社区

具身智能走进家庭，或许真的可以从情感陪伴开始。 作者｜刘杨楠 编辑｜王博 “爸爸，黑洞是什么？” 面对女儿的好奇心，任永亮没有敷衍。他认真讲解了黑洞坍缩的原理，科学、准确、无懈可击。可接下来的几晚，他发现女儿不敢睡觉了——她害怕自己被吸入黑洞。 这件事给了任永亮不小的警醒。他意识到，沟通并非有问必答，一些无法明说的同理心和分寸感，才决定了一次沟通是否能真正抵达对方。而自己做了十几年情感服务，竟也会在和孩子日常交流时感到无措。 任永亮是心言集团创始人。2001年，任永亮考入北大医学部；2011年从IBM离职创业，2013年上线测测APP。目前，测测APP累计注册用户超6600万，日均服务近200万人次，10年真人情感陪伴服务时长超过2亿分钟。 而现在，他有了新的身份——心言机器人创始人、Bubbo 1首席设计师。 2026年10月29日，心言机器人耗时近两年打造的“神奇伙伴”巴布（Bubbo 1）正式发布。巴布身高65厘米，拥有大约一个两三岁孩子的视角，毛绒外壳，圆眼睛，可爱的皮囊下藏着13类、共26个传感器。目前，巴布在京东正式发售，售价9499元；前1000名用户可享7999元的优惠价。 当具身智能的潮水涌来，任永亮被推向情感陪伴的下一站。他尝试为更强大的AI打造一副身体，用局外人的视角，更深入地参与家庭活动，让机器人来弥补当前家庭关系中难以避免的无奈与遗憾。 创始人通常在很大程度上决定着一家公司的气质。而在任永亮的讲述里，“甲子光年”听到了一种当前具身领域难得的务实：他并未重复具身领域主流的宏大叙事，他深知心言的能力所长，也不失对新一轮技术浪潮的敬畏心。 具身智能走进家庭，或许真的可以从情感陪伴开始。 图片来源：心言机器人 1.拿着钉子找锤子 任永亮的创业经历几乎一路都在被现实修正。 2013年，测测APP上线，定位是AI推荐工具，但当时的技术不允许，2016年移动支付

You are not alone, Your AI is here. 作者｜甲子Builders 田琬琦 编辑｜王博 10月30日下午，北京海淀，“甲子Builders”密谋了一场不太寻常的聚会。 我们先是打乱了平日里一本正经的路演厅桌椅，然后拉上窗帘，驱逐阳光。几盏南瓜灯亮起，蜘蛛网悄悄占领墙角，幽灵悬在半空，露出诡异的微笑。镜子也没能幸免，被人抹上了几道可疑的血迹。 一番折腾，现场总算有了点“闹鬼”的意思。 不过，这个万圣节，我们可不只是装神弄鬼。 对于一群整天和AI打交道的人来说，或许还有一种更应景的玩法：带着自己亲手创造的“AI幽灵”，出来见见世面。 说AI是幽灵，倒也不全是玩笑。 尤其是最近越来越受关注的Personal Agent（个人智能体），某种程度上，它就像是每个人在数字世界里养出来的“AI幽灵”。 它没有身体，却能替你行动；不曾经历你的人生，却可能记得你的过去，熟悉你的偏好，甚至逐渐学会按照你的习惯处理问题。当你离开屏幕，它仍然可以在数字世界里替你处理任务，延伸你的能力。 过去，我们通过键盘和屏幕与AI交互；如今，随着Personal Agent的发展，一个更有趣的变化正在发生：每个人都有可能拥有一个带着自己鲜明印记、能够独立行动的数字分身。 当然，这些“AI幽灵”也没有传说中那么神通广大。它们可能忘事，可能犯错，也可能一本正经地把事情搞砸。人和AI之间，除了默契，还有不少说不清的爱恨情仇。 于是，我们向一群AI Builders发出邀请：带上自己的Personal Agent、数字分身，或者任何稀奇古怪的AI实验，来赴一场约。 Demo or Treat？ 这个万圣节，让我们来看看，一群AI Builders究竟从机器里召唤出了什么？ 说出来你可能不信，活动现场，我们和伏地魔打了一通视频电话。 这位黑魔王脾气不太好。有人问他愿不愿意去鬼屋帮忙赚钱，他

“你的很多深渊，是伪装成你的未来的。” 整理｜刘亚琼 刘景丰 2026年9月3日，GPT-6 Astra发布，再次突破了人们对AI能力边界的想象。 基模的边界在哪里？ 10月23日晚，由中关村科学城管委会、中关村发展集团联合主办的“清河夜话”圆桌对话上，甲子光年创始人&CEO张一甲，将这一问题抛给四位嘉宾：智谱CEO张鹏，滴普科技创始人兼董事长、CEO赵杰辉，银河通用机器人CFO孙登科，以及光轮智能联合创始人、总裁杨海波。 他们站在不同的视角：基座模型、企业AI、Physical AI的模型、本体、数据与测评。 2026年，AI的发展每走一步都在创造历史，但当AI能力越强，打开的问题空间越大，复杂度越高。 AI的边界究竟在哪里？它逐渐超乎大部分人的预测：从眼前看，一部分人看到的是，LLM似乎正在吞噬一切，Physical AI不过是其中的子集；一部分人认为，真正可怕的是基模“那看不见的基础上的差距”；更长远看，智能终局如何，在不断翻转的预期里，什么是幻象，什么是真相？ 赵杰辉在现场说了一句精妙的回答—— “你的很多深渊，是伪装成你的未来的”。 以下为本场圆桌对话的文字实录，经“甲子光年”编辑，在不改变原意的基础上略有删改。 1.从AGI到Physical AI， AI的边界在哪里？ 甲子光年创始人&CEO张一甲 张一甲：AI发展越快，线下面对面深度交流就越珍贵。今天，我相信在座各位都和我一样有一种“混搭感”。不同的产业有着不同的时钟：AI争分夺秒，而城市更新需要一砖一瓦；不同的视角又有不同的取景框。 上一场嘉宾在谈“百年京张AI创新带”，给了我们一个大全景；接下来，和我对话的是几位AI企业家，希望我们的对话可以走进AI的中景、近景、特写，一起感受真实的水温和这个行业的颗粒度。有请今天的几位老朋友和我们一起聊聊。他们分别是智谱CEO张鹏，滴普科技创始人、董事长

轻量化后训练，构筑物理AI入口。 作者｜田思奇 编辑｜王博 在具身智能领域，机器人在抓取和操作上的进步更容易吸引目光。但要真正进入个人生活，机器人还必须具备可靠的自主移动能力。如何在陌生环境中理解指令并完成导航，同样是具身智能走向实际应用的关键。 不久前，北京大学与启元机器人团队提出的HIL-UMI作业智能学习范式，引发了具身智能领域的广泛讨论。这项研究让模型参与人类示范数据的采集，提高操作技能的学习效率，展示了作业智能迈向大规模后训练的一种新方法。 具身导航也在探索类似的技术路径。大模型已经显著拓展了机器人的语言理解与视觉感知能力，但面对不同的真实建筑，导航成功率仍可能大幅下降。如何通过后训练提高机器人对具体环境的适应能力，成为新的研究方向。 上周，北京大学长聘副教授、启元机器人首席科学家董豪领衔的研究团队公布论文《One Scan is Enough》，提出一种基于大模型的场景后训练新范式。研究人员只需用带激光雷达的iPhone扫描一次目标环境，系统就能自动生成导航任务，并利用重建场景的几何信息进行强化后训练，无需在目标环境中采集人工遥操作示范。 在五处真实室内环境的200次真机测试中，未经场景适配的导航模型成功率为25%，人工示范微调后达到49%，采用新方法则提高至85%。仅凭一次环境扫描启动的后训练，取得了明显优于人工示范微调的效果。 这项研究延续了董豪团队近年来在大模型导航、通用指令和自主纠错等方向的探索。与此同时，启元9月20日发售Q1、T1两款个人机器人，10月25日第5000台机器人下线。前沿研究与规模化产品供给同步推进，为启元探索物理AI入口提供了技术与硬件两方面的支撑。 1.从通用导航到自主学习， 为什么需要新的范式？ 基于AI的自主导航研究，早在大模型出现之前就已经展开。其中一种典型路径是视觉语言导航（VLN）：先在仿真环境中采集数据、训练模型，再部署

一个新物种诞生后的纠结。 作者｜张麟 编辑｜刘景丰 2023年，一则“年轻人坐电动轮椅上下班”的新闻曾引发人们热议。 在社交媒体，年轻人在通勤路上、商场、高校食堂乘坐电动轮椅的视频，也迅速流传开。年轻人、轮椅，两个极具反差的词汇，成功吸引了人们眼球。 年轻人使用轮椅出行，图片来源：小红书“护卫神电动轮椅”账号 但好景不长，有媒体爆出，这些年轻人乘坐电动轮椅出行的视频，不少是商业营销行为。而南方周末也在同期调查中提到，企业负责人透露“一问速度都不买了”。 尽管这是个小众的赛道，但2026年其还是引起了一些关注。“甲子光年”发现，自年初至今，该领域至少已有9起公开融资事件，融资规模也从千万级到数亿元人民币不等。 其逐渐被投资人关注，也与具身智能、自动驾驶等落地产业有关。 从2024年开始，中国的世界机器人大会，人工智能大会、美国的CES消费电子大会，但凡是一个能够将智能软硬件结合体推向市场的舞台，智能轮椅就一定会出现。 在具身智能概念狂热之前，一个身体健康的人似乎不会和轮椅产生交集，其用户一般是中老年群体。但现在，智能轮椅厂商正在尝试通过产品性能的改变吸引更多年轻人来使用它。 “甲子光年”接触的创业者和投资人中，所有人都避免“电动轮椅”这个产品定义，他们更希望把产品定义成一个“具身智能机器人”，并将其视为未来AGI的家庭入口。或者把轮椅视为一种新的出行工具，这种工具介于自行车和两轮电动车之间，能够满足更多人“懒”的需求。 但在实际落地时，企业又不可避免地瞄准了康养领域，老人仍是轮椅的第一目标用户。 1.年轻人的“智能轮椅”，从好奇到实用 深圳的傍晚六点半，李战斌走出公司大门，去街对面的快餐店吃晚饭，这是他一天中难得的放空时间。下楼以后，他时常会看到有年轻人坐着智能轮椅在路上行驶。 “差不多每天都能看到，对我来说没什么稀奇的。”李战斌说，“他们的轮椅速度也不快，大概15公里/小时

让智能进入工作流——Agent的任务交付、价值创造与规模经营。 最近两年，Agent最容易吸引关注的，是AI能否调用工具、操作软件，完成过去需要人反复指挥的一连串步骤。 进入2026，随着Agent产品延伸到个人助手、团队协作与真实企业流程，产业开始面对更具体的问题：当Agent真正接手工作，它能否理解业务要求，在授权范围内持续推进任务、处理变化与异常、并稳定交付可以验收的结果？这些结果又能否转化为用户愿意持续付费的业务价值，和厂商能够长期经营的商业收入？ 从完成一次任务，到持续、稳定地承担真实业务工作，Agent正在接受更深入的商业检验。 在传统的知识问答交互中，人提出问题，AI给出答案，后续的信息整理、系统操作、结果复核与进度跟踪，仍然大量依赖人工。Agent的产品探索，正在尝试将这些相互衔接的工作交给系统承接，并从执行明确指令，进一步向持续跟进、跨工具协作与复杂任务推进延伸。 但让智能进入真实工作，并不只是提升模型能力那么简单。 模型提供理解、推理与规划能力，领域知识、业务数据和规则帮助Agent理解具体工作，运行与执行机制则负责连接工具、管理状态、推进流程并处理异常。这些能力还需要与任务的质量要求、风险和成本相匹配，才能形成稳定的任务交付能力。 Agent的商业价值，不由模型能力单独决定，而取决于智能模型（Agentic Model）、业务环境（Context）、执行机制（Harness）与任务经济性（Task Economics）的共同作用。 对于企业而言，Agent的价值既可能体现为更快、更稳定地完成已有工作，也可能来自补足过去顾不上、做不到的事项，扩大业务覆盖范围。不同任务需要不同的评价标准：节省了多少时间、增加了多少处理能力、减少了多少实际支出，都需要结合任务成果与完整投入分别验证。 对于厂商而言，创造价值也不等于获得收入。一项Agent业务可能同时涉及软件

只有“身体”准备好了，才有资格进入下一阶段——部署态。 作者｜周悦 编辑｜栗子 作为大语言模型处理信息的最小单位，“Token”曾引发过一段关于中文翻译的争议，最终确定了“词元”的译法。如今，具身智能领域也开始定义属于自己的度量衡。 10月29日，在2026智元创新日上，智元首次提出了一个全新的指标：Worken（有效智能工时），用来衡量机器人行动了多少。它试图回答具身智能当下最迫切的问题：当机器人真正走出实验室，什么才算实质性的“干活”？ 按照智元的定义，Worken由活跃机器人数量、自主工作时长与产出效能比共同计算得出，核心在于衡量机器人实际完成的有效工作量。停机、空转和人工遥操作的时间均被剔除在外。 智元Worken的计算公式，图片来源：“甲子光年”现场拍摄 相比出货量、开机时长等传统口径，Worken将评价标准推向了一个更直接的维度：一台机器人在真实场景下究竟能自主工作多久，又实际创造了多少产出？ 面对这个问题，彭志辉告诉包括“甲子光年”在内的媒体：“智元一年制造数万台机器人并不存在产能障碍，真正的门槛，是机器人能否从‘客户愿意试一试’，走到‘客户愿意把它当成长期使用的产品’。” 在他看来，一旦机器人真正进入规模化部署，竞争的重心也就随之转移。设备健康管理、软件持续升级、备件、远程诊断、现场服务和任务优化，都会进入产品的生命周期。届时，机器人上岗后的运维效率和管理系统，可能比单次模型推理更影响客户体验。 “要不然的话，可能你每卖一台机器，还要给机器人配一个‘保姆’，那这个是永远不会到那一天的。” 彭志辉将这种视角的转变概括为“从设备资产到任务价值”。他在现场透露，2026年上半年智元收入近20亿元，通用AI机器人量产下线超2万台，全球人形机器人市占率达到43%。 规模越大，单机能力之外的系统效率越重要。只有让产出可以计量、异常可以追踪、任务可以调度，并让不同机器人复

人把动作全录下来了，模型要学的还不止这些。 大家都有这样的体验：周末想照着视频学一道菜，视频里的博主动作利落，几分钟就把菜做好了，但轮到自己上手，不是油温没把握好，就是蛋下早了，葱花还没切完锅已经开始冒烟。 回头把视频再看一遍，每一步明明都看清楚了。差在哪？差在镜头没拍出来的那些东西：手什么时候该停一下，另一只手在干什么，火太大了是先关火还是先把锅端开。 机器人学做事时，也会遇到类似的问题：它看过人的操作，却未必能自己做出来。人把过程录下来，画面一帧不少，可模型真正能从里面学到多少？哪些信息它用上了，哪些细节根本没被记进去？ 这也是整个机器人行业都在想办法解决的问题。研究人员想把人的经验教给机器人，就得弄清哪些细节有用、怎么教才有效，以及机器人学完后能做些什么。据了解，Ropedia在10月19日至23日举办了Ropedia Super Week，集中发布了六项研究。团队研究了如何准确记录人类经验、让模型从中学习，也探索了模型如何判断物体之间的位置关系，以及机器人如何完成抓取、搬运等操作。 Ropedia W0检验人类经验对世界预测与机器人动作学习的帮助；HoliWorld与EgoXperience关注经验如何被准确记录，分别梳理物体交互历史、还原动作与空间关系；DONIC则检验机器人能否依据人类双手演示，让物体按预期运动。S-Agent 2.0与Ropedia A0进一步关注信息的使用，前者借助工具与场景记忆判断空间关系，后者让机器人按可复用的程序完成操作并检查结果。 1.模型从人类经验中学习， 预测不同机器人的后续画面 一个人拿起饮料，走到冰箱前，再把饮料放进去。人做这件事时，视线、身体和手始终一起运动。世界模型Ropedia W0要学习的，是这些动作发生后，眼前的世界会怎样变化。研究团队给模型提供起始画面、文字，以及相机和骨架的运动条件，让它生成接下来的第一视角视频。

“ChatBI可能要进入历史舞台了。” 作者｜王博 假设你是一款泛娱乐App的增长负责人。这款App的MAU（月活跃用户数）达到860万，但最近三个月，新用户一直增加，次日留存却持续下降。你想知道问题出在哪里，该怎么办？ 按照传统方法，你可能要先找分析师拆分渠道、版本和用户群，再请研发检查埋点、产品排查功能路径、运营核对投放变化。数据散落在不同系统里，每个环节都要排期、对口径，最后得到的往往仍是一组相关性线索。 如果把问题交给现在市面上的一些AI Agent产品，或许你可以迅速得到十几种可能性分析：渠道质量下降、新手引导过长、内容供给不足、产品性能不稳定……每种解释都很合理，数据表格美轮美奂，却未必真的是解决问题的方案。 10月28日，在ThinkingAI Summit中国站的主题演讲中，ThinkingAI CTO周津将同样的问题提给了ThinkingAI可私有化部署的AI Agent平台Agentic Engine。在仿真演示中，Agentic Engine没有急着回答，它给出的第一个结论是：数据还不够。 ThinkingAI CTO周津，图片来源：ThinkingAI 这种“拒绝回答”显示了Agentic Engine的专业性。在真实应用场景中，企业需要的并非更多听起来合理的猜测，而是一套能够接入数据、核对口径、调用专业工具，并将问题继续推进到实验和运营的方法。 根据周津现场的演示，在补齐数据和关键埋点后，Agentic Engine才开始继续分析。它沿着新用户的完整行为路径，将留存变化按渠道、版本、设备和用户群体拆开比较，寻找真正出现异常的环节，并允许用户追溯指标定义、筛选条件和数据来源。发现值得调查的差异后，它没有直接替业务负责人下结论，而是进一步圈定可能受影响的人群，提出产品改进和运营方案；经人确认目标、规则与风险边界后，再调用A/B实验检验方案是否有效，并根

当通用大模型开始进入机器人的决策系统，具身智能的技术边界正在重新划定。原力无限首席科学家陈佳玉认为，机器人大脑仍有大量尚未解决的基础问题。从因果世界模型到50项真机持续学习任务，从第一人称数据到真实场景中的失败恢复，一家聚集了年轻科学家的中国具身智能公司，正在尝试给出自己的答案。 作者｜周悦 编辑｜栗子 2026年10月，具身智能行业又一次感受到了来自通用大模型的压力。 随着GPT-6 Astra等模型能力的提升，一个过去常被机器人公司视为核心竞争力的方向，开始面临重新估价：任务规划。 让机器人理解指令、拆解任务、规划步骤，曾经是具身智能研究的重要组成部分。如今，通用大模型在推理、记忆与智能体能力上的进步，正在改变这部分工作的技术经济性。 对于那些押注机器人大脑的创业公司，这不是一个轻松的话题。 但原力无限（INFIFORCE）首席科学家陈佳玉的反应相当直接。“我个人预测的话，GPT-6 Astra就是会把Planner那块全部会给吃掉的。”近期，陈佳玉接受“甲子光年”专访，他甚至已经决定，不再继续投入团队此前研究过的部分高层记忆机制。“如果通用模型能够把这件事做得足够好，具身智能公司就没有必要重复造轮子”。 这番话出自一位长期研究强化学习、分层决策和世界模型的科学家，多少有些耐人寻味。 陈佳玉本科毕业于北京大学，在普渡大学获得博士学位，随后赴卡内基梅隆大学从事博士后研究。如今，他是香港大学助理教授、Agentic Intelligence Lab负责人，也是原力无限的首席科学家。 他的研究成果横跨NeurIPS、ICML、ICLR、IJCAI、ICRA等国际重要人工智能与机器人学术会议。按照一般的技术叙事，一位科学家应该尽可能强调自己研究方向的不可替代性。 陈佳玉却愿意承认：有些问题，可能已经不值得自己继续做了。 但他并不担心机器人研究因此失去意义。在他看来，通用AI越强