看了 @xmaquina 及 $DEUS 的最新文章，感受頗多 通俗點說，現在的機器人圈子正在上演一場“標準之爭”，就像當年電腦界的 Intel 和微軟，或者手機界的安卓 大家都想成為那個不可或缺的底層供應商 但是誰能，怎麼能，還需要時間的考驗 1️⃣第一個考驗就是誰能承載超大規模的運算？ 要把一個幾百斤的金屬疙瘩動起來，還沒延遲，對硬件的要求極高 英偉達（NVIDIA）是“老大哥”： 他們的Jetson Thor芯片目前是行業標杆。優勢在於生態太成熟了，幾乎所有搞機器人的都在用他們的工具鏈 但是競品也有，比如 Etched 走的是“極端路線”，專門給 Transformer 模型定製芯片。這種芯片跑 AI 特別快，但除了 AI 啥也幹不了 Hailo 走的是“省電路線”，主打低功耗。畢竟機器人揹著電池，如果大腦太耗電，走兩步就沒電了也不行 🤔硬件層面的競爭最後其實是“能效比”和“通用性”的平衡。英偉達雖然強，但如果未來某種特定算法（比如 Transformer）徹底統治了機器人領域，像 Etched 這種專用芯片可能會實現彎道超車 2️⃣如何讓機器人學會像人一樣思考？ 以前的機器人是“死”的，你得寫代碼告訴它每一步怎麼走；現在的趨勢是給它一個“大模型”，讓它自己去悟 但是像 Physical Intelligence (π) 和 Skild AI 都在幹一件事就是開發一個通用的模型。這意味著同一個“靈魂”，裝進機器狗裡能跑，裝進人型機器人裡能幹家務，不需要重新訓練 其中Covariant 已經在倉庫裡證明了自己，讓機器人學會了像人一樣處理雜亂的貨物 還有OpenAI 雖然不造機器人，但它在給各種機器人公司提供“語言和推理插件”。如果機器人能聽懂人話、會邏輯推理，那它離真正的智能就不遠了 🤔軟件層的核心競爭力其實是數據。誰能讓機器人通過“看視頻”或者“模擬訓練”積累更多的經驗（機器人小時），誰的模型就更聰明 這已經不是寫代碼的競爭，而是刷數據的競爭 3️⃣如何從實驗室走向現實場景 機器人不只是在實驗室裡走貓步，它們得去建築工地、電力巡檢甚至災後救援。 目前Sanctuary AI就特別強調“手”的靈巧性，畢竟如果手不靈活，再聰明的腦子也沒用 📖總結一下 現在的物理 AI 領域，大家不再只是比誰的機器人長得更像人，而是在比誰的芯片更省電、算得快，以及誰的模型更通用、更有靈性 現在的局面有點像 90 年代的個人電腦爆發前夜，大家都覺得這是一塊巨大的肥肉，紛紛在底層協議和核心硬件上插旗。最後勝出的，可能不是那個跑得最快的機器人，而是那個支撐所有機器人運行的“操作系統”和“中央處理器”