铃阅
❌

普通视图

《全球 50 家最具潜力初创公司》发布

2026年11月12日 17:05

真格基金 2026-11-12 17:05 北京

11 月 11 日,美国科技媒体 The Information 发布《2026 全球 50 家最具潜力初创公司》榜单。

真格被投企业自然意志 Nature Will、心洲科技 Mindverse 入选。今年共有六家亚洲企业上榜,两家公司分别位列亚洲企业第二、第三。

10 月,自然意志发布首个面向物理世界的通用基础模型 Natura-1。该模型基于超过 100 万小时的人类第一视角数据预训练,能够零样本遵循语言指令。

心洲科技则聚焦大模型后训练,今年 9 月发布智能体模型 Macaron-V1.1。11 月,Deep Principle 发布开放权重科学模型 Hydrogen-1.0,Mind Lab 基于该平台参与了模型后训练。

#科技 #创业 #AI #机器人 #具身智能 #科技爱好者必看

跳转微信打开

AI 知道你睡了多久,却不知道你吃了什么:NUVELL 的新答案

2026年11月10日 10:45

与你同在的 2026-11-10 10:45 北京

下一代的智能厨房。

我们一直在思考一个问题:AI 时代的到来,究竟会给消费硬件带来什么样的变化?

过去几十年,消费硬件的创新大多围绕性能和效率展开。我们不断让设备变得更快、更智能、更自动化。

今天,智能手表可以记录我们的运动和睡眠,手机能够感知我们的日常行为,但我们依然很难准确回答一个简单的问题:我们每天究竟吃了什么?

如果一台设备能够直接参与食物的制作,是否就能在完成任务的同时,自然地记录食材、用量和加工过程,让 AI 逐渐理解一个人的饮食习惯?

这也是我们创立 NUVELL,选择从植物蛋白切入的重要思考之一。

今年,在柏林国际消费电子展(IFA Berlin)上,我们首次向全球消费者展示了 NUVELL Home Plant Protein System。这套设备能够自动完成植物奶、豆腐等不同植物蛋白食品的制作,并记录对应的蛋白质产出及摄入量。

我们希望先把植物蛋白的制作和摄入这件事做好,再通过设备积累的真实饮食数据,让 AI 从记录走向理解,逐渐了解每个人的饮食习惯与营养需求,最终提供更加个性化的营养建议。

纽未科技创始人罗定凌

AI 时代的硬件价值

过去,消费电子行业的创新主要围绕功能展开,产品升级往往体现为功能与交互的扩展。

消费者更希望设备能够自然融入日常生活,在不增加使用负担的情况下,持续提供有价值的信息与服务。

以 Oura 为例,智能戒指能够通过日常佩戴持续采集睡眠、活动及部分生理信号,并将这些数据转化为相对直观的健康信息。

有价值的智能化,应当让设备在尽可能不打扰用户的情况下,持续提供服务,并减少额外的交互。

功能数量并不必然等于实际获得的价值。即使产品具备丰富的分析能力,每天记录和整理的负担也可能妨碍长期使用。

当数据在日常行为中自然产生,并在适当的时候转化为有用的信息,智能服务才更有机会融入生活。

随着感知能力与 AI 模型的发展,设备可能同时承担数据获取、需求理解和物理执行的角色。硬件的价值,正在从完成某项功能,逐渐延伸至理解用户需求并持续提供服务。

身体数据的获取已经有了可穿戴设备,饮食数据能否也在日常使用中自然产生?

NUVELL 将目光投向了厨房。

数据获取,营养管理的未解难题

AI 技术正在降低营养分析的门槛。

通过拍照识别、食品数据库和个性化推荐,营养管理软件已经能够帮助用户了解食物的营养组成,并根据不同目标提供饮食建议。

但与可穿戴设备持续采集的睡眠、心率和运动数据相比,饮食数据的获取仍面临一个问题:用户往往需要主动记录自己吃了什么。

从手动输入到拍照识别,用户都需要在正常饮食行为之外额外完成记录。即使 AI 能够简化流程,长期记录仍需要用户持续投入时间和注意力。

营养管理的挑战也在于如何以更低的成本持续获得数据。

理想的营养管理,应当让数据尽可能自然地产生于日常生活,使用户沿用原有生活方式即可完成记录。

食物制作设备天然参与了食品生产。原料用量、加工工艺与最终产出,原本服务于制作,同时也与营养组成密切相关。

随着传感器、食品工艺模型和 AI 技术的发展,设备有机会利用这些数据估算营养组成。植物蛋白系统可以根据原料重量、豆水比例、过滤及凝固工艺,对最终食品的蛋白质含量进行估算。

当然,制作数据并不直接等同于实际摄入数据。营养产出仍需要经过模型估算与验证,而用户实际摄入量也需要结合食用量等信息进一步确认。

用户照常使用设备制作食物,过程中自然产生的数据便可用于营养管理,减少为记录而进行的额外操作。

NUVELL 家用植物蛋白系统 Plantein,可指导用户营养管理

厨房可能是 AI 营养管理缺失的一环

目前,大多营养管理产品围绕记录、分析和建议展开。

但从知道自己需要什么,到真正吃到符合需求的食物,中间仍然存在一段距离。

例如,当营养管理系统提示用户需要增加蛋白质摄入时,用户仍然需要自行决定食物种类、准备食材并完成制作。

智能厨房设备能够将配方和制作参数转化为实际的食物,从而有机会参与饮食建议的执行。

在 NUVELL 设想的系统中,AI 与智能厨房设备的结合,有机会让营养管理从单纯的信息服务,进一步延伸至实际的食物生产。

这一过程可被理解为五个环节:Record→Understand→Recommend→Make→Learn

设备通过正常的食物制作过程获取原料、配方和加工数据。

系统结合营养模型与用户主动提供的饮食目标,生成配方建议,再由厨房设备执行制作。制作数据与用户反馈又可以用于优化后续方案。

当用户希望增加植物蛋白摄入时,未来的系统可以结合其饮食目标、食材条件和口味偏好,推荐合适的植物蛋白食品。在用户确认后,设备按相应配方完成制作。

过去的营养管理主要帮助用户理解自己吃了什么,而未来的智能厨房有机会进一步帮助用户决定并制作符合自身需求的食物。

厨房设备同时具备数据获取和物理执行的能力,这也构成了营养建议落到日常饮食的基础。

厨房设备作为饮食的开端,能够提供最为权威真实的数据信源

为什么从植物蛋白开始?

对于一家早期硬件创业公司,挑战仍然是找到能够落地的产品切入点。

NUVELL 选择了植物蛋白。

以美国为例,GFI 公布的 2025 年市场数据显示,38% 的家庭购买过植物奶,其中 91% 也购买普通牛奶。植物性食品与原有饮食并存,消费群体早已超出严格素食者的范围。

植物奶在美国家庭的渗透(来源:Good Food Institute 2025 市场数据)

与咖啡、面包等已有成熟家用设备的品类相比,部分植物蛋白食品的家庭制作仍有较高门槛。

豆腐从浸泡到凝固、压制,需要多个步骤,也需要时间和操作经验。消费者也希望在新鲜度之外,掌控原料和配方,并按个人偏好调整豆腐的软硬程度与口感。

NUVELL 将制作不同植物蛋白食品的能力整合起来,形成家庭植物蛋白系统(Home Plant Protein System)。

Plantein 在 IFA 2026 展台的产品展示

植物蛋白制作涉及大量能够被量化和控制的工艺参数。

原料重量和豆水比例,连同加热、过滤与凝固条件,共同影响最终产出。这些可控制的参数,也为建立食品工艺模型和营养估算模型提供了基础。

IFA2026 柏林展会上,NUVELL 展台前观众驻足

在 IFA2026 展会上,NUVELL 展台前观众络绎不绝。

有意思的是,展会现场交流常常围绕适配原料、植物蛋白摄入和日常备餐时间展开。

观众索要食谱教程,也希望更清楚地了解自己每天吃了什么。自主制作的吸引力延伸到了对日常饮食的安排。

在 NUVELL 官网公布的早期体验记录中,柏林生活方式社群体验者 Sophie Wagner 对选择原料、做出不同成品印象很深,认为这让制作更贴近个人偏好。

曾经手工制作豆腐的 Lara Kühnel 则提到,过去的流程耗费太多时间和精力,自动化让在家制作新鲜豆腐轻松了许多。

Yanko Design 记者 Sarang Sheth 的现场报道,记录了另一种转变。

他此前从未认真想过豆腐是怎样制成的,听过介绍后,却开始琢磨抹茶豆腐配吐司的味道。豆腐由此接入了他熟悉的早餐,一套开放的制作工具,也有了适应不同饮食习惯的可能。

IFA 期间,NUVELL 还获得了 BFM TV、Sat.1 Frühstücksfernsehen 和ARD Morgenmagazin(ARD MOMA)等欧洲媒体与节目的关注。

科技媒体讨论产品形态,大众新闻与晨间节目则让这一品类接触到更广泛的家庭受众。

IFA 2026 现场,NUVELL 获颁 inside digital 编辑选择奖

该产品将植物蛋白食品制作过程中原本分散的步骤整合到自动化系统中。用户可以利用大豆等植物原料,制作植物奶、豆腐脑以及不同质地的豆腐等食品。

此外,用户还可以通过调整原料比例和制作工艺,改变食品的配方与口感。

这些能力首先服务于食品制作,也为更加精细的营养模型提供基础。更长期的目标,是探索如何让家庭食品生产变得更加标准化、可定制和数据化。

当设备能够相对准确地控制制作过程,并持续积累经过验证的工艺与营养数据时,系统才有机会进一步根据用户需求提供更加个性化的食品制作方案。

植物蛋白则是 NUVELL 探索智能厨房生态的第一个产品入口。

植物蛋白食品已成为日常餐桌不可或缺的一部分

建立一个由营养节点组成的生态

单一设备很难覆盖家庭全部的饮食需求。

在 NUVELL 的长期设想中,不同食物制作设备将共同构成一个连接营养数据与用户需求的系统,每类设备围绕各自擅长的制作场景,提供数据获取和执行能力。

咖啡设备可结合制作过程探索咖啡因含量估算,并用于饮用习惯管理。智能厨师机则可通过谷物、面团和主食的食材配比,提供碳水化合物等营养信息。果蔬处理设备也有机会补充其他类型的数据。

这些设备并不需要与某一种营养成分严格对应。它们真正的共同点,在于能够参与食物制作,并在制作过程中获取与营养相关的信息。

在这一体系中,每一台厨房设备,都有机会成为家庭营养系统中的一个智能节点。

而不同节点之间的连接,则可能逐步形成覆盖更多家庭饮食场景的数据网络。这也是 NUVELL 对未来智能厨房生态的基本设想。

风味多样的植物奶可作为日常饮食的蛋白质摄入补充

在传统智能家居体系中,不同设备之间的连接主要围绕远程控制、自动化场景和设备管理展开。

而 NUVELL 希望探索的是另一种系统连接方式:以用户的饮食需求为中心,让不同设备围绕营养目标协同工作。

系统可以结合用户主动设定的营养目标,以及不同设备产生的制作数据和已确认的饮食记录,提供更加个性化的饮食建议。

接着,系统再将建议转化为相应设备能够执行的制作方案,完成制作后的数据反馈至统一的营养管理体系,用于优化后续推荐。

在这一过程中,不同设备之间的价值不再只是简单叠加。随着覆盖的食物制作场景增加,系统有机会获得更加丰富的饮食信息,并逐步提升对家庭营养需求的理解能力。

这也意味着,NUVELL 未来的产品扩展,不应只是增加更多厨房电器,更重要的是,通过不同设备之间的数据与能力协同,逐步扩大智能系统能够理解和参与的家庭饮食场景。

当然,这一生态仍然属于 NUVELL 的长期发展方向。

不同设备之间的数据标准、营养模型、用户授权机制以及跨品类的产品体验,都需要通过后续研发与实际使用逐步验证。

现阶段,NUVELL 的重点仍然是将首款家用植物蛋白系统打磨成能够真正进入家庭、持续创造价值的消费产品。

但从长期来看,其显然希望以这一产品为起点,逐步探索从单一食品制作设备向智能厨房生态发展的可能性。

AI 时代的下一代厨房

回顾厨房电器的发展历史,技术创新始终围绕一个重要目标展开:让食物制作变得更加简单。

当设备能够获取食物制作过程中的数据,并逐步理解这些数据与营养需求之间的关系,厨房就有机会成为连接家庭饮食与个性化营养管理的重要场景。

但这一变化的核心,并不在于让用户购买更多设备,或者学习更加复杂的操作方式。

恰恰相反,下一代智能厨房的价值,可能来自进一步降低用户管理饮食的成本。

用户应当能够延续原有习惯,无须为营养管理添置更多设备,或学习更复杂的操作方式。

用户仍然可以按照自己的喜好制作食物。设备在完成这些任务的同时,逐步承担与数据获取、营养估算和个性化推荐相关的工作。

当用户真正需要帮助时,系统再将相关信息转化为有价值的建议,并通过厨房设备参与实际制作。

当然,从一台家用植物蛋白系统到完整的智能厨房生态,仍然需要长期的产品研发、技术积累和市场验证。

NUVELL 的长期路线从眼前具体的产品开始。

把一杯植物奶、一块豆腐做好,让用户掌控原料,同时把制作和清洁的负担降到足够低,设备才有机会稳定地留在每天的厨房里。只有先把食物做好,理解食物才有现实基础。

食物加工足够透明,用户能够通过 Plantein 改变植物蛋白的风味和质地

在产品之外,NUVELL 开始思考一个更长期的问题:

当 AI 能够逐渐理解人的需求,厨房设备是否也能从被动执行指令,走向理解饮食需求、提供营养建议,并参与实际食物制作?

从植物蛋白开始,NUVELL 正在尝试寻找这一问题的答案。

或许,下一代智能厨房的核心竞争力,不再只是能够制作多少种食物,而在于能否让食物制作更加自然地融入个人与家庭的营养管理。

跳转微信打开

在 AI Engineer,七家公司的一线实践

2026年11月9日 20:37

原创 与你同在的 2026-11-09 20:37 北京

亲自动手构建的人。

为期两天的 AI Engineer 像走进了一堂创业课。

有工程师,有设计师,有产品负责人,但他们都有一个共同身份:Builders,亲自动手构建的人。

这些来自世界各地的一线创业者为我们带来了他们创业生活中的不同侧面。有此前在 Cursor 的 Ryo 分享他对设计最初的热爱,也有 Manus 团队详细分享全员使用 mono 共享上下文的体验。

在这堂创业课里,我们捕捉到了一些有趣的发现。比如,只有五位工程师的 OpenClaw Foundation,光是测试一年的开支就达到 127 万美元;HeyGen 每月生成 1500 万条 Agent 视频;Kimi K3.1 Pro 让零经验的人打造一款接近 3A 级游戏。

以下是七个团队的一线实践。

Cursor / ryOS

Ryo 这次没有过多讲技术或设计。他讲了很多关于自己和生活的思考。

他讲自己从旧金山搬回台北,日常忽然空下来,远离了熟悉的节奏,他开始重新体会生活。屏幕上闪过他在台北街道拍下的绿荫。他说,一段谈话,一条没有走过的路,一首反复听的歌,都让他意识到,自己原来还拥有对这一切的感受。

工具更强了,为什么我们更加不安?一句话就能生成一个网站,几分钟就能做出一个功能,睡醒以后,机器已经替你完成了一晚上的工作。但为什么总觉得自己是不是又落后了?

好像每个人都变聪明了,做的事情更多了,原本花很多时间积累的能力,现在好像任何人都可以用一句话得到。

我们要怎么才能继续保持自己的判断、态度和生活?

他现场打开一个产品界面,向大家提问:心情分数、连续记录天数、每天提醒、每周报告,如果是你,这几个功能最想去掉哪一样?

对 Ryo 来说,他想拿掉连续记录天数、每日提醒和每周报告,因为他不希望有一天没写,就觉得自己欠了点什么。他不想替生活添加一份作业。

他还用爵士乐团作比喻。在一个爵士乐团里,不是每个人都要弹最多的音符,也不是每个人都想证明自己最厉害。有人演奏,有人倾听,留一点空间衔接,不怕偶尔失去节奏。

Ryo 说,选择成为设计师,最初就是因为喜欢、好奇,想靠近一点,想看看自己能不能也做出那种感觉。

Manus

Manus Agent 工程负责人范斌分享了团队内部对于 AI Native 工作方式的探索和思考。

Manus 联合创始人张涛在《人均一万美金 Token,用 Manus 改造 Manus》一文开头提到,今天,在 Manus 办公室里,一个很常见的场景是:产品同学提出需求,研发同学把需求原文一字不动地转发给 AI,可能是 Manus,也可能是 Codex,再由 AI 端到端地完成开发。

一位工程师可以同时处理 10-20 个需求。

但在早期,做到端到端的需求研发并不容易。Manus 团队发现,组织内部的上下文分散在不同的个人、代码仓库和内部系统中,仍然需要人先去收集这些上下文,才能让 AI 开始工作。

一个功能经历过几次迭代,横跨哪些代码仓库?开发完成后如何测试?上线时应该先部署哪个服务?

为了解决这个问题,Manus 尝试把上下文、工具和任务放到左右人都「够得着」的地方。

首先,是一个叫做 Manus-mono 的工具平台,里面包含了代码仓库,知识库和内部工具。其次是将任务公开化,团队成员可以看到其他成员的 Agent 任务,也可以直接加入协作。

一个新同事入职,只需要让 Manus 帮他配置好 mono,就可以直接上手开发。

有了 mono 以后,产品和设计同学也开始积极参与研发工作。其中,一位最积极的产品同学已经合并了 160 多个 PR。

范斌还分享了一个例子。由于公司的内部权限系统长期缺乏整理,他让 Manus 梳理所有人的角色和实际使用情况,找出可以简化的权限。

因为 mono 对接了公司的内部系统,Manus 很快就完成了梳理,还逐一给同事发送私信确认需求,并根据反馈完成权限调整。整个过程只用了两天。

有意思的是,这些私信带有「from Manus」的标记。范斌查看同事们的回复时发现,其中约 30% 的回复同样是由 Manus 完成的。

OpenClaw Foundation

在最高峰时,光是测试一项,他们一年的开支就达到了 127 万美元。

对一个只有五六名工程师的非营利基金会而言,这是一笔非常巨大的开支。

但「小龙虾」团队真正担心的还不只是计算成本。

随着 Agent 开始编写越来越多的代码,它们也会不断增加新的测试。有人可能会说,那就把测试去掉好了。但如果没有测试,又该如何确认 Agent 真的完成了工作?删除后,又如何进一步加快整个流程?

这里涉及一个概念叫做 Cycle Time(周期时间),是 DORA 等工程效能体系关注的指标之一。

它同样适用于 Agent。团队会追踪 Agent 的 Cycle Time,也就是从第一个 PR(Pull Request)创建,到最终合并进代码库所花费的时间。

他们希望这个数字能够不断下降。因为 Agent 交付代码的速度越快,就能让更多 Agent 参与工作,交付更多代码,从而形成一种复利效应。

如今,OpenClaw Foundation 团队的总测试成本已经开始下降。

过去,每运行 100 次 CI,成本大约是 1000 美元。现在,这一数字已经降低到了 200 美元左右。

Kimi

Kimi 研发工程师兼开发者关系负责人唐飞虎,上来便分享了一个「老太太 GTA」的例子。

这段游戏演示视频在短短两天内播放量就突破了 7000万。

它最初只是一段约 8 分钟的视频。一周后,Kimi 社区开发者将它做成了一款真正可以上手玩的游戏,并在 GitHub 开源。其他开发者还可以在此基础上继续添加玩法。

借助 Video-to-Game Skill,创作者可以参考视频中的画面和玩法,生成真正可玩的游戏。

现场还展示了另一个游戏作品:《小王子:星辰之旅》。Kimi 设计大使 Sac 花了 16 天完成初版,将《小王子》中的星际旅行做成了一款可以自由探索的 3D 游戏,全网累计获得近 300 万次浏览。

Kimi 团队的一位同事,没有任何游戏开发背景,也不是工程师,却借助 Kimi K3.1 Pro 开发了一款接近 3A 级游戏。唐飞虎还展示了自己制作的捕岛游戏,玩家可以沿着世界地图航行,在不同城市展开探索。

AI 甚至已经可以帮助开发者将 Switch 上的游戏移植到 iPhone。以《暗黑破坏神 II》为例,游戏不仅可以在手机上运行,Kimi 团队还针对触屏重新设计了玩法。

大模型正在降低验证想法的时间和成本。

现在,你也可以动手做一款属于自己的游戏。

HeyGen

「Agentic video is html.」

HeyGen 工程副总裁 Bin 在现场演示了一段他 Prompt 做的视频。有他自己的出镜,有各个产品的功能亮点,还有流畅的动态效果。他从来没有用过 Premiere 或 AE,却像一位工程师写代码一样完成了这段视频,效果不输一众专业制作的产品发布视频。

HeyGen 相信,视频是最好的沟通工具之一。相比阅读一份五页的文档,大多数人更愿意观看一段一分钟的视频。

在 HeyGen 内部,团队已经用视频替代了大量文档。

但过去,HeyGen 的视频编辑器建立在复杂的数据结构之上,底层可能包含数千甚至上万行数据。构建 Agent 时,最直观的想法是让它直接编写原有的数据格式。

问题在于,Agent 虽然擅长生成数据,但很难仅凭数据理解最终的视觉效果。两份格式完全正确的数据,渲染出来的效果可能截然不同,一份排版正常,另一份却连文字都看不到。如果 Agent 只能看到数据本身,它就无法意识到哪里出了问题。

于是,HeyGen 团队开始思考:如果让 Agent 直接编写它最擅长的代码,会怎么样?

他们彻底放弃了原有的数据格式,让 Agent 直接编写 HTML。今年 4 月,HeyGen 开源了 HyperFrame,允许 Agent 使用 HTML、CSS 和 JavaScript,再通过框架将代码渲染成视频。

可以想象一个不断变化的网页,文字飞入飞出、翻转,出现各种动画效果。Agent 只需要编写前端代码,就能生成这样的视频。

HeyGen 的一个核心思考是,Agent 非常擅长编写代码,且这种能力还会持续提升。越来越多的 AI 产品开始基于代码生成内容,从文档、设计到幻灯片,都在发生类似的变化。

截至 10 月底,HyperFrame 每天生成的视频数量已经超过 50 万条,每月达到 1500 万条。

DYNA

假设一个模型每周更新一次,连续迭代 24 周,就意味着模型团队至少有 24 次机会调整、尝试新的想法。但在同样的时间里,硬件可能只能经历一到两次重大迭代。

在传统产品开发中,即使硬件和软件团队的迭代速度不同,双方通常也能在项目开始前就明确产品需求。但对于通用机器人来说,这件事要困难得多。因为机器人面向各种不同的应用场景,很难定义一套长期不变的产品需求。

为解决这个问题,DYNA 团队希望建立一套足够清晰、又能在未来数年的模型迭代中持续适用的硬件设计标准。

他们的答案是 Predictable Hardware(可预测硬件)。

硬件既要具备足够的耐用性和成本优势,也需要成为一个稳定的物理平台,让快速进化的模型能够持续复用。

具体来说,可以将硬件设计分为两个方面:

一是运动(Motion)。硬件的物理运动和响应必须是模型可以预测的。换句话说,当模型发出指令时,机器人应当以可预测的方式执行动作。

二是感知(Sensing)。硬件需要提供可靠的感知反馈,准确反映真实世界中的物理状态,让模型能够信任这些信息,并以此做出决策。

最终,团队希望通过硬件设计缩小仿真到现实的差距(Sim-to-Real Gap)。

让硬件具备可预测的运动表现,能够被准确建模,同时提供模型可以信赖的物理反馈。只有这样,硬件才能成为一个足够稳定、能够长期支持快速进化模型的物理平台。

未来不远

未来不远 CTO 郑浩带来了新发布的自进化世界动作模型 Self-Evolving WAM。目前,WAM 使用了约 1 万小时第一人称数据,以及约 3 万小时第一代和第二代机器人的真机数据。

今年,未来不远第一次带着 F2 亮相 WAIC 和 WRC,就收获了不少家庭用户的青睐。

WAM 要解决两个问题:第一,遇到新任务时,机器人应该如何判断和行动?第二,执行动作后,操作对象和周围环境会发生什么变化?

首先,它需要接收视觉观测、机器人本体状态和任务目标。

本体状态包括各个关节的位置与约束。未来不远最新一代机器人 F2 拥有 1500 多个零部件、21 个自由度和 22 个传感器。

郑浩希望,模型在接到任务时,能够同时推演多种完成方式。比如,要夹起一个物体,人往往会想到几种做法,再比较哪种更省力、更快。模型也可以采用类似的方式,生成多条候选动作轨迹,经过评估后选择其中一条执行。

没有被执行的候选轨迹也会被保存下来,作为后续训练的材料。成功完成任务的经验、执行过程中有效的纠正,都可以用于下一轮训练;失败的数据则能帮助模型识别需要避免的做法。

未来不远选择了四项任务来观察模型迭代的效果:叠衣服、晾衣服、做意面和辣椒炒肉。第一轮的平均任务成功率为 45.4%;经过 30 轮迭代,平均成功率提升至 86.6%,提高了 41.2 个百分点。

未来不远已经将机器人带入 500 多个家庭实际使用,累计工作时长超过 5 万小时。

跳转微信打开

秋色正当时|Z News

2026年11月6日 19:34

原创 与你同在的 2026-11-06 19:34 北京

与你共享 10 月新鲜事。

「月之暗面 Kimi」发布 Kimi K3.1 Pro

10 月 24 日,月之暗面发布 Kimi K3.1 Pro,支持 100 万 token 上下文,重点提升代码、3D 创作、金融研究及长程 Agent 能力。模型可调用 Unity、Blender、CAD 等专业工具,完成游戏开发和参数化建模。据官方评测,其在编程智能体基准 Terminal-Bench 4.0 中取得 65.7% 的成绩。同步推出的 Highspeed 版本保持同等智能水平,输出速度约为标准版的 2-3 倍。阅读原文

「Genspark」发布 VoicePad

10 月 29 日,Genspark 发布桌面 AI 语音设备 SecondBrain VoicePad。产品配备五个可自定义按键,可分别用于会议记录、日程、幻灯片、AI 工作空间和语音输入。用户按键说话,即可在聊天、邮件、文档或编程助手中输入文字;搭配 Genspark,还能通过语音发起演示文稿、表格、文档及网站制作任务。体验 VoicePad :https://shop.genspark.ai/pages/voicepad

「新芯航途」发布 X7 Ultra

10 月 29 日,新芯航途在苏州发布大模型智驾芯片 X7 Ultra。芯片采用面向大模型设计的超大核 NPU 架构,通过硬件与 AI 工具链协同,提高计算和数据流转效率。其在量产智驾模型测试口径下的大模型算力达到 700 TOPS,NPU 计算利用率达 98.7%;相比行业旗舰产品,内存带宽消耗降低 80%,在大模型性能相当的条件下,推理能效提升 100%。通过架构与工具链协同,芯片支持部署的模型参数量提升至原来的 10 倍。X7 系列芯片累计出货超过 20 万颗,已搭载 10 款量产车型,并获得超过 40 款车型订单。阅读原文

「未来不远」发布 Self-Evolving WAM

本月,未来不远发布自进化世界动作模型 Self-Evolving WAM,让机器人从真实操作中积累经验,并根据训练效果调整后续学习。在实际记录的第 0 轮至第 30 轮更新尝试中,叠衣服自主完整成功率从 54.6% 提升至 96.8%,晾衣服从 46.2% 提升至 91.2%,做意面从 42.7% 提升至 89.5%,辣椒炒肉从 38.2% 提升至 68.9%。阅读原文

「心洲科技」和深度原理合作发布科学模型 Hydrogen-1.0

11 月 3 日,深度原理(Deep Principle)推出开源科学模型 Hydrogen-1.0。心州科技 Mind Lab 作为合作方,与深度原理一起以 GLM-5.3 为基座,基于 Mint Recursive 共同完成了模型后训练。Hydrogen-1.0 在科学推理基准 FrontierScience-Research 上取得 38.3% 的解题成功率,较基座模型提升 13.9 个百分点。阅读原文

真格早期项目「晶泰科技」参加国家发展改革委民营企业座谈会

10 月 10 日,国家发展改革委主任郑栅洁主持召开民营企业座谈会,晶泰科技等企业负责人参加,围绕三季度经济形势、国际供需变化和企业发展提出意见建议。国家发展改革委副主任沈竹林,国家能源局副局长汪剑波,国家发展改革委办公厅、综合司、民营局、产业司主要负责同志参会。阅读原文

真格多家被投企业获评国家级专精特新「小巨人」企业

近日,真格天使项目「跨维智能」、早期项目「芯行纪」正式被认定为国家级专精特新「小巨人」企业。跨维智能聚焦物理 AI 与具身智能,是物理 AI 及世界模型领域首家获此认定的企业;芯行纪专注数字芯片设计软件 EDA 技术研发,此前曾获评江苏省专精特新中小企业等。专精特新「小巨人」是我国优质中小企业梯度培育体系中的塔尖,代表国家对创新实力与产业价值的最高认可,近三年全国申报通过率约 20%。

真格天使项目「出门问问」TicNote Pods 获两项国际设计奖

近日,出门问问旗下 TicNote Pods AI 录音耳机获得 2026 年日本优良设计奖(GOOD DESIGN AWARD)及美国国际设计卓越奖(IDEA)。产品将无线耳机、4G 联网和 AI 处理结合起来,让声音不只被记录,还能转化为可检索、可使用的信息。适用会议记录与跨语言沟通等场景,无需依赖手机即可同步云端,一小时音频可在 30 秒内上传,随后由 AI 完成转录、摘要和搜索。阅读原文 

真格早期项目「非夕科技」亮相 IROS 2026

当地时间 9 月 28 日-10 月 1 日,IEEE/RSJ 智能机器人与系统国际会议 IROS 2026 在美国匹兹堡举行。非夕科技携自适应机器人及多形态机器人平台参展,展示双臂遥操作、Enlight 初昕、MICO 双臂精密装配,以及 AICO2 双臂移动平台,呈现力觉感知与控制能力在复杂操作、具身智能和科研创新领域中的创新应用。大会期间,非夕科技联合创始人兼 CTO 叶熙阳发表主题演讲,分享机器人力控技术在真实场景中的实践。阅读原文 

真格多家被投企业亮相中国工博会

10 月 12-16 日,第 26 届中国国际工业博览会在上海举行。真格早期项目「非夕科技」携 40 台机械臂及 28 个现场应用亮相,展示其通用机器人基座在不同行业场景中的应用;真格早期项目「沐曦股份」携全栈 GPU 产品矩阵及产业生态成果亮相集成电路展(国芯展),曦索 X302 科学智能 GPU 荣获 2026 国芯展创新成果奖;真格天使项目「地平线」斩获 CIIF 大奖。地平线星空®舱驾融合整车智能体芯片 (Horizon Starry®) 与咖咖虾™整车智能体操作系统 (Horizon KKClaw™) 。CIIF 大奖被誉为中国工业界「奥斯卡」,是国内工业科技领域含金量最高的权威认证之一。

真格天使项目「Mark」Mark II入选《时代》2026 年度最佳发明

10 月 15 日,智能阅读设备 Mark II 入选《时代》2026 年度最佳发明榜单。它将书签、文字摘录与语音记录结合,用户划过书页上的文字,即可将内容保存至配套应用,也能随时录下自己的想法。产品支持纸张和屏幕上的文字及手写内容识别,并提供笔记整理、搜索和回顾功能。

真格多家被投创始人入选「2026 福布斯中国最具影响力华人精英 100 人」

10 月 26 日,福布斯中国发布「2026 福布斯中国最具影响力华人精英 100 人」评选结果。真格被投企业「月之暗面」创始人兼 CEO 杨植麟入选「产业重塑者」类别;「非夕科技」联合创始人兼 CEO 王世全、「黑湖科技」创始人兼 CEO 周宇翔入选「价值创造者」类别。该评选今年已是第六年,关注华人精英在全球商业、科技与文化等领域的影响力。

真格天使项目「潞晨科技」入选 2026 AI 出海未来独角兽企业 TOP100

近日,「2026 AI 出海未来独角兽企业 TOP100」榜单在第 23 届中国—东盟博览会期间发布。潞晨科技凭借在 AI 基础技术与算力底座领域的技术积淀与出海落地实践,成功入选。本届榜单延续 2025 年对 AI 出海企业的关注,进一步聚焦国内 AI 产业供给与东南亚本地化应用需求的匹配,为企业、投资机构及海外合作伙伴提供对接参考。阅读原文 

真格多家被投企业入选 AI Cloud 100 China 榜单

10 月 16 日,2026 AI Cloud 100 China 榜单正式揭晓。真格天使项目「达观数据」凭借在人工智能领域的持续创新与卓越落地表现,连续 5 年入选。真格天使项目「潞晨科技」依托在 AI 算力底座、大模型分布式训练与推理领域的技术积累入选。该榜单关注中国 AI 企业的技术创新、产品能力与产业应用。本次榜单新上榜企业共 52 家,新面孔占比 52%,超六成来自物理 AI 赛道。

真格早期项目「墨芯人工智能」荣获2026胡润中国人工智能技术跃迁新锐奖

10 月 29 日,在 2026 胡润百富二十七周年庆典上,墨芯人工智能凭借在稀疏计算领域的技术探索,荣获「2026 胡润中国人工智能技术跃迁新锐奖」。墨芯创始人兼 CEO 王维受邀分享国产 AI 芯片从技术验证走向规模化商业交付的思考。这一荣誉不仅是对墨芯技术创新实力的权威认可,也印证了稀疏计算作为新一代高效计算路径所蕴含的广阔产业价值。阅读原文

真格天使项目「海德氢能」发布 600MW 绿氢旗舰工程运行成果

10 月 19 日,海德氢能 600MW 绿氢旗舰工程阶段性运行成果正式发布,同步推出物理 AI 工业级运维解决方案及全新 HydoLyser(®) X2000 方形电解制氢产品。该工程至今年年底将成为全球在运行规模最大的绿氢项目,首批制氢工厂已在兴安盟全球最大绿色甲醇项目实现稳定运行。海德氢能以先进方形电解技术、超大规模工业工程与智能化运营,连接全球绿色燃料与工业用能市场,让能源从开采走向制造。阅读原文 

文|Yanyang
编辑|Cindy

跳转微信打开

真格天使项目「源策未来」发布机器人全身控制框架 Anchor 1

2026年11月6日 19:34

与你同在的 2026-11-06 19:34 北京

为复杂全身操作提供控制基础。

法国哲学家梅洛·旁蒂曾说,「所谓理解,就是感受到目标与现实之间、意图与执行之间的契合——而身体,就是我们在世界中的锚点。」

好的大脑需要一个好用的身体和小脑。

一个「知道要做什么」的策略,需要一个「稳定做得到」的执行系统。

源策未来探索的全身智能(Whole-Body Intelligence,WBI),目标指向通用物理智能。

11 月 5 日,源策正式发布全身控制模型 Anchor 1,希望机器人能够跨越人与机器的构型差异,保留任务真正依赖的动作结构,在物理世界中精准、稳定地锚定自身。

更准确的运动和全身控制

在人形机器人的实际操作中,手部是否到达目标,并不足以完整衡量一个动作的完成质量。

以低处取物为例,机器人需要调整身体高度、弯曲膝盖、改变躯干姿态,同时保持双脚与地面的稳定接触。

如果动作过程中出现足部滑移、意外迈步或身体偏移,即使手臂已经接近目标,也可能影响后续操作。

这意味着,人形机器人需要同时处理两个相互关联的问题:一方面,精确跟踪手部、骨盆及其他关键部位的运动目标;另一方面,根据自身结构和实时状态,协调全身关节完成运动。

人体动作捕捉为机器人学习提供了重要的数据来源,但人体和机器人的身体比例、关节结构与运动范围存在差异,人的动作无法直接复制到机器人身上。

传统方法通常借助关节空间重定向,将人体运动转换为机器人关节轨迹。

然而,中间求解过程可能引入参考误差或动作不连续问题,进而影响机器人执行的精度与稳定性。

针对这些挑战,Anchor 1 从动作参考表达、控制策略训练与实时反馈机制三个方面进行设计,探索更直接的运动映射与更稳定的全身控制方式。

构建精准、稳定的全身控制

控制精度需要从完整链路考虑。误差可能产生于机器人执行,也可能在人体动作转换为控制指令时就已引入。

Anchor 1 围绕这条链路展开设计:保留任务相关的运动意图,为全身协调留出空间,通过训练数据引导行为,并在执行过程中持续修正偏差。

保留关键运动目标,为全身协调留空间

人与机器人的身体比例和关节结构不同,动作转换需要在适应机器人身体的同时,保留任务相关的轨迹结构与空间关系。

在线关节空间重定向如果求解不理想,可能在控制器接收到指令之前就引入偏差或突变。

Anchor 1 通过几何标定,将人体运动调整到机器人的身体尺度,并提取骨盆、双手腕和双脚踝的目标位姿作为稀疏运动参考。

部署时,这些参考直接输入控制器,无需在线关节空间重定向。

这一设计旨在建立更可预测的人机运动对应关系,让遥操作更直观,并为自然、流畅的后训练示范采集提供支持。

稀疏输入也是完整动作复现与协调灵活性之间的一种折中:保留关键部位的运动目标,同时放松对其余关节的逐一约束。

控制器由此可以利用躯干和四肢的协调空间,调整全身姿态,更准确地实现这些目标。

研究展示了不同身形操作者,以及多种动作捕捉和 VR 设备参与控制的示例,体现了这一接口对不同输入方式的适应能力。

不同身形操作者及多种动作捕捉设备

用优质动作数据,引导全身协调

稀疏目标通常对应多种全身动作。保留协调空间之后,还需要引导控制器如何使用这些自由度,形成稳定、符合预期的行为。

Anchor 1 将经过标定的人体运动与同一动作离线重定向得到的机器人参考配对:前者提供稀疏指令,后者提供全身运动的训练引导。

围绕全身操作所需的姿态、支撑和协调方式,团队组织训练数据,并通过质量检查、筛选与人工分析,塑造偏向稳定、合理行为的训练分布。

因此,稀疏接口与数据分布共同发挥作用:关键目标明确哪些运动需要准确实现,经过筛选的机器人动作则引导身体其余部分如何配合。在线控制所需的全身协调由策略学习完成。

解耦运动表达与执行纠偏,兼顾精度和上层接口

执行过程中,显式跟踪误差能够为控制器提供直接的纠偏信号。

但同一个目标动作,在不同执行状态下可能产生不同误差。

如果将这些误差一起编码进运动表征(Motion Token),期望行为的表征就会受到瞬时执行偏差的影响,增加上层策略学习、预测和复用这一表征的难度。

Anchor 1 将显式误差反馈与运动编码分开:运动编码器提取参考动作的表征,跟踪误差则单独进入控制解码器,与机器人状态共同用于生成动作。

这样的架构既保留显式反馈带来的精度收益,也支持灵活的上层控制接口。

当上层策略直接输出运动表征时,重建模块恢复相应的目标位姿,为误差计算提供参考。

因此,同一个控制器既能接收稀疏运动参考,也能接收运动表征,并在两种接口下进行执行纠偏。

消融实验进一步验证了反馈机制的作用:在 MuJoCo 的 In-House Track 中,与不使用显式误差反馈的版本相比,将误差反馈输入控制解码器后,Anchor 1 的全局动作成功率由 70.9% 提升至 88.7%,局部成功率由 61.7% 提升至 88.4%。

这一结果表明,在该实验设置下,显式反馈及其输入位置对持续跟踪精度具有重要影响。

Anchor 1 控制架构图

多维实验验证:从动作跟踪到稳定支撑

这些设计需要通过面向操作需求的评估来检验。

机器人能否准确到达目标、在整个动作过程中持续保持精度,以及在不同姿态和支撑条件下稳定完成动作,是三个相互关联的问题。

为此,团队构建了覆盖精度、持续执行稳定性与可达性的Benchmark,通过In-House Track、Public Track和 Reachability Track,系统刻画控制器的能力与边界。

三组测试共涉及超过两万项动作与目标样本:

  • In-House Track:15,342 段内部动作,重点评估全身运动跟踪与协调能力。

  • Public Track:2,230 段公开数据动作,评估不同运动来源下的控制表现。

  • Reachability Track:3,210 个参考目标,检验不同姿态下的目标可达性与稳定支撑。

在 In-House Track 测试中,Anchor 1 的全局动作成功率达到 88.7%,局部动作成功率达到 88.4%。

这一结果体现了 Anchor 1 在全身动作跟踪与协调方面的控制能力。

三个互补的测试轨道

全局跟踪主要衡量机器人是否在空间中准确到达目标;局部跟踪则关注身体各部分相对于骨盆的运动是否符合参考要求。两类指标共同反映全身控制的执行质量。

三组基准测试结果,动作成功率与跟踪误差

对于需要持续改变身体姿态的操作任务,稳定性同样是重要的评估维度。

研究在 Reachability Track 中设置站立、浅蹲、深蹲、交错站姿、半跪等不同支撑条件,测试机器人完成伸手等目标动作时的表现,并记录足部滑移、额外迈步等事件。

实验结果显示,Anchor 1 在相关测试中能够以较少的足部异常事件完成目标跟踪,体现出控制框架在动作精度与身体支撑协调方面的能力。

除了仿真环境,研究团队还开展了真实机器人实验。

通过光学动作捕捉与机器人关节运动学恢复全身运动,团队在同一机器人平台、相近测试条件下比较不同控制方法的表现。

结果显示,在所测试的动作子集上,Anchor 1 取得了更低的全局跟踪误差,并在不同位置误差容限下保持较高的整体动作成功率。

在真机 Reachability 子集的 51 组站立伸手动作中,Anchor 1 的全局手腕位置平均误差为 44.58 毫米,双脚踝位置平均误差为 35.70 毫米;作为该子集误差最低的对照方法,MimicLite v1.1 对应数值为 53.59 毫米和 50.40 毫米。

同时,Anchor 1 使用 0.06 秒的未来动作参考窗口,且无需在线关节空间重定向;MimicLite 使用 0.08 秒参考窗口,并需要对实时人体输入进行在线重定向。上述结果仅对应论文所述真机测试条件。

仿真基准与真机实验相结合,使研究能够从大规模动作测试延伸至真实机械结构、传感测量和地面接触条件下的执行验证。

真实机器人在不同误差容限下的任务成功率

从遥操作到自主执行

连接运动控制与上层智能

全身控制能力的价值,不仅体现在机器人能否准确跟随动作,还体现在其能否支持真实任务中的数据采集与自主执行。

在遥操作场景下,操作人员需要通过动作示范,引导机器人完成特定任务。

如果机器人频繁出现跟踪偏差、失稳或额外调整,同一任务可能需要反复演示,影响有效训练数据的采集效率。

研究团队通过两类任务验证 Anchor 1 的实际应用能力:一类是根据目标方向踢动纸箱,另一类是从低层置物架取出拖鞋,完成搬运和放置。

这些任务涉及机器人移动、身体姿态变化及与物体接触,对全身协调和稳定执行提出了综合要求。

实验进一步以每小时成功示范数量和示范成功率为指标,评估不同控制方法对数据采集工作的影响。

相关结果显示,Anchor 1 在所测试任务中实现了较高的成功示范比例,体现出更准确、稳定的动作执行对遥操作采集的支持价值。

具体来看,在踢纸箱任务中,Anchor 1 每小时采集成功示范 43 次,成功率为 98.03%;对照方法 SONIC v1.1(SMPL)分别为 9 次和 37.50%。

在取放拖鞋任务中,Anchor 1 每小时采集成功示范 62 次,成功率为 97.37%;SONIC 对应为 41 次和 68.33%。

这组实验同时体现了采集效率和成功示范比例的变化,结果限定于论文所设定的两类任务。

踢纸箱及取放拖鞋的 VLA 自主执行过程

在此基础上,研究团队进一步利用采集的数据训练视觉—语言—动作(VLA)策略,并开展自主任务执行实验。

在这一过程中,上层策略根据环境观察和任务目标生成运动命令,Anchor 1 则通过稀疏位姿或 Motion Token 接口接收命令,负责机器人的全身协调与执行纠偏。

研究通过对任务成功率、任务评分等指标的比较,验证不同控制接口与反馈设计对自主执行表现的影响。

这一实验将底层运动控制与上层任务策略连接起来:上层模型负责生成与任务相关的运动目标,底层控制器负责将其转化为机器人可以实际完成的身体动作。

精准的动作跟踪与稳定的身体控制,是人形机器人开展复杂操作的重要基础。

从稀疏位姿输入到 Motion Token 表征,再到显式误差反馈,Anchor 1 围绕动作精度、全身协调和稳定支撑建立了完整的控制框架,并通过仿真、真机和任务实验进行了多层次验证。

未来,Anchor 1 还将升级到更丰富的场景地形,不断扩展全身操作边界。

Anchor 1 的模型权重、部署代码、遥操数采方案和使用指南预计于 2026 年底发布。

点击「阅读原文」跳转阅读技术论文及项目详情:

https://www.archon.tech/research/anchor1

阅读原文

跳转微信打开

《2026 年企业 AI 现状报告》发布

2026年11月5日 21:24

真格基金 2026-11-05 21:24 上海

11 月 3 日,硅谷知名风投机构 Menlo Ventures 发布《2026 年企业 AI 现状报告》。报告调查了近 400 名美国企业决策者,他们负责的 AI 支出总额超 40 亿美元。

报告显示,中国模型合计占企业开源模型支出的 89%。其中,Kimi 以 61% 的份额居首,DeepSeek 占 15%,GLM 占 11%,Qwen 占 3%。

开源模型正在获得越来越多的调用,企业预算主要流向能力更强的旗舰模型。相比价格优势,完成复杂任务的能力更能影响企业的采购决策。

#科技 #AI #投资 #大模型 #开源模型 #科技爱好者必看

跳转微信打开

LiberAI 发布 Liber-0,长程 Zero-shot 涌现于 220 万小时人类数据

2026年11月4日 12:38

与你同在的 2026-11-04 12:38 北京

每一段宝贵的人类经验。

如果让 GPT 给机器人出一套题,会发生什么?

题目可以越出越难。但有个条件:不能针对这些题,提前给机器人补课。

LiberAI 把这个设想搬进了现实。

此次发布的世界动作模型 Liber-0,接受了一套由 GPT-6 提出的 60 个任务测试。每个任务试验 10 次,共计 600 次。没有针对目标任务采集机器人示范数据进行训练,模型直接上手。

结果,Liber-0 的 Zero-shot 能力一路从抓取放置,延伸到更复杂的多步骤灵巧操作。

这背后,是超过 220 万小时的人类经验。LiberAI 将人每天都在积累的灵巧操作经验,转化为机器人可以调用的泛化能力。

而在此次发布的另一段完整视频中,Liber-0 又接下了一份更难的工作:做奶茶。

机器人开始能够根据不同口味的订单,自主组合操作技能,完成长程奶茶制作,全程一镜到底。

从接住完全没练过的题,到接下一杯奶茶订单,Liber-0 的 Scaling 路径,正在展现出从通用能力走向真实场景泛化应用的巨大潜力。

Zero-shot 的题,这次让 GPT 来出

我们已经看过不少机器人演示视频。

让人好奇的往往是视频背后的事:它为这个任务练了多久?换一种物体还能不能做?那个看起来很流畅的长流程,究竟有多少能力可以迁移到全新的任务上?

LiberAI 团队请 GPT-6 提出 60 个任务,组成一套零样本测试。任务分成三组,每组 20 个,难度逐级上升。

  • 第一组是抓取放置,也就是 Pick-and-Place,简称 PnP,考察基本的识别与操作能力。

  • 第二组是 Non-PnP,要求机器人完成超出简单抓取的操作,处理更复杂的接触关系和物体状态变化。

  • 第三组则是最具挑战性的多步骤、长程 Non-PnP 任务。到这里,机器人需要连续协调多个灵巧动作,将任务推进到最终结果。

「零样本」的设定也很明确:模型没有接受针对这些目标任务采集的机器人数据训练。

Liber-0 在三组任务上的成功率分别为 63.5%、34.0% 和 10.5%,总体成功率达到 36.0%。其中最具突破性的是多步骤长程任务:在没有目标任务机器人示范的情况下,Liber-0 已经能够零样本完成做饭、打包食品袋等一系列连续的灵巧操作。

长程任务的挑战远不止多个动作的简单叠加。机器人需要理解动作之间的依赖关系,在不断变化的物理环境中调整抓握、接触与操作策略,并克服误差累积,最终完成整个任务。

10.5% 的成功率虽然仍处于早期阶段,却标志着一项重要的里程碑:零样本泛化开始从单一动作延伸至复杂的长程灵巧操作,并展现出应对真实场景中复杂未知任务的潜力。随着 LiberAI 人类经验数据与模型规模持续 Scaling,Zero-shot 能力有望进一步扩展至更复杂、更多样的任务。

在同一套 60 个任务中,LiberAI 还测试了 Astra 直接作为机器人策略的表现,三组任务的成功率仅为 8.3%、5.0% 和 1.7%。实验显示,通用推理模型在精细物理操作上仍面临显著挑战,也凸显了物理模型的价值。

Liber-0 已支持接入 Astra 等上层 Agent,由 Agent 跟踪任务状态、动态调整中间目标,再由 Liber-0 将规划转化为实际的灵巧操作。

Liber-0 在长程任务上的 Zero-shot 突破,也让这一组合展现出更大的想象空间:上层 Agent 负责理解和规划未知任务,Liber-0 则提供可泛化的物理执行能力。随着人类经验数据与模型能力持续 Scaling,机器人有望将越来越多从未训练过的复杂任务,自主拆解并转化为真实行动。从单一技能的零样本泛化,到复杂长程任务的自主规划与零样本执行,通向真正通用机器人智能的路径,正在变得更加清晰。

看完演示,你也可以给它出一道题。

有意思的是,LiberAI 还把物体级零样本测试做成了一个交互式在线模拟器(sim.liberai.work)。用户可以自行上传物体,在虚拟环境中查看 Liber-0 对其进行操作。它考察的是物体级零样本迁移,与前面的 60 项任务级零样本测试形成互补。

这让模型发布多了一个很有意思的环节:测试对象可以由屏幕前的你来提供。

任何人都可以拿自己的物体,观察模型能否应对:哪些形状容易操作,哪些物体会让它犯难,已有经验又能迁移多远。

220 万小时人类经验究竟学出了什么?

现在,你可以带一道自己的题,去看看它的表现。

220万小时人类经验的背后,是何 Scaling 链路?

220 万小时,是一道数据规模与工程能力的双重门槛。

Liber-0 的人类经验数据中,人类视频达到 200 万小时,将此前 DYNA-2 展示的百万小时量级进一步推高。支撑这一规模的,是 LiberAI 完整的自动化数据管线与数据 Infra。

把海量人类视频交给模型学习,听起来很自然。如此丰富的经验,为什么不能直接拿来训练?

难点就藏在「直接」里。视频里能看到一只手转动了物体,却未必能看清每根手指的位置。遮挡、视角、深度误差,都会让动作还原变得困难。

LiberAI 的思路,是让人类经验真正迁移到机器人动作上。

在数据 Recipe 中,一个关键角色是自研的 LiberSense Glove:它以精确的 Action Grounding,为海量人类视频补上从「看见操作」到「学会行动」的关键连接。

LiberSense Glove 是一套轻量化可穿戴采集系统,通过直接记录手部姿态与运动轨迹,配合第一视角和双腕部摄像头,同步捕捉「人看到了什么」与「手如何行动」。

互联网里蕴藏着丰富的操作经验,却普遍缺少精确的动作监督。LiberSense Glove 提供了一批可靠的 Action 锚点,帮助模型把画面中的物体变化与具体的手部运动联系起来,进而撬动更大规模视频中的经验。高质量动作数据由此成为一种「催化剂」,让海量人类视频的价值进一步释放到机器人操作上。

这对攀登灵巧操作这座「珠峰」尤其关键。多指协同、精细接触、连续调整,都对动作监督提出了更高要求,而灵巧手遥操作数据又难以规模化获取。

LiberSense Glove 为此打开了一个更广阔的入口:直接向每天都在熟练使用双手的人学习,让丰富的人类操作经验成为灵巧能力持续增长的来源。

目前,这套设备已批量进入 in-the-wild 的真实工作与生活场景。采集现场无需配置机器人,人只需佩戴设备完成操作,即可留下可供模型学习的经验。

人类双手每天完成的工作,正成为机器人攀登灵巧操作「珠峰」的阶梯。

本体差异能否成为下一个 Scaling 维度?

从遥操作到 UMI,一种常见思路是让采集端尽可能接近部署端:面对本体差异,大家首先想到的是如何缩小它。

LiberAI 则进一步追问:如果把「身体有什么不同」直接告诉模型,差异本身能否成为模型能力增长的来源?

为此,Liber-0 创新性地引入统一 Embodiment 表征,将人的身高、臂长、手部几何,以及机器人的几何与运动学条件,纳入动作预测的上下文。

模型既学习「要完成什么」,也学习「不同的身体应当如何完成它」,从不同身体执行同一技能的经验中,建立身体条件与动作之间的联系。

这让 Embodiment 有机会成为全新的 Scaling Axis。

除了增加数据量,还可以扩大身体形态的覆盖,让更多人的操作经验参与模型能力的增长。LiberAI 的实验也提供了支持:在手套数据总量不变的条件下,增加示范者的形态覆盖,机器人操作表现仍持续提升。

本体差异由此成为一种值得主动扩展的训练资源,也为技能跨越不同身体、迁移到机器人身上,打开了新的可能。

全栈的价值不仅在于打通各个环节,更在于让每个环节的进步相互放大。更精准的动作数据释放海量人类视频的训练价值,更丰富的身体形态拓展模型的泛化边界,而模型能力的提升又能反过来指导数据采集与本体设计。

通过数据、模型与本体的协同 Scaling,LiberAI 正在将人类经验的规模优势转化为物理智能的增长引擎。

智能的涌现:
人类动作示教可「杀死真机」?

Scaling 的关键,在于让每一份数据、每一分算力都带来更高的能力回报。

哪些数据最值得投入、最能推动模型能力增长?LiberAI 用一系列对照实验,为这笔 Scaling 的「投入产出账」寻找答案。

LiberAI 对自研手套数据、互联网人类视频、开源第一视角数据等不同来源进行了对照实验。模型分别完成预训练后,再使用相同的机器人数据进行后训练。

这些实验采用 0-100 的平均进度分记录表现:任务完整完成可以得分,完成部分关键步骤也会计入评分。

在所比较的数据源中,手套数据表现出最陡峭的性能增长趋势。当数据规模从 1000 小时扩展到 10000 小时,PnP 和 Non-PnP 的平均进度分分别增加 14.7 分和 13.1 分。

对需要精细接触和持续操作的 Non-PnP 任务来说,这个结果尤其关键,准确的动作监督开始体现出价值。

但接下来这组实验更能说明问题。

团队先只给模型提供 PnP(抓取放置类)的机器人示范。此时,模型在 Non-PnP 任务上的平均进度分只有 2.2。

随后,加入人类通过手套采集的 Non-PnP 操作数据。在没有补充相应机器人示范的情况下,分数却提升到了 47.5。

再加入同时覆盖 PnP 和 Non-PnP 的完整手套数据,分数进一步达到 54.6,已经接近使用完整两类机器人示范训练的参考结果 56.3。

这组实验最有分量的地方在于技能从哪里来。

机器人示范没有提供相应的 Non-PnP 行为,模型却通过人的操作获得了这类能力。手套数据带来了机器人示范未覆盖的操作技能,人类物理数据开始承担「教会新技能」的角色。

如果这种迁移方式继续扩展,技能采集的空间也将随之扩大:许多机器人还不熟悉、但人已经很擅长的操作,有机会通过人类示范进入模型能力。人类可以更直接地参与新技能的采集,技能增长对真机遥操作资源的依赖也有望进一步降低。

这些实验从不同角度,验证了人类经验作为可扩展技能来源的价值。LiberSense Glove 让人类示教成为低成本、轻量化的技能入口。

随着采集深入真实工作场景,人类日常操作就能成为模型学习的素材,帮助 LiberAI 打通「人类经验示教—模型训练—部署验证」的快速路径,将人类经验的规模优势进一步转化为商业化落地的速度优势。

下一站,不止一杯奶茶

零样本能力让人看到通用性的潜力。到了具体应用场景,问题就更实际了:能不能完整执行一套复杂流程?面对新的需求,又能否灵活调整、完成任务?

LiberAI 给出的展示是做奶茶。

经过少量后训练,Liber-0 已经能够执行长程奶茶制作任务,并根据不同口味的订单组合操作技能。

值得关注的是两个层面。

首先,是连续复杂灵巧任务的执行。

制作流程涉及多个形状不规则的物体和一系列连续操作,从拿取杯子、接冰块,到使用勺子精细添加小料、挤出糖浆、添加茶底等。只有各个环节顺利衔接,才能最终完成一杯奶茶的制作。

其次,是订单变化。

一杯奶茶看起来只是一个任务,但口味不同,配料组合和制作流程也会随之变化。模型需要根据新的订单要求,调用并组合已经学会的操作技能。

这正是组合泛化的看点:同一套技能能够随需求变化,组合成不同的完整任务。

对实际部署而言,这种能力很重要。用户不会永远下同一张订单,场景也不会总按同一种方式重复。能够从已有技能出发,适应不同的组合需求,意味着模型有机会覆盖更丰富的应用场景,减少逐项开发与适配的成本。

做奶茶还远不是商业部署的终点,但它已经直观展现了通用能力走向具体应用的一条路径:通过预训练 Scaling 积累泛化能力,以少量后训练适配具体流程,再通过组合泛化覆盖更多样的需求。

从 GPT 出题,到机器人接单,Liber-0 展示的能力正在沿着这条路径向前延伸。

成为物理世界的一部分

回看 Liber-0 的发布,真正值得关注的不只是一次模型性能的突破,而是 LiberAI 正在验证一条通向通用物理智能的 Scaling 路径:让海量人类经验成为物理 AI 的能力来源,让机器人逐步摆脱对特定任务示范的依赖,自主应对越来越多未知的物理世界任务。

从 GPT 随机出题下的长程 Zero-shot 突破,到与 Astra 等 Agent 结合,实现自主规划与灵巧执行,再到完成不同订单的奶茶制作,Liber-0 正在让通用泛化能力一步步走向真实应用。从单一技能的零样本泛化,到复杂长程任务的自主组合与执行,机器人灵活应对未知任务的未来,已经初现曙光。

每一段人类经验,都蕴藏着智能的一块拼图。每一次观察、每一次触碰、每一次与物理世界的交互,都承载着人类积累的物理知识。

LiberAI 正在将这些散落于亿万日常瞬间的经验汇聚起来,让人类智能跨越身体的边界,从理解世界走向与世界交互,真正成为物理世界的一部分。

点击「阅读原文」跳转阅读完整技术 Blog:

https://www.liberai.com/blog/liber0

阅读原文

跳转微信打开

一家基金和它的 600 个实习生

2026年11月2日 20:00

原创 与你同在的 2026-11-02 20:00 北京

人是最宝贵的资产。

来到真格实习生聚会,大家普遍都有一句感慨:怎么哪里都是真格的人!

一开场,就是 Kimi 和腾讯的校友轮番开放麦招人。这让人想起黄仁勋介绍 Black Forest Labs 的 CEO 时,那句颇为骄傲的话:「他曾经是我的实习生。」

从实习生成长为创业者,这样的故事也在真格不断发生。

真格到今天已举办 23 期实习生项目,有超过 600 名校友,其中 70 位活跃在其他 VC 及 Meta 等一线 AI 团队。仅过去两年,还有 34 位校友加入真格被投企业,担任 CEO 助理、中台负责人,或负责商业化等关键业务。

你在许多重要的场合仿佛都能听到真格的名字。好像一切加上一个「真」字,就不一样了。

这次,在北京、上海和深圳的活动现场,我们采访了几位真格校友。

在真格实习,被真格投资

2013 年,在真格成立早期,徐小平老师在哈佛演讲时就曾提出「最好的工作不是进入世界 500 强,而是加入一家初创。」

上海活动开始前两个小时,真格的第一位实习生 Alex 就到了现场。

他一个人走进餐厅包厢,铺好一块布,摆上三条裤子,又临时搭起两个试衣间。

就这样,包厢变成了运动服饰品牌Ambo的新品发布会。

Alex 加入真格时,团队只有四五位正式员工。Alex 在领英上看到校友安娜(真格创始合伙人)的主页,主动发去一条 cold message,很快便来到北京上岗。

只要有活动、会议,安娜都会带着他,给了很大的自由度。后来在安娜的介绍下,他加入了当时刚刚起步的真格被投企业完美日记,迈出了第一步。

这次活动现场,他主动举手,向大家做了一分钟的 Elevator Pitch。这让人想起早年的创业者,守在电梯旁,希望在电梯抵达顶层之前的短短一分钟里,说服一位潜在投资人。

站在首批上线的裤装产品旁,Alex 说:「我想把产品供应链上的创新和本土化的叙事结合好, 做个新的本土运动品牌。」

2014 年,王逅逅来到真格时,团队也只有 12 人。她记得,大家什么事都会做。

有一次,安娜提起真格还没有网站,同为实习生的王想想当晚就动手做了一个,一直忙到十点。「那时候好像有什么事,大家就会一起把它做出来。」

实习时,王逅逅已经开始做自媒体。徐老师提出用自己的钱投资她和王想想,支持她们一起创业。两人转而开了一家中国设计师买手店。

这次创业尝试虽以失败告终,却让王逅逅真正体会到了创业者的处境:「累,要面临很多压力。这些压力没有人有办法帮你解决,就得自己想办法。」

她至今仍记得那些午后。

时间来到十年后,又有一批年轻人从真格出发。

不久前,Hypit 的产品开源约一个月,便获得了 2.3 万 GitHub Star,ARR 突破 100 万美元。

两位创始人都是 00 后。22 岁的昱东从北大本科毕业后,放弃了去清华读硕士的机会;23 岁的群琳毕业于清华大学计算机系。

他们也曾是真格第 20 期的实习生。

创业前,昱东曾加入跨境 MCN,买来 40 台二手 iPhone 做海外账号矩阵,尝试过 AI 电商带货、宠物短剧、真人短剧等。群琳则做过拥有 30 万粉丝的 AI 虚拟人账号,也在智谱参与过视频生成模型训练。

回忆在真格实习的经历,两人印象最深的是听雨森(真格管理合伙人)分享聚美优品的创业故事。从他的讲述中,能真切感受到创业带给一个人的状态。所以他们觉得,听了那么多创业故事,不如自己去做。

实习生项目结束的当晚,两人打车回五道口,路上就想好了要一起创业。

如今,Hypit 只有四名全职成员,还有两位实习伙伴。一位 18 岁,是在小红书黑客松巅峰赛上认识的;一位 16 岁,是通过小红书认识的,独立负责了这次的宣发。

从真格实习生到真格支持的创业者,他们也切身体会到了真格的「投人」哲学。昱东说:「真格是独一无二的。投人的底层逻辑就是对人有尊重,重视人的持续成长。」

相信年轻人,支持青春的不可思议。

加入初创,参与一家公司的从零到一

前两个月,安娜在办公室里突然发现,一眼扫去坐的都是实习生。

安娜不由得感叹:「近三年,真格团队约 70% 的新成员都是由实习生转正留用。就像刚成立时,真格真的是实习生在推动。」

这些曾在真格独当一面的年轻人,如今也走到了创业一线。

2019 年,Ande 第一天来真格实习时才 19 岁。

2026 年,Ande 策划了自然意志的第一次模型发布。

今年 8 月底,Ande 刚准备从字节离职,加入朋友的创业公司。就在这时,与他同期实习、现任真格投资副总裁的 Debbie 给他发来消息:「自然意志正在准备第一次模型发布,你要不要和自然意志聊一聊?」

自然意志 HR 负责人 Mia 也曾是真格团队的一员。她给 Ande 发了一段很长的消息,没有客套的一两句寒暄,讲的都是自己与自然意志团队共事的感受和故事。

去面试时,他看到工位旁摆着一排 3D 打印机、机械手和机械臂,有人正戴着触觉手套采集数据。眼前的场景让他觉得,「这件事很有意思」。

他们聊了近两个小时,聊完后,Ande 得到的回复是:「什么时候能来?」

这份坦率和真诚让 Ande 决定加入。

谈起最近的 Natura-1,Ande 用「体验太好了」来形容这次新品发布:「团队推进特别高效,大家准备的过程也特别开心。」

为了证明机器人能够自主思考、应对变化,团队决定拍一支一镜到底的人机交互视频。录制从 9 月底开始,一拍就是一整天。「其实每一次成片都能用,但总觉得不够惊艳。」

就这样反反复复,不断拍摄。直到临近发布的一天,镜头终于完整记录下了他们想呈现的一切。

当时是晚上十点多,镜头合上的那一刻,他们从摄影师手里拿过内存卡,在会议室一起看刚拍完的视频,大家眼眶都湿了。

昱曈也在加入初创后对工作有了新的理解。

问起在 Manus 实习最大的感受,她说:「大家都非常热情、有活力。」在这个年轻、扁平的团队里,即使是实习生,也有机会真正参与、推动事情发生。

在真格实习时,有两句话让她印象深刻。

一句是「出来混,重要的是出来」,另一句是「Get your hands dirty」,亲自动手做事。如今,她也体会到,年轻时就加入一家优秀的公司,与优秀的人一起工作多么重要。

她见到的每一位员工都在用 AI 做事。市场团队会自己写出漂亮的网站来展示 brief,HR 团队也会动手搭建系统、梳理流程。

在不久前发布了第二代灵巧手 WUJI Hand 2 的舞肌科技,Jerry 感受到的则是公司对「人」的重视。

团队重视人才,不少实习生都由 CEO 潘韫哲亲自面试。他经常会问候选人,是否亲自动手创造过什么东西、对机器人有怎样的兴趣,以及如何理解第一性原理。

如今,已有 6 位真格往期实习生加入舞肌。

佳音也回忆,实习结束前,她在真格和大家聊了一圈,得到的共同建议是去初创,去创新的原点。

导师、真格董事总经理姚方舟的一句话让她印象很深:「你要去找你的富矿,要找到人生斜率最大的地方。」

真格是由人组成的

北京校友活动结束后的第二天下午,叶子还给我们发来了一段长长的消息。那天上班路上,我们聊过的话题又占据了她的脑海。

离开真格后,叶子在元古成立早期就加入了团队。从酒店业务、增长到市场,她在这里尝试过的岗位一只手都数不过来。

在叶子看来,做品牌就像养育一个孩子,有自己的性格,也有想做的事。你要知道想给它穿什么样的衣服,也要知道哪些不适合它。「知道不做什么也是件很重要的事。」

「这个世界有很多不一样的事,不是只有 AI。AI 也是跟人相关的,背后也是人的需求。」对她而言,无论做什么,始终不变的是对人的好奇:「因为我喜欢人,我想去了解人。」

都说人有七年之痒,但叶子与实习时结交的朋友至今保持着联系。就在最近,她们还去了一趟印度,吃了很多小吃,也喝了很多酒。

大家就是彼此的「职场发小」,有着一份很纯粹的感情。

如阳也感慨:「五年前,我还没有这样的感受。五年后,我才发现,原来这么多优秀的公司都和真格有关,里面的人可能就是我五年前的朋友。那时我还小,不知道大家会走向哪里。现在回头看,那一批人成长起来了,正在不同的公司和行业里闪闪发光。」

2016 年,真格实习生组织拜访吴旦联合创办的游戏公司英雄互娱

很多实习生的回忆都要追溯到五年、十年前。当时的真格还在共享际,办公室在一楼和地下一层。

Ande 回忆,王强老师最喜欢讲哲学,最爱聊康德和马斯克。有一次团队外出用餐,其它桌的人都走了,独有王老师这一桌吃了三四个小时才散。大家一直在听他分享。

今天,好像一切都没有变。

现在的实习生听王老师、听雨森、听刘元分享时亦是如此,一聊就是几个小时,舍不得走。或许前面故事里那些热情、真诚、好奇,以及对新的事情的渴求,就是在这数不清的对话里慢慢形成的。

那就继续办下去吧!

第 100 期、第 200 期,还有很多人值得相识,很多对话等待开始。

文|Yanyang & Cindy

跳转微信打开

人均一万美金 Token,用 Manus 改造 Manus

2026年10月27日 09:00

hidecloud 2026-10-27 09:00 广东

以下文章来源于:潜云思绪

潜云思绪

倾听世界,让心更广阔。

打造 AI Native 组织的实践与思考。

如何定义一家 AI 原生公司是个开放性问题。AI 在不断演化,人的工作方式、与 AI 的关系,以及凝聚成组织的形态也在随之变化。但对 Manus 这样一家 Agent 公司来说,「探索 AI 的边界一直是团队的追求」。

一个月前,当大家对 AI 的使用还常以每月几百美元的 Max Plan 为参照时,Manus 团队的人均 Token 消费已经超过一万美元,少数同学甚至达到七八万美元。

下文中,Manus 联合创始人张涛讲述了研发、产品、市场三个团队的探索历程。除了产品本身,这些故事背后还有一点对未来的额外期许。就像创始人肖弘转发配文的那句话:「AI 让平凡的人更好地做非凡事了。」

这也是 Manus 2.0 将不断回答的问题。

9 月,Manus 团队全力投入 Manus 2.0 的研发时,有一天发生了让我印象深刻的一幕。

我给工程师提了几条需求和 Bug。过一会去问进展,我看到他电脑上开着一排 Codex 和 Manus 的 Session。随便点开一个,里面的输入就是我刚刚在 Slack 上发给他的需求原文,一字未改。

以前工程师拿到需求,先自己分析,再动手写。现在不管是新需求还是新 Bug,大家基本都直接交给 AI。AI 自己去代码里找相关内容,自己改。整个过程中,人亲手执行的部分越来越少;指挥 AI 干活、为 AI 的工作结果承担责任占的比重越来越大。

更让我意外的是,我突然发现我们工程师的普遍工作节奏是一个人在同时处理十几、二十个需求。

现在很多公司用 AI 写代码提高开发效率,没什么稀奇。但即便如此,一个工程师同时处理十几、二十个需求,仍然是有点夸张的。

在今天的 Manus,这已经成为一种常态。

随着团队越来越深入地使用 Manus 和各种 AI 工具,加上 Manus 2.0 解锁了更多新能力,我在工程师背后看到的那一幕只是一个缩影。从产研到市场、运营等各个团队,组织方式、人与 AI 的关系、信息流动,以及每个人的能力边界,都在不知不觉中被调整,甚至重塑。

我的心情很复杂。有兴奋,为团队的持续迭代和变化感到开心和骄傲。也有不安:这个节奏对吗?是足够快还是太快了?这样的工作方式,会不会带来我们没看见的问题?

我尝试和同事一起把 Manus 近期一些 AI Native 的实践和探索整理出来。这个变化过程本身就很有价值。作为一家做 AI Agent 的公司,Manus 对自己有一个要求,也有一个追求:「吃自己的狗粮」和探索 AI 的使用边界。

除了产品,Manus 也有一个必然要探索的问题:既然现在和未来的工作默认由人与 AI 协作,一个让双方更友好地协作的组织应该如何运转?

由于篇幅有限,这里只分享三个团队的情况,记录的是我们内部正在发生的实践和思考。它是一个探索的过程,不代表我们对 AI Native 的最终答案。

研发:AI 不只是助手,还能走完全流程

过去,一个需求进来,先评审,再由前端和后端分工开发。写完后一起对接口、找问题,也就是「联调」,最后测试、上线。

最大的损耗在联调。前后端要分别理解需求,再约定接口规则。理解不一致,就要反复沟通、修改。很多时候,不是大家不努力,是人和人之间很难完全对齐。

Manus 也有这个问题。

所以我们想,既然 AI 能跨端写代码,分工是不是可以模糊掉?一个人理解清楚需求,再推进前端、后端和移动端的实现,就能减少跨端对接的损耗。

但代码分散在不同仓库里。即使由一个人负责,AI 仍然无法在同一个上下文里看到全貌。

于是我们做了 Manus-mono。

我们做了一个叫 Manus-mono 的代码仓库,下文简称 Mono。它没有把代码合并到一起,而是提供一个统一入口,配上一本给 AI 看的说明书:每个仓库做什么、彼此怎么配合、研发按什么规范工作。AI 要改哪部分,就去拉对应的仓库。

Mono 是一步步成长起来的,每一步都在解决上一步暴露的问题:

  • 让 AI 看见全局。补齐独立仓库之外的业务知识,让跨仓库协作成为可能,再通过 Git worktree 支持并行开发。

  • 让 AI 在本地验证。过去每次改代码,推到测试环境要等 5-10 分钟。现在,完整的 Manus 可以跑在本地电脑上,验证只需几秒。

  • 让 AI 排查线上问题。在权限控制下,Mono 可以读取线上日志、配置和异常记录,拿到排查 Bug 所需的信息。

  • 让 AI 走完发布流程。针对发布中容易卡住的环节,我们继续补齐 AI 的操作能力,但审批权仍在人这里。

  • 让 AI 完成端到端验证。验证成为新的耗时环节后,我们让 Mono 用测试账号走一遍真实流程,在浏览器和手机模拟器里检查结果。

慢慢地,Mono 像是一座知识库,配上一位熟悉规则的超级管理员。用的人越多,积累的知识也越多。比如运维同事经常被找去帮忙发版,觉得麻烦,就把发版流程写进 Mono。从此,大家都知道怎么做,也可以让 AI 来做了。

我很喜欢这个例子:一个人为了解放自己做的一件小事,最后让整个公司都快了一点。

到现在,团队已形成共识:一个需求,一个人可以写完所有端。最直观的例子是,我们的移动端一直只有 7 个人,同时负责 2 个产品、共 4 个移动应用,进度和网页版基本同步。

一个工具及其理念在企业内部的推进,既与工具本身有关,也与企业的文化和组织架构有很大关系。

在 Manus,推进 Mono 几乎没有遇到阻力。我想有三个原因:

  1. 探索 AI 的使用边界本就是我们的追求。这让此类探索能得到鼓励,且持续地有人去推进。

  2. 团队无法忍受低效。大家对于要重复做的事情,以及 AI 已经能高效判断处理的事,如果仍然是人工来做,接受度非常低。

  3. 组织足够扁平。不管是自上而下,还是自下而上,大部分决策都能快速覆盖到整个组织。

除了研发团队外,其他团队又如何呢?

产品:端到端上线,用视频表达需求

「古法」产品研发流程是,产品经理有了想法,调研、看竞品、找数据,再和设计师画原型和界面。接着评审、研发排期和开发,最后验收、测试、上线。

这个链路上的人很多,信息每经过一个人就会丢一点。同一份需求文档,产品和设计做出的原型可能完全不同。

但更让人难受的是优先级错位。对一个人最重要的事,对另一个人未必最重要。人越多,错位越严重。

Claude Code 和 Codex 出现后,工程师的效率大幅提升,新的问题却来了:产品经理不够用了,来不及提供足够多的高质量需求。

这是一个微妙的时刻。过去总是研发资源不够,现在第一次反过来了。

在内部,我们的尝试是先让少数研发成为 Builders:一个人负责从发现问题到上线的全过程,减少交接中的沟通损耗和优先级错位。但在当时,既懂技术、又有产品判断力的研发并不算多。

于是,我们启动了一个内部计划,淡化岗位边界,让产品经理也能直接改代码。但又遇到两个问题:交接仍在,产品改完交给研发,对方不一定能马上接手;产品也缺少研发视角。所以那时,产品只能改文案和交互,改不了底层逻辑。

Mono 解决了这两个问题。

首先,它内置了规范和确认要求。涉及模型调用或成本的修改,按规范必须先找负责的同事确认,再修改代码。

其次,我们自建了代码审核机器人,用最好的模型审核所有代码,对支付等关键模块设置专门的检查规则。Mono 还能用测试账号走完注册、支付等流程,并逐步录屏。产品经理看录屏,就能指出哪里不对。

现在,所有产品经理都提交过代码,视频成了新的需求文档(PRD)。

这里分享一个故事。

我们的一位产品经理在做语音转文字功能时,先让 Manus 测试十多个模型,再从中选择一个接入。接着,她通过 Mono 拿到前端代码,按照现有设计规范制作 Demo,让 Manus 把用户可能遇到的场景逐一生成图片。她一张张检查,不对的地方就让 Manus 修改。

改完后,她用 Manus 的视频编辑功能把 Demo 做成视频。方案已经足够清楚,她决定继续把功能写完。网页端和桌面端的界面都是她自己完成的。

整个过程中,人的参与主要集中在三类判断:选择模型,产品和设计评审 Demo,以及有发布权限的研发审核代码。

一位产品经理,把一个功能从模型选型推进到上线。放在一年前,这几乎不可能。

我们觉得这是从 Human in the Loop 到 Human on the Loop 的巨大变化。以前,AI 完成 70-80%,剩下的由人补上;现在,AI 能完成的部分大幅提升。人设计好规则,更多地监督多个 AI 的工作,在关键节点判断方法和结果,必要时介入,并为最终结果负责。

这里要提一下,Manus 2.0 让视频制作能力提升了很多:既能用图像生成视频,也能用代码做动画。于是,一些产品经理交出的需求不再是传统的 PRD 或设计稿,而是一段完整的视频。

几分钟里,视频交代了功能的关键信息:用户在什么场景下使用,界面怎么设计,点击后会发生什么,不同状态和特殊情况怎么处理,以及背后的实现逻辑。

我不知道其他公司是否这样做。我们用下来,视频确实让上下游更容易对齐。设计、研发和测试看同一段演示,更容易理解最后要做成什么,不用再向不同的人反复解释。我在内部产品会上分享后,越来越多同事开始这样写需求。

下面是语音输入功能的产品需求视频(PRV)。

现在,我们大约一半的产品经理已经能独立完成需求并上线,所有产品经理都向 Manus 提交过代码。最近,设计师也开始写代码了。Manus 2.0 中,Manus Studio 用户能看到的大部分界面都是由一位产品经理写的,Video Editor 也是。

写到这里,我有点感触。这些故事背后,是一个个同事在短短几个月里,主动突破自己的能力边界。

这是我最为团队骄傲的地方。

市场:数字同事进入工作流

市场团队最近也有两个尝试。

市场团队常常要做内容合作,一次内容合作要经历建立联系、确认合作、审核脚本、审批价格、合同付款,再到发布跟踪和效果复盘。广告投放也有一条长流程,要看多个平台的数据,建广告系列、填素材,再分析效果、调整。

这些环节分散在邮件、合同平台、内部审批、项目表格和各平台后台里。人常常需要在系统之间「搬运」信息:合同签了,去更新表格状态;内容发了,再通知相关同事。

人少、流程长,大部分精力消耗在对接流程上,真正需要想法和判断的创意工作,时间反而被挤压。我们也有同样的问题。

用 Manus 改造 Manus,在市场团队的起点是一个很小的问题。

我们发现,合作内容或广告发布后,我们往往无法第一时间知道。消息要经过好几层人传递,等我们知道时已经有点晚了。

于是,我们先让 AI 写脚本,自动发现内容何时发布。知道了发布时间,又想看看数据表现;既然能看数据,就把历史合作也复盘一遍。

接着,我们把流程串起来。合同签署、内部审批等环节完成后,系统发出信号,AI 就更新进度,找到相关同事推进下一步。

这些功能被 Manus 做进一个内部网站。对人来说,它是数据、看板和日历;对 AI 来说,它是一组可以调用的工具。

会用这些工具参与工作的 AI 成了我们的数字同事。

数字同事和一个普通工具最大的不同,是 ta 真正参与到了团队的工作流程里。

ta 像同事一样接收和安排工作。很多同事会同时找 ta,所以 ta 只在一个「工作台」Session 里和大家对话,具体任务再拆出去,交给其他 Session 并行完成。

这样,ta 自己的「注意力」不会被占满。

Slack 里的消息很多,ta 也不会每条都马上回。会先判断:这条消息和我有没有关系?有关系的,再分成「要打断手上的事」和「做完再处理」两类。这套规则不是我们教的,是 AI 在开发过程中自己设计的。

ta 让新信息更快落到执行里。以前,团队有了新的策略或产品理解,要在例会上讲一遍,再写一份 brief。现在,市场负责人把讨论直接转给 ta,说「学一下」。ta 会据此更新自己的知识,之后每次执行都会用上。

ta 记得住长期目标。有一次,同事们在 Slack 里讨论两个项目,一时记不清其中一个处于什么阶段。没有人 @ta,但 ta 主动提醒:「B 还在测试阶段,要不要等 A 的结果出来再看 B?」

第一次听说这件事时,我很惊喜。那一刻,ta 不像一个工具,更像一位一直在认真听会的同事。

ta 会主动跨团队对齐。产品同事发布了 3D 模型生成和骨骼绑定功能后,ta 主动去问这个功能的适用条件。问了才知道,骨骼绑定目前支持七类物体,比如鱼、蛇和四足动物。ta 把这些细节记了下来,之后对外介绍这个功能时,就能讲得准确。

同事们在审核脚本和价格时也开始主动找 ta 一起看。原因很简单:人在短时间内能看的资料有限,而 ta 看过所有的历史记录。

但最后拍板的仍然是人。

正常情况下,数字同事用我们搭建的内部网站,网站有什么功能,ta 就用什么。如果网站不好用,ta 只能将就,或者告诉我们,再由我们去改网站。

但我们不想在中间传话。

所以我们给网站开放了一个反馈接口。ta 用得不顺手时,可以直接通过这个接口提需求。需求一进来,就会自动触发 Manus 的开发任务。这里用到的是 Manus 2.0 的 Automations 功能:收到一条外部通知,就能自动开始一个任务。

这样,数字同事不仅能用已有的系统干活,遇到系统暂不支持的功能时,还能直接向 Manus 提需求,等新功能开发完成后,自己就能用上了。

信息不再需要找人问,减少打断别人

上面这些场景有个共同变化:很多以前要找人问的事,现在不必打断那个人了。

在 Manus 内部,我们逐渐形成了一些共识。

产品和开发的事务问题,先问 AI。同事用 Mono 做了一个 Slack 机器人,运行在云电脑上,接到任务后处理,再回到原消息里回复。用它最多的是非研发同事。想知道功能怎么实现、文案在哪里、某项功能是否上线,不必先打听归谁管,直接问 ta 就行。

看进度,打开 Session。以前,工程师的进展都在自己的 AI 对话里。别人只能找他问,他下班后,也看不到进度。于是,我们做了一个目前只在内部使用的协作功能:同一项目的成员默认能看到彼此的 Session,也可以申请进入对话发言。

比如,技术同事先和 AI 完成大量工作,再由产品经理进入同一个 Session,调整间距、样式和文案。两个人和 AI 交替推进。

要在别人的 Session 里发消息,仍需要对方批准。我们还在完善这部分权限设计。

工程师、产品经理和设计师在同一个 Session 协作的示意图。具体内容为虚拟信息,不是真实的工作 Session

我想在这里强调一点,前面所说的「不再需要找人问」,并不是减少人和人之间的交流。我觉得更重要的意义,是减少组织协作中被「临时打断」所带来的时间和精力的损耗。

做决策,甚至只看需要自己定的事。团队里有一位用 AI 最多的同事,他的工作方法可能最「夸张」。他有一个总的 Manus Session,只负责一件事:把需要他决定的事情列出来,并附上推荐方案。大家在 Slack 里讨论得热火朝天时,他可以不打开 Slack,也很少打开代码仓库。他只问 AI:「现在有什么需要我决定?」

AI 列出几件事,说明每件卡在哪里,由他来拍板。

我自己也用这套方法。我每天有二十多个待办,在一些场合分享过,我有 ADHD,对我来说,最难的是开始做。

现在,我把所有待办交给一个专门的 Manus 项目,它把每一条拆成独立的任务。它能做的,直接开始。它不确定的,会来问我背景,问希望由哪位产品经理跟进。然后,它结合 Slack、Gmail 和 Notion 里的信息先做一轮调研,再把需求和调研结果一起交给对应的产品经理。

产品经理拿到的不再是一句话的待办,是一份有完整背景的方案。对我来说,这不只是效率的变化。

它让我每天少了很多不知从何开始的焦虑。

人均一万美元的 AI 开销值不值?

月初我在朋友圈分享过:公司 9 月的 AI 开销,人均超过一万美元。不是每个人都用了这么多,有少数同学一个人就用了七八万美元。

这条朋友圈发出去以后,有一些质疑认为花得太过分了。这些质疑我都认真看了。今天正面回答这个问题:

第一,这笔钱买的不是人力,是时间和注意力。团队变大,沟通成本就会变高。用 AI 省下的是每个人的注意力,让每个人对自己负责的事更有完整的掌控。

第二,贵是因为用最好的模型,这是了解 AI 边界的核心方法。负责研发效率的同事告诉我,我们的代码审核机器人投入使用有好一阵子了,最近半年他没有听说过因为合入有问题的代码而造成的线上故障,要知道在 AI coding 普及后,我们每天的代码提交量是非常夸张的。因此在这个场景里我们用了当前阶段最厉害的模型,这一方面解决了我们的问题,一方面也帮助我们在理解当下模型的能力边界到底进化到哪了。他觉得这可能是公司最划算的一笔支出。

第三,成本会通过产品变低。随着越来越多的开发工作在 Manus Studio 上完成,Manus Studio 是我们自己的产品,我们能从内部使用数据里看到 Token 浪费在哪里。我们改进产品,浪费就会减少,成本也随之下降。用户也会因此受益。

当然,所有的这一切,根源来自我前面说的团队对自己的要求和追求:「吃自己的狗粮」和探索 AI 的使用边界。

我们也相信,成本会持续下降。今天每月一万美元换来的工作方式,两年后可能只需要几百美元。

在这个过程中积累下来的全新工作方式、组织方式,则是更宝贵的资产。

我们看到的机会

这些尝试和问题也让我们看到了一些产品机会。我们踩过的坑,很可能也是同行会遇到的。

第一,Session 本身会成为多人协作的工作对象。过去是一个人有一个任务,通过一个会话完成,然后再有下一个任务;现在,一个人提出问题,设计师出方案,工程师实现,产品经理继续运营,都可以在同一个 Session 里推进。它承载的是一整项工作,需要更清楚的状态流转,也可能需要更好的管理面板。

第二,跨设备协作。我们已经能让一个人通过 Agent 管理多台电脑,下一步是打通本地与云端,并支持同事间协作。目标是让想法更顺畅地变成产出,让人不必一直守在电脑前,工作也能继续推进。

第三,Agent 主动发现解法。进入公司的系统和知识库后,Agent 不只执行交代的任务,也能利用已有工具、知识和资源,找到人没想到的解法。

这些是 Manus 接下来要做好的事。我们会先自己试,再交到用户手里。

人最后做什么

回到开头那个让我震撼的画面:工程师把需求直接交给 AI,同时推进十几个任务。

这不只是效率提高了,是组织运转的方式在改变。过去,组织靠分工和层级传递信息,一个人能做成多少事,取决于能调动多少人和资源。现在,我们花更多精力为 AI 补齐上下文、准备工具,再作判断和决定。

AI 的完成度已经很高,但做什么仍由人决定。

我们也开玩笑讨论过:既然 Manus 能做这么多事,以后是不是不用来公司,让各自的 Agent 一起工作就好?当然不是。公司的关键问题,仍需要人来提出、讨论和决定。

公司的氛围、理念和人与人之间的信任,来自日复一日的磨合,以及关键时刻的共同经历。

所以我们目前的体会是:在 AI Native 组织里,人的角色没有变小,而是更集中了。定义问题,判断质量,决定什么值得做,并为结果负责。

还有很重要的一点:与 AI 共同成长。

人仍然重要,所以我们也仍在招人。人的能力和价值,在这套工作方式中始终至关重要。

写到这里,我突然产生了一个好奇:半年或一年后再写这个话题,我们的工作方式会变成什么样?我没有答案。AI 的能力边界还在拓展,组织也要不断摸索怎样与它协同工作。

每家公司的目标、架构、工作方式和文化都不同。AI Native 组织如何运转,未必有标准答案,也未必有终极形态。但对 Manus 这样一家 AI Agent 公司来说,探索人与 AI 如何协同工作,是一个必然命题。

我们会不断回答这个问题。

跳转微信打开

上真格官网体验 ASK AI

2026年10月23日 09:00

真格基金 2026-10-23 09:00 北京

真格公众号每天都有收到大家满满的留言。为了能第一时间回应大家,我们在官网上线了「Ask AI」。

🔍 zhenfund.com/zh

点击网站右上角导航栏的「Ask AI」,就可以和 AI 聊起来啦!试着问问:

💬 我正在做 AI 项目,真格投过哪些团队?

💬 真格最近在具身领域关注什么?

💬 我是 00 后,有哪些适合我参加的活动?

期待和你交流!

#科技 #AI #创业故事 #人工智能 #科技爱好者必看

跳转微信打开

❌