出GUI-Reflection Task Suite任务套件, 将反思纠错能力进一步分解，让模型在预训练阶段框架让模型初步接触反思类任务，为后续打 下基础。 2. 离线监督微调阶段： 构建自动化数据管道，从已有离线无错轨迹中构建带有反思和纠错的 ...

| 机器之心报道 | | --- | 编辑：张倩、陈陈 谁说强化学习只能是蛋糕上的樱桃，说不定，它也可以是整个蛋糕呢？ 在 2016 年的一次演讲中，Yann LeCun 曾将强化学习比喻成蛋糕上的樱桃。他提到，「如果把智能比作一块蛋糕，那么无监督学习就是蛋糕的主体，监督学习就是 蛋糕上的糖霜，而强化学习则是糖霜上的樱桃。我们已经知道如何制作糖霜和樱桃，但却不知道如何制作蛋糕本身。」 从 2016 年至今，LeCun 对强化学习一直不看好。然而，不可否认的是，强化学习在提升 AI 模型能力方面正变得越来越重要。而且，来自微软的一项新研究显 示，它不仅在后训练阶段发挥着关键作用，甚至在预训练阶段也展现出巨大的潜力。 在这篇题为「Reinforcement Pre-Training」的论文中，作者提出了一种名为「强化预训练（RPT）」的新范式。在这种范式中，下一个 token 预测任务可以被重新定 义为一个通过强化学习训练的推理任务。在这一任务中，模型会因正确预测给定上下文中的下一个 token 而获得可验证的奖励。 这就好比在制作蛋糕的过程中，直接将樱桃融入到蛋糕的主体结构中。 作者指出，RPT 范式的好处在于 ...