搜索
最近，工业界“RAG已死”甚嚣尘上。过去几年，AI领域的主旋律是“规模定律”（Scaling Law），即更大的模型、更多的数据会带来更好的性能。即便偶然有瑕疵，也认为只是工程上的不足，并非数学上的不可能。
现在做 AI 课程的，不计其数，吴恩达、Andrej Karpathy，Greg Isenberg 等人更是大神下凡支教。高校如斯坦福、MIT、哈佛等也有公开课资源。
机器人对可形变物体的操作（Deformable Object Manipulation, DOM），是衡量通用机器人智能水平的关键指标之一。与刚体操作不同，衣物、绳索、食物等物体的形态不固定，其状态空间维度极高，且物理交互过程呈现出复杂的非线性动力学特性，为感知、规划和控制带来了巨大挑战。
火遍全网的「氛围编程」（Vibe Coding），让人人都可以上手编程，写出自己的程序了。然而，作为Vibe Coder，和真正的软件工程师之间，还存在哪些差距呢？
22-25岁初入职场的年轻人，就业率同比已经下降了13%，AI带来的就业冲击愈发严峻。一些老板们也开始冻结招聘，将AI能力不足的求职者直接拒之门外。AI造就的新形势迫使我们认真思考，哪些岗位是很难被AI取代的呢？
谷歌回归搜索老本行，这一次，它要让 AI 能像人一样「看见」网页。 这是谷歌前不久在 Gemini API 全面上线的 URL Context 功能（5 月 28 日已在 Google AI Studio 中推出），它使 Gemini 模型能够访问并处理来自 URL 的内容，包括网页、PDF 和图像。
原来，Scaling Law在32年前就被提出了！ 不是2020年的OpenAI、不是2017年的百度，而是1993年的贝尔实验室。
这家由剑桥大学行为科学背景的 James He 和 Patrick Sharpe 创立的公司，声称能够通过 AI 模拟整个人类社会的互动模式。他们不是在构建另一个聊天机器人或者内容生成工具，而是在尝试解决一个困扰人类社会数千年的根本问题：如何准确预测群体行为。
今天凌晨，特斯拉公布了他们的《宏图计划第四篇章》。 与以往聚焦汽车或能源产品的蓝图不同，特斯拉这次描绘了一个更遥远、也更理想化的终点：一个由 AI 和机器人主导的「可持续富足」的社会。
AI 硬件，已经成为大模型之后，又一个令人兴奋的领域。 正如 AI Agent 从通用开始走向垂直，AI 硬件，也已经逐渐分化到「陪伴」、「工作」等各个垂直领域。