看了 @xmaquina 及 $DEUS 的最新文章，感受颇多 通俗点说，现在的机器人圈子正在上演一场“标准之争”，就像当年电脑界的 Intel 和微软，或者手机界的安卓 大家都想成为那个不可或缺的底层供应商 但是谁能，怎么能，还需要时间的考验 1️⃣第一个考验就是谁能承载超大规模的运算？ 要把一个几百斤的金属疙瘩动起来，还没延迟，对硬件的要求极高 英伟达（NVIDIA）是“老大哥”： 他们的Jetson Thor芯片目前是行业标杆。优势在于生态太成熟了，几乎所有搞机器人的都在用他们的工具链 但是竞品也有，比如 Etched 走的是“极端路线”，专门给 Transformer 模型定制芯片。这种芯片跑 AI 特别快，但除了 AI 啥也干不了 Hailo 走的是“省电路线”，主打低功耗。毕竟机器人背着电池，如果大脑太耗电，走两步就没电了也不行 🤔硬件层面的竞争最后其实是“能效比”和“通用性”的平衡。英伟达虽然强，但如果未来某种特定算法（比如 Transformer）彻底统治了机器人领域，像 Etched 这种专用芯片可能会实现弯道超车 2️⃣如何让机器人学会像人一样思考？ 以前的机器人是“死”的，你得写代码告诉它每一步怎么走；现在的趋势是给它一个“大模型”，让它自己去悟 但是像 Physical Intelligence (π) 和 Skild AI 都在干一件事就是开发一个通用的模型。这意味着同一个“灵魂”，装进机器狗里能跑，装进人型机器人里能干家务，不需要重新训练 其中Covariant 已经在仓库里证明了自己，让机器人学会了像人一样处理杂乱的货物 还有OpenAI 虽然不造机器人，但它在给各种机器人公司提供“语言和推理插件”。如果机器人能听懂人话、会逻辑推理，那它离真正的智能就不远了 🤔软件层的核心竞争力其实是数据。谁能让机器人通过“看视频”或者“模拟训练”积累更多的经验（机器人小时），谁的模型就更聪明 这已经不是写代码的竞争，而是刷数据的竞争 3️⃣如何从实验室走向现实场景 机器人不只是在实验室里走猫步，它们得去建筑工地、电力巡检甚至灾后救援。 目前Sanctuary AI就特别强调“手”的灵巧性，毕竟如果手不灵活，再聪明的脑子也没用 📖总结一下 现在的物理 AI 领域，大家不再只是比谁的机器人长得更像人，而是在比谁的芯片更省电、算得快，以及谁的模型更通用、更有灵性 现在的局面有点像 90 年代的个人电脑爆发前夜，大家都觉得这是一块巨大的肥肉，纷纷在底层协议和核心硬件上插旗。最后胜出的，可能不是那个跑得最快的机器人，而是那个支撑所有机器人运行的“操作系统”和“中央处理器”