社区

领跑AI搜索与生成式答案新入口。 编辑｜栗子 AI营销技术正加速重塑品牌增长方式。 近日，国内行业头部AI营销科技公司智推时代GenOptima（以下简称“智推时代”）宣布完成数千万元天使轮融资。 本轮融资由上海知识产权基金、天图资本、知名个人投资人魏巍等参与投资，老股东三七互娱继续跟投。多维资本担任独家财务顾问。融资将主要用于AI营销技术研发、行业解决方案升级、全球化服务网络建设及核心团队扩充，进一步强化公司在AI搜索、生成式答案优化、品牌智能增长等方向的产品与交付能力。 1.一个问题：你的品牌，AI认识吗？ 用户获取信息的方式正在被AI重新改写。 过去，用户习惯打开百度、谷歌，输入关键词，点开链接，自己筛选信息。现在，越来越多人直接向ChatGPT、DeepSeek、豆包、Gemini、Perplexity提问：“有什么好用的XX品牌推荐？”“某某品牌靠谱吗？”“同类产品怎么选？”，然后等待AI给出一个答案。 这个变化对品牌的影响很直接。 过去十年，企业大量预算花在搜索排名、信息流曝光和内容种草上。如今，用户的决策入口正在前移到AI答案之中。品牌能不能被AI正确理解，能不能进入用户提问后的答案体系，正在影响用户对品牌的第一印象、信任判断和最终选择。 如果AI不了解你的品牌，或者理解是片面的、滞后的、失真的，品牌就可能在用户的决策过程中悄然缺席。对企业来说，竞争的焦点已经从“有没有排名”，变成了“有没有被AI读懂”。 根据艾瑞咨询2026年发布的《2026年GEO生成式引擎优化行业研究报告》显示，随着AI行业的快速发展，企业在AI搜索与生成式答案优化方向的投入，正逐步从试验性预算转变为核心营销战略之一，国内相关市场规模预计将于2030年突破500亿元。 图片来源：艾瑞咨询2026年GEO生成式引擎优化行业研究报告 在这一趋势下，生成式答案优化正在成为AI营销体系中的重要组

AI不只需要GPU，也需要硬盘。 作者｜王博 过去两年，关于AI基础设施的讨论几乎被GPU、HBM、高速网络和电力占满。 这并不难理解。大模型公司需要更多GPU训练和推理，也需要HBM为芯片提供足够高的带宽；高速网络决定了大规模集群能否协同工作，数据中心则要解决供电、散热和互联问题。围绕算力展开的每一个环节，都成了这一轮AI竞赛最显性的入场券。 围绕这些瓶颈，行业常常谈到“内存墙（memory wall）”。“内存墙”指的是计算芯片越来越快，但数据从DRAM、HBM等高速内存送到芯片的速度跟不上，导致算力无法被充分释放。它反映的是计算过程中的数据供给效率。 但当越来越多GPU被部署到数据中心，另一个问题也开始浮现：这些算力到底要分析什么？模型训练、推理、Agent、自动驾驶、机器人和生命科学应用产生的数据，应该放在哪里？保存多久？未来又如何被重新调用？ 如果海量数据不能以足够低的成本、足够高的密度和足够可靠的方式被长期保存、分层管理，并在需要时重新调用，是否会出现“存储墙（storage wall）”呢？ 在日常讨论中，“内存”和“存储”常常被混用，但在AI基础设施中，两者指向不同层级：前者偏向计算过程中的高速数据供给，后者则指数据中心里承载海量数据长期保存、分层管理和反复调用的基础设施，包括对象存储、高容量机械硬盘（HDD）、企业级固态硬盘（SSD）等。 那么，AI到底怎样改变了存储系统？硬盘在AI数据中心是否变得更重要？“存储墙”的影响是什么？存储行业最大的共识是什么？ 带着这些问题，近期，“甲子光年”独家对话了希捷科技云存储业务高级副总裁杰森·费斯特（Jason Feist）。 希捷科技云存储业务高级副总裁杰森·费斯特，图片来源：受访者提供 费斯特负责希捷科技（Seagate）全球云存储业务，在云基础设施、AI工作负载和数据中心存储系统方面积累了丰富的经验。他曾在希捷

把真实世界变成AI可以训练的世界。 过去一年，物理AI、世界模型、具身智能，成为AI行业最热的关键词。 如果说大语言模型的爆发，得益于互联网把人类知识变成了训练数据，那么物理AI的下一次突破，取决于真实世界能不能被精准表达，并成为训练环境。 而这，就是汤元科技要解决的问题。 具身智能很热。 新闻里越来越多Demo看起来已经非常接近“可用”。但真正决定具身智能能否走向大规模落地的，不是演示能否“成功一次”，而是离开演示环境能否“一直成功”，并泛化到成千上万个真实场景。 换句话说，具身智能真正的突破，不是做出一个更漂亮的Demo，而是训练出具备泛化能力和长程任务能力的大脑。 而大脑的发育程度，最终取决于它经历过什么样的训练。 汤元科技联合创始人、CEO任冬淳把这件事概括为一句话：物理AI的瓶颈，在于训练体系。 任冬淳博士毕业于中科院自动化所，长期从事机器人、视觉感知相关研究，他毕业前师从中国具身智能与机器人领域代表性学者、中国科学院院士乔红。 过去多年，他曾带队多次获得国际算法竞赛第一名。但在创业之后，他越来越明确地意识到：科研是比拼“长板”，产业落地则受限于“木桶短板” 2024年，任冬淳与团队共同创立汤元科技。公司以具身智能为核心方向，以世界模型为技术底座，首先就要回答一个更底层的问题：如何把真实世界变成物理AI 可以训练、试错和验证的体系。 1.物理AI的瓶颈，为什么是训练体系 问：现在大家谈物理AI，往往先谈更强的算法。你为什么强调训练体系？ 任冬淳：算法当然重要。 无论是自动驾驶，还是机器人，最终都需要更好的感知、预测、规划和控制能力。 但算法不是凭空变强的。 任何大模型能力的提升，背后都离不开数据和训练体系。大语言模型之所以能快速发展，是因为互联网文本、代码、图像、视频这些数据可以被大规模采集和训练。 但物理AI不一样。 物理AI面对的是真实世界。 真实世界是一个连

每一个ε像拳头一样去改变世界，大干一场。 作者｜甲子Builders 罗著、王修齐、田琬琦 编辑｜甲小姐 开场白：Let's zoom in! Zoom out。 如果你从很远的地方看这个时代，是一片近乎失真的景象。 所有人都在谈论同一件事：AI。以周为单位划上新刻度的模型，荒漠山谷和海岸线亮起的数据中心，昼夜运转的芯片，穿过机柜的电流，最大的信息流字号，透支的注意力，密集的议程。一切像某种新文明的地脉。 这是AI时代容易被看见的一面：宏大，耀眼，急速，不可逆的压迫感。 但这不是全部。 Zoom in。 欢迎来到AI时代的另一面，无数个体正在行动。 他们不只是畅想AI改变世界，不等待某个更强大的模型降临。 他们是这样一个群体：有趣的、叛逆的、锋利的、执拗的，甚至深刻的。 他们对旧世界常有怀疑，打算在新世界闯出点不一样。 他们在几分钟路演倒计时里解释一个还没被充分命名的理想；带着demo走到第一批内测用户前看对方在哪里停顿、哪里皱眉；在投资人一次次追问里证明：这个问题真实存在，这个解法值得下注，这个未来没有想象中那么远。他们接受质疑、得到反馈、推翻、修改、重来。 我们叫他们AI Builders。 如果你留意到我们的logo，它是一个小字符的化身：ε。 ε是希腊字母epsilon。数学里，ε是个可爱的小概念：一个任意小、但始终大于0的正数。 动人的地方不仅是小，而是它参与了一次数学史上重要的语言革命。在微积分早期，人们已有“无限接近”的直觉，但让它真正变坚固的，是后来数学家用“ε-δ”语言重新定义了极限、连续和收敛。 ε因此不只是小小的正数。它从直觉到严格、从感觉到证明、从模糊到可控，“小”成了一种力量。 今天，AI不缺宏大叙事，缺具体。AI Builders做的，就是把AI与真实世界的距离，一点点压到ε以内。 这恰是我们对AI Builders的理解。 “很小”。

Kairos希望把行业评估标准从生成质量推进到控制充分性。 作者｜周悦 寇雨然 编辑｜王博 机器人拿起一个杯子，真的需要理解整个世界吗？ 陶大程的回答是：不需要。甚至恰恰相反，机器人首先要学会的，可能是忽略那些与行动无关的信息。 它不必知道桌面花纹，也不用预测窗外的树影。它只需要知道杯子在哪，是什么形态、多重、该从哪里抓，以及万一抓失败了怎么补救。 陶大程将这类行动相关状态称为“控制充分状态（Control Sufficient State）”。他认为：“会改变行动结果的信息，就是有价值的信息。” 今年，“世界模型”成了具身智能领域最热的词之一。IT桔子6月发布的报告显示，国内已经有33家创业公司发布世界模型，累计融资超过260亿元，其中7家已经成为独角兽。 热度越高，概念也越杂。VLA（视觉-语言-动作模型）融合派、原生派，还有3D空间派、物理仿真派等各执一词。当所有人都在讲世界模型时，什么样的世界模型，对机器人真正有用？ 大晓机器人试图用“开悟世界模型（Kairos）”来回答这个问题。 在陶大程看来，模型或者技术路线叫什么并不重要，关键在于它能不能落到“行动后果”上。机器人不能只学会“看见什么就做什么”，还要知道“做了之后世界会怎样变”。 Kairos要解决的，不是生成一段足够逼真的未来状态画面，而是在机器人行动前判断：不同动作会带来什么后果，哪里可能失败，失败后是否还能恢复。 这也意味着，Kairos必须直面两件事：机器人怎么从失败里学习，部署能不能跟上真实行动节奏。“失败数据”和“部署效率”，由此成了它的另外两个关键词。 尽管提出了新概念，陶大程认为Kairos还只是对这个目标的一次早期系统性尝试。 他的标准很朴素：“真实任务结果才是最终检验目标的金标准。”大晓追求的是模型能不能真正提高任务成功率、失败预测和恢复能力，并且进入真实部署。 陶大程是大晓机器人首席科学家

具身世界模型的使命，从来不是完整复制世界，而是精准支撑行动。 作者｜陶大程 *本文为陶大程技术博客，“甲子光年”经其授权后编辑发布。陶大程是大晓机器人首席科学家、新加坡南洋理工大学杰出教授。根据国际学术信息平台Research.com 2026年计算机科学科学家排名，他位列新加坡第1、世界第13，同时也是澳大利亚科学院院士、FACM、FIEEE。 Every good regulator of a system must be a model of that system. ——控制论之父 W. Ross Ashby 今年以来，世界模型正在成为AI领域最受关注的方向之一。通用世界模型的生成能力在飞速演进：从几秒的场景补全到更长时间的连续视频生成，分辨率越来越高，动态细节越来越逼真。在许多通用生成模型的评估中，行业也逐渐形成了一条重要标尺：生成画面越接近真实像素，模型越容易被认为具备更强的世界模拟能力。 但在每天和真机打交道、盯着机器人落地成本的我们看来，这里存在一个容易被忽视的方向差异。能高清复刻世界的通用世界模型，并不必然等于能支撑机器人行动的具身世界模型。二者共享部分底层技术基础，但进入Physical AI之后，最终评价标准和部署约束会发生明显变化。 这并不是否定通用生成式世界模型的价值。恰恰相反，高质量的视频生成模型提供了重要的视觉先验、时序建模能力和数据生成能力。关键在于，当这类模型进入机器人系统时，评价标准必须从“生成得像不像”进一步转向“是否服务行动、是否降低风险、是否能在部署约束下被及时调用”。 我们可以从一个最朴素的机器人任务说起：伸手拿起桌上的一只水杯。如果按通用世界模型的逻辑，做好这件事意味着要生成足够真实的未来画面。桌面的木纹肌理、杯身的光影反射、窗外云层的流动轨迹，细节越丰富越好。 但对一台真实执行动作的机器人来说，这些像素级的细节绝大多

定义Physical Token经济学。 作者｜田思奇 编辑｜栗子 “春节一过，行业就开始关注机器人能不能干活了。” 具身智能行业不缺少宏大叙事。Physical AGI的想象足够迷人。但跨维智能创始人贾奎关心的是，一台人形机器人在工厂的每一次作业，会消耗多少数据、算力、硬件成本？客户能获得多少回报？ 这些问题被贾奎统称作“Physical Token经济学”。在他看来，物理AI不能只依赖巨量投入和宏大叙事。“目前行业最大的问题确实是太浮躁了，”贾奎说。“你天天秀Demo，总得拿出点可以解决问题的东西。” 贾奎是香港中文大学（深圳）终身教授，国内最早深耕空间智能和三维数据生成的学者之一。2021年创办跨维智能后，他试图把这些底层研究从论文和Demo中拉出来，变成能进入真实场景、产生商业价值的物理AI系统。 跨维智能创始人贾奎 5年来，跨维智能已在50多个细分行业部署了超1500个具身智能模型，产品覆盖机器人大脑、空间智能传感器和人形本体，自研DexWorldModel登顶WorldArena全球榜单。 公司近期完成10亿元B轮融资，投后估值超100亿元，投资方包括连投两轮的深创投、贵阳数字经济基金，原有股东南山战新投、成都科创投、四川院士基金追加跟投，以及新入局的前海母基金、蓝思科技、工银资本、恒健资产、诸瑞资本等。 这家今年营收预计达2.5-3亿元的公司，正冲刺世界模型赛道第一股。 围绕Physical Token经济学和对具身智能商业化路径的判断，贾奎在对谈中系统解释了跨维智能的技术路线、世界模型选择，以及工业和商业服务场景中的落地进展。以下为贾奎公开访谈内容，经“甲子光年”整理。 1.融资热之后，具身智能进入算账周期 提问：如何向不太了解跨维智能的人介绍这家公司？ 贾奎：跨维是一家物理AI公司，核心是用AI构建三维物理世界，以最高性价比的范式训练模型完成感知、决策到执

从单车智能走向平台可信。 作者｜田思奇 编辑｜栗子 Robotaxi行业正在从追求跑得足够远，转向能否被长期托付。 过去，自动驾驶行业习惯用路测里程、接管率和示范区规模证明技术成熟。但随着无人车迈入收费运营、多城规模化投放阶段，安全问题就不再只是单车表现，而是整个系统能否在真实城市道路中长期稳定运行。 在这个节点上，曹操出行的全面AI转型，补上了关键一环。 6月29日，2007年图灵奖得主、可信人工智能与复杂系统领域开创者之一约瑟夫·希发基思（Joseph Sifakis）正式出任曹操出行AI创新中心首席科学顾问。这也是希发基思首次深度参与中国科技公司的AI战略建设。 不到两周前，曹操出行于中国香港车博会正式发布RoboX战略，定位打造全球领先的物理AI移动科技平台，并公布“双十万计划”：2030年前累计部署10万辆Robotaxi与10万辆Robovan，搭建覆盖载人、载货的全域智能运力网络。 从发布全域运力战略，到引入图灵奖科学家坐镇，曹操出行的AI转型，已经下沉至可信AI底层架构与系统安全体系建设。对于正在迈向规模化商业落地的Robotaxi行业而言，这也意味着竞争重点正在从让车辆跑起来，转向安全可信能力建设的新阶段。 1.复杂系统如何获得信任：自动驾驶的四层难题 把希发基思的研究放到自动驾驶语境中看，可以看出它始终围绕一个底层问题：复杂系统如何从能够运行，走向可以信任。 “甲子光年”认为，自动驾驶行业今天面对的可信难题，可以分成几层。首先是可信依据的缺失。如今大模型、端到端架构等技术持续迭代，让自动驾驶的行车能力不断提升，但技术进步并不直接带来信任。车辆在一次测试中表现良好，不代表它在开放道路的长尾场景中始终可靠；模型在多数情况下判断正确，也不代表它能稳定处理复杂交互和责任边界模糊的问题。 希发基思开创的模型检测与形式化验证，恰好补齐了这一空白。这套技术不直接优化A

国产谐波减速器第二极来了。 作者｜张麟 编辑｜王博 谐波减速器有多热？资本市场已经给出过一次直观的回答。 2026年6月5日，X平台上一位绰号“白毛股神”的分析师Serenity发了一条帖子，称国产谐波减速器龙头绿的谐波，是其在人形机器人赛道“最青睐的中国上市标的”。 一句话很快在市场中发酵。当天午后，绿的谐波股价直线拉升，最终20%涨停，报收393元/股。一个交易日后，6月8日，绿的谐波继续上涨，收盘报428.25元/股，总市值突破785亿元，创下历史新高。 这场由二级市场放大的情绪，背后指向的是同一个产业判断：在人形机器人从Demo走向量产的过程中，谐波减速器正在成为最受关注、也最容易被资本定价的核心零部件之一。 如今，另一家国产谐波减速器企业也站上了资本市场。 2026年6月30日，浙江来福谐波传动股份有限公司（以下简称“来福谐波”）在港股完成上市，发行价为85.500港元，全球发行股数1344.19万股，募资总额约为11.5亿港元。截至上午11点15分，来福谐波股价为90.400港元，市值超过93亿港元。 谐波减速器和几乎所有减速器的功能都一样：降低转速，提升扭矩，以实现从主动机构到从动机构的精准控制。在人形机器人上，谐波减速器一般用于核心旋转关节，以特斯拉的Optimus Gen-2为例，其全身使用了14个谐波减速器，分别用于肩部、肘部、腰部等部位的旋转关节中。 虽然人形机器人还不是一个成熟的市场，但谐波减速器行业的寡头竞争已经开始出现。根据灼识咨询数据，来福谐波和绿的谐波是中国仅有的两家已实现人形机器人用谐波减速器交付并进入量产阶段的制造商，以2025年的出货量计算，这两家制造商的市场份额已经接近50%。 其中来福谐波在中国机器人谐波减速器市场中排名第二，份额21.4%，仅次于绿的谐波的27.5%。 在来福谐波港股上市之际，“甲子光年”对来福谐波创始人张杰以及北

类脑智能、小样本学习以及低功耗计算，将成为下一代机器人大脑的重要发展方向。 作者｜刘杨楠 编辑｜栗子 据《深圳特区报》报道，具身智能企业智平方完成一系列新融资，融资总额近50亿元人民币，估值超200亿元，成为粤港澳大湾区首个估值正式突破200亿元的具身智能企业。 “甲子光年”发现，本轮融资中，更值得留意的是资方的构成——中国文化产业体系基金、国家中小企业基金、广东省人工智能基金、南山战新投、粤港澳大湾区系列基金等区域重点平台持续加码；中国生物制药（正大集团）、康龙化成、茅台集团、招商局资本、五洲新春、万丰控股、中贝通信等多家产业龙头集体押注；多家保险公司以及中金资本、中信建投、洪泰资本等头部券商系资本及市场化投资机构深度参与；更有达晨财智、敦鸿资产、道得投资、锡创投、梁创投等老股东持续超额追加投资。 目前，智平方已集结国家队、大湾区、地方、险资、券商、千亿产业方、头部财投集体入局。这样一条完整的出资链条，在一个尚未形成商业化闭环的赛道里并不常见。 市场正在用真金白银押注的，是智平方开辟的一条少有人走的技术路线——类脑VLA。 今年智平方推出并开源了自研原创的类脑VLA模型NeuroVLA，该具身智能系统同时具备主动感知、故障自恢复与时序记忆三大类生物运动能力的具身智能系统，被业内视为下一代机器人大脑的重要演进方向。 6月23日至25日，在夏季达沃斯论坛上，智平方创始人兼CEO郭彦东博士向世界重点介绍了类脑具身智能系统NeuroVLA，并分享了中国机器人产业的发展路径与实践思考。 智平方创始人兼CEO郭彦东 郭彦东抛出了一个对行业的根本判断。 “如果所有人都沿着同样的大模型路线继续往前走，我们需要10倍的数据、10倍的电力。但现实世界并没有无限的数据和能源。”他认为，下一代机器人大脑不应只是算力和数据的竞赛，更需要探索更高效、更可持续的发展路径。而类脑智能、小样本学习以及低功