搜索
材料是 AI 最难进入的行业之一。实验周期长，数据采集难度大；材料的理论性能与成品的实际性能存在差异；并且材料从实验室走到工业界有巨大量产鸿沟。因此，一种新材料从确定原子怎么排列，到在产线上稳定量产，通常要走十年以上。
AI 设计的抗癌药物，正在人体临床试验中获得更多数据。
第一视角视频越来越多，研究人员怎样把这些记录变成能够改善机器人能力的训练信息？
具身智能不缺钱，也不缺演示，真正稀缺的是一条能复现的 Scaling 曲线。去年 11月，北美的 Generalist 发布 GEN-0，称首次在机器人身上观察到了这条曲线：预训练数据和算力越多，模型在下游任务上的表现就越稳定、可预测地提升。支撑这条曲线的，是超过 27 万小时的真实世界操作数据，和每周新增上万小时的采集速度。对绝大多数公司来说，曲线已经有人跑出来了，燃料却还没有。
基于预训练的 Cosmos-Predict2.5-2B，SkeLAM 使用总计约 10 小时的机器人交互数据进行训练。在人手到机器人的迁移实验中，输入换成人类演示，生成视频中的机械臂仍然呈现出与演示对应的运动方向。迁移时模型参数全部冻结，没有针对这些演示额外微调。
语义搜索能够帮用户找到最相关的内容，但有时候，相关性高，并不代表结果就应该被优先展示。
过去几年，随着 AI 大模型快速发展，算力成了一门越来越热门的生意。
在电子产品装配线上，将连接器插到主板上，看似简单，却要求在有限的生产节拍内准确、稳定地完成。面对零点几毫米的接口间隙，细微偏差就可能让连接器卡住，造成装配失败或零件损伤。
OpenRouter数据显示，Anthropic的Claude 5.5家族日调用量创下2.95万亿Token纪录，Fable 5.5则被曝已向摩根大通、Meta等企业客户灰度部署。
从软件迁移、浏览器操作，到仿真中的机器人任务，再到市场数据...翻看Einsia AI已经公开的研究项目，会发现他们的研究从不只围绕一个模型或一个行业展开，他们似乎热衷于不断把模型放进新的环境里，观察它能不能完成任务、能不能从结果中积累经验。