AI动态

分类：AI动态 标签：具身智能、大模型、机器人、开源项目 在人工智能领域，“自进化”一直是一个备受争议的词汇。当数字世界的 AI 纷纷讨论自我迭代时，物理世界的机器人是否也能拥有持续生长的能力？ 最近，乐享科技推出其具身智能模型 Aether（以太），并宣称其能够在部署和执行过程中持续更新，成为全球首个能自进化的具身智能模型。通过一场充满挑战的户外烧烤直播，以及对模型内部底层架构的拆解，乐享科技展示了一条通往机器人“自进化”的新路径。 从模仿动作到理解世界因果 过去几年，具身智能的主流思路是将视觉、语言和动作连接起来（VLA），让机器人借助大规模数据学习人类示范。然而，这种“输入 -> 动作”的映射存在一个根本限制：它擅长回答下一步做什么，却未必真正理解为什么要这样做。 传统 VLA 的局限：不懂因果关系，只是在已有数据中寻找动作规律。 传统 World Model 的局限：虽然能够生成对未来的预测，但生成的未来往往无法被机器人的关节、力矩和控制系统完美执行。 真实世界充满了接触力、摩擦、滑动和临时变化。乐享科技的以太模型并没有把重点放在简单的动作预测上，而是将其构建为一个由世界状态、内部状态和能量状态耦合而成的动力系统（Energy-driven State Transition）。 在这套系统中，感知变成了任务的一部分。机器人不再被动接受画面，而是带着“为了继续行动我还需要看到什么”的感知意图去主动探索，从而让动作在不断变化的物理世界中真正成立。 闭环机制：自进化不是一句口号 对于“自进化”的质疑，核心在于：机器人执行任务时，变化的究竟是瞬时记忆，还是策略甚至模型权重？乐享科技给出的答案是：这些层级都会更新。 这套自进化闭环机制包含以下几个核心环节： 预测误差修正：机器人在行动前形成预测，执行后观察结果，实时对比偏差并重新规划，这个过程伴随每一次行动持续发生。 错题本机制与经验筛选：在线学习最大的风险在于把偶然扰动当成规律。以太模型会评估经验的可靠性与新颖性，决定什么应该学，什么应该忘。 分层记忆与参数更新：短期任务状态用完即清，而经过反复验证的稳定规律则会进入世界模型和因果模型，甚至进一步影响模型权重，实现真正的永久性能力沉淀。 此外，该模型展现了强大的泛化能力。目前，以太模型已在双臂、双足和轮式等约五家不同形态的机器人本体上积累经验。通过自主探索认知不同本体的性能差异与关节约束，模型完成了软硬件解耦，真正实现了“一脑多形”。 结语：具身智能的 Next Level 如果机器人只是被训练好的执行机器，它在现场之外的经验就很难沉淀。但如果机器人能够在行动中发现偏差、在反馈中筛选经验、在记忆中沉淀规律，并把这些规律带到新的任务和身体上，它就不只是“更会干活”，而是开始具备了真正的生长性。 衡量机器人的方式或许正在发生改变——未来不仅要看“它现在会做什么”，更要看“它做完之后学会了什么”。一旦跨越这道门槛，机器人将不再只是被制造和部署的工具，而成为能够在真实世界中持续获得经验的行动系统。这，或许就是具身智能真正的 Next Level。

分类：科技 标签：人工智能、iPhone、开源项目、大模型 今天的科技圈依然热闹非凡。从苹果最新发布的 iPhone 18 Pro 遭遇突发死机现象，到剪映推出全新的 AI 创作工作台；从阿里开源 Qwen-Image-2.1 图像模型，到业界对 AI 发展与宏观经济的讨论，以下为您梳理今日不可错过的数码与科技热点。 硬件风波：iPhone 18 Pro 现身自动重启现象，苹果正展开调查 据多方消息，苹果新款手机 iPhone 18 Pro 系列在上市首日便被曝出设备突然关机后自动重启的「Panic Full」现象。 在部分用户社区中，相关反馈帖子接连不断。有用户测试发现，在进入需要 Face ID 认证的银行应用或照片应用项目时，如果反复使 Face ID 识别失败，便极易触发该现象，导致屏幕出现提示并随之自动重启。对此，相关科技频道和业内人士已经进行了复现，苹果官方目前表示正在对该问题进行深入调查。 AI 软件与生态：剪映发布 Hub 及 AI 助手「小映」 在「AI 新创作发布会」上，剪映正式推出了一站式创作工作台剪映 Hub、智能创作 Agent「剪映助手」以及移动端 AI 助手「小映」，全面升级视频创作流程。 剪映 Hub 与助手：由无限画布和多轨道编辑器组成，支持从一句话或参考文档直接生成脚本，并通过对话完成素材整理与视频包装。 移动端「小映」：可根据文字需求和原始素材，调用多模态能力快速生成初版视频，助力商家和创作者高效产出营销内容。 开源动态：阿里千问开源 Qwen-Image-2.1 图像模型 阿里千问于近日正式开源千问图像系列模型 Qwen-Image-2.1。该模型将文生图与图像编辑深度整合在同一架构中，视觉生成部分仅有 7B 参数。 作为兼顾生成效果与推理成本的轻量级方案，Qwen-Image-2.1 原生支持透明图像的生成与编辑，并支持最多 10 张参考图输入，在局部编辑、人像与商品保真方面表现出色，为开发者和设计人员提供了极具性价比的选择。 行业声音：黄仁勋驳斥 AI 末日叙事，马斯克预测经济增长 针对近期部分研究员提出的 AI 威胁论，英伟达联合创始人兼首席执行官黄仁勋在接受采访时予以严厉驳斥，称「AI 末日叙事」被过度渲染，吓唬人不负责任，并表示现有法律框架已足够完善，无需为 AI 开发增设不必要的监管束缚。 与此同时，马斯克则对 AI 的宏观经济拉动作用保持极高期待，他预测人工智能将在明年使美国经济增长率实现翻倍，达到 4% 的水平。 ...

分类：AI动态 标签：人工智能、大模型、开源项目、科学研究 当数亿光年外的微光落入探测器，人类得以窥见宇宙深处的超新星爆发与极端物理现象。然而，在浪漫的天文观测背后，是科研人员彻夜值班的琐碎与繁重。面对无法提前推算的瞬变事件，时间往往转瞬即逝。 今年，国家天文台科研团队在千问办公的协助下，展开了一次全新的技术尝试：利用 AI 驱动天文望远镜的仿真与观测，将复杂的科研流程带入了一个全新的加速时代。 自动化望远镜的痛点：为什么还需要 Agent？ 望远镜自动化并不是新鲜事。回顾过去，行业将其大致划分为三个阶段：发现异常、分析异常和资源调度。 其中，资源调度已相当成熟。例如，全球多台机器人望远镜可以作为一个整体运行，由中央调度系统根据天气和目标可见性自动安排任务。但在「发现异常」方面，随着巡天能力的爆发，海量告警纷至沓来。以 Vera C. Rubin Observatory 为例，系统未来每晚预计发出高达 700 万条科学告警。 候选数量激增，但适合后随观测的望远镜时间始终有限。 为了打破这一瓶颈，国家天文台相关团队自 2025 年起便开始尝试引入 AI。由银河系三维结构组与兴隆观测基地合作开发的「星语望远镜 StarWhisper Telescope」以大模型为基础，将观测计划、设备控制与数据处理整合进同一套 Agent 框架中。这项工作随后也被斯坦福大学《AI Index Report 2026》列为物理、天文、化学和材料科学领域的代表性 AI Agent。 然而在真实观测现场，参数与流程仍需人工不断调整。当团队尝试将 Agent 进一步推向设备控制侧时，一个无法绕过的问题随之浮现：真实望远镜极其昂贵且经不起频繁试错。 先造一台可以反复试错的仿真望远镜 国际主流 10 米级地面光学望远镜的一个有效观测小时运行成本高昂，且设备复杂的镜筒、转台与传感器彼此联动，容不得半点差池。为此，在千问办公的协助下，科研团队首先为 Agent 搭建了一套科研级望远镜仿真环境。 过去开发一套专业仿真系统往往需要数月时间和高昂成本，而千问办公将这一过程压缩到了 3 天左右： 跑通数据链：Agent 读取专业程序返回的候选性质、天气及设备状态，自动生成优化观测计划。 硬件响应接入：系统通过 MCP 调用仿真设备，模拟电机运动与传感器反馈。 策略反复演练：在面对多目标竞争、恶劣天气等复杂现实情况时，仿真系统能够提前演练多种调度策略，寻找最优解。 从仿真到实战：让候选成为观测对象 在仿真系统中跑通策略后，真实瞬变链路的效率迎来了质的飞跃。 国际天文团队训练了跨波段光变基座模型，将分散的观测点在时间上对齐，更早识别出爆发初期的候选。随后，Agent 框架接入了「司天」探路者和原型机，并已预警约 8 颗极早期超新星候选，其中 2 颗在天气条件允许时成功触发了后续观测。 面对我国面向时域天文学提出的大型分布式米级巡天望远镜阵列项目——「司天工程（GOTTA）」（该项目已入选联合国教科文组织科学十年认证计划），未来将构建覆盖全球的百余台望远镜。在这个庞大网络中，面对复杂的阵列调度与多目标竞争，Agent 将成为不可或缺的核心枢纽。 尾声 从几亿光年外的恒星爆发观测，到企业级 AI Agent 的落地，看似远隔千里，本质却相通：人类在工作中被消耗最多的时间，正是系统间的信息传递与流程对接。 当一束光跨越漫长的时间抵达地球，留给我们的观测窗口往往只有昂贵且不可逆的几个小时。在这个意义上，AI 带来的每一分钟加速，都让人类得以在浩瀚星空中走得更远。

分类：AI动态 标签：大模型、算力调度、国产芯片、人工智能 当人工智能的基础设施从单卡性能的孤岛走向万卡集群，算力的调度也正经历着从简单的网络连通向跨域协同的深刻变革。在这一演进过程中，整个产业最为关心的核心痛点依然是居高不下的成本问题。 行业分析普遍认为，算力网一体化调度的终极红利，正通过盘活闲置算力资源、优化全局任务分配，并叠加绿电与异构技术优势，持续压缩大模型在训练与推理环节的单位成本。这种变革最直观的体现，便是 AI Token（词元）的生产成本正在迎来大幅下行周期。 算力网调度：成熟的降本范式正在形成 在当前的算力网络建设中，各大运营商及头部科技企业已经探索出了一套成熟的降本增效范式。 通过跨域协同与智能调度，系统能够动态匹配算力供需，将原本闲置的算力碎片聚合利用。这不仅提升了硬件资源的整体利用率，还通过能源结构优化（如引入绿电）进一步降低了运营能耗，为大模型产业化铺平了道路。 软硬件深度协同：打造高品质的国产 Token 工厂 除了宏观调度层面的优化，底层软硬件厂商的深度协同也正在加速落地，成为推动 Token 降本的关键微观抓手。 近期，趋境科技与摩尔线程正式达成战略合作，双方携手打造国产化高品质 AI Token 工厂，并且相关技术方案已经正式投产。 趋境科技 Token 事业部总经理刘显赫指出，随着大模型应用全面进入规模化商业落地阶段，市场基础设施的竞争焦点已经发生了根本性转变：竞争维度正从单一的硬件单卡性能，正式转向系统级的 Token 生产效率。 总结与展望 算力网一体化调度周期的开启，标志着人工智能产业正从“追求算力规模”向“优化生产效率”转变。通过跨域协同盘活资源，再到软硬件厂商联合打造高效的 Token 生产线，整个行业正在系统性地破解成本瓶颈。未来，随着更多系统级优化方案的落地，AI 服务的普及门槛有望进一步降低，为千行百业的智能化转型注入强劲动力。

分类：[科技] 标签：人工智能, 微软, 版权保护, 科技资讯 近期，《纽约时报》等媒体起诉微软与 OpenAI 的版权侵权案解封了一批关键诉讼文件。文件显示，微软应用科学总监 Brent Hecht 曾在内部多次预警，直言为了训练 AI 大规模抓取新闻内容是「空前规模的惊人盗窃」，甚至称其为「人类历史上最大规模的劳动成果盗窃」，并认为此举让版权法中的「合理使用」原则名存实亡。 AI 爬虫引发的流量雪崩与合规争议 根据披露的内部数据记录，AI 平台上线后，部分原告媒体在搜索等渠道的点击率骤降了 51% 至 94%。这表明聊天机器人正在充当新闻媒介的直接替代品，并引发了破坏内容供应链的恶性循环。 通信记录还显示，当工程师汇报已找到绕过《纽约时报》付费墙的技术手段时，OpenAI 联合创始人兼总裁 Greg Brockman 曾回复称「不错」。原告代理律师指出，新证据证实了两家巨头对其不当行为心知肚明，而 ChatGPT 和 Copilot 在响应用户请求时大量逐字复现报道，实质上取代了读者对原网站的需求。 各方回应与行业影响 面对曝光的文件，微软发言人回应称，旗下 AI 产品属于转化性使用而非替代品，Hecht 的表态仅代表员工个人观点，不代表公司的法律立场；微软 CEO Satya Nadella 则在证词中表示，新闻流量分流只是反映了信息消费方式的变革。截至目前，OpenAI 暂未对此事作出评论。 这场诉讼再次将生成式 AI 发展与内容版权保护之间的矛盾推向风口浪尖。随着大模型对高质量训练数据需求的日益增长，如何在技术创新与创作者权益之间找到平衡，已成为整个科技行业亟待解决的核心议题。

分类：AI动态 标签：人工智能、版权保护、微软、OpenAI 近日，《纽约时报》等媒体起诉微软与 OpenAI 的版权侵权案近期解封了一批诉讼文件。文件显示，微软应用科学总监 Brent Hecht 曾多次在内部预警，直指为训练 AI 大规模抓取新闻内容是「空前规模的惊人盗窃」，甚至形容其为「人类历史上最大规模的劳动成果盗窃」，并认为此举让版权法中的「合理使用」原则沦为了笑柄。 内部数据揭示流量雪崩与违规操作 诉讼文件披露，两家被告公司内部早已意识到，聊天机器人会充当新闻媒介的直接替代品，从而引发破坏内容供应链的恶性循环。微软内部数据记录显示，AI 平台上线后，部分原告媒体在搜索等渠道的点击率骤降了 51% 至 94%。 不仅如此，通信记录还显示，当工程师汇报已找到绕过《纽约时报》付费墙的技术手段时，OpenAI 联合创始人兼总裁 Greg Brockman 曾回复称「不错」。原告代理律师指出，新证据证实了两家巨头对其不当行为心知肚明，微软甚至违规将 Bing 搜索引擎购买的数据集转售给 OpenAI 作模型训练。 巨头回应与行业争议 面对指控，微软发言人回应称，旗下 AI 产品的应用属于转化性使用而非替代品，Hecht 的表态仅代表员工个人观点，不代表公司法律立场；微软 CEO Satya Nadella 则在证词中表示，新闻流量分流只是反映了信息消费方式的变革。截至目前，OpenAI 尚未对此发表评论。 随着前沿大模型对海量数据的依赖加剧，版权方与科技巨头之间的法律博弈正在不断升级。如何平衡人工智能技术创新与原创内容的版权保护，已经成为当前科技行业亟待解决的核心议题。

分类：科技 标签：人工智能、数据中心、能源危机、云计算 随着人工智能（AI）与云计算技术的爆发式增长，全球各地的数据中心建设正进入前所未有的狂飙突进期。然而，在算力狂欢的背后，巨大的能源消耗正在给地方电网带来前所未有的压力。 美国俄勒冈州近期发布的一份官方报告显示，当地的数字基建能耗已经达到了令人咋舌的规模。科技发展的“碳足迹”与“电荒”隐忧，正成为无法忽视的现实议题。 算力狂飙：用电量直逼总电量四分之一 根据该报告统计，目前俄勒冈州共有 111 个正在运营的数据中心，总建筑面积达到 2210 万平方英尺。仅在 2025 年，这些数据中心的总用电量就已经占据了该州总用电量的 23%。 这意味着，全州近四分之一的电力都被用于维持服务器的运转和冷却。这不仅是科技巨头们算力军备竞赛的缩影，也折射出数字经济对传统物理基础设施的深度重构。 远未见顶：未来能耗将吞噬三分之一电力 更引人关注的是，这股建设浪潮远未停歇。目前，该州还有 32 个数据中心正处于建设或规划阶段，未来将新增 690 万平方英尺的建筑面积。 报告预测，随着大模型训练和推理需求的持续激增： 到 2030 年，该州数据中心的能耗将飙升至近 25 TWh（太瓦时）。 届时，数据中心将吞噬全州约 31% 至 32% 的电力需求。 这一耗电量将相当于 250 万户美国家庭的年度用电总和。 经济效益与资源消耗的失衡博弈 巨大的能源消耗与有限的直接就业机会，也引发了当地社会对资源分配的思考。 报告指出，虽然这些数据中心消耗了海量的电力资源，但其直接提供的就业岗位仅有 2630 个，仅占该州总人口的 0.06%。这种“高耗能、低就业”的产业特征，让地方政府在享受科技税收红利的同时，不得不直面电网升级、碳排放以及居民用电成本上涨的潜在风险。 极客视点 AI 的尽头是电力。俄勒冈州的现状只是全球科技浪潮的一个缩影。当大模型参数量不断刷新纪录、算力需求呈指数级增长时，如何平衡 AI 发展与能源可持续性，寻找更高效的硬件架构、绿电直供方案以及冷却技术，已经成为摆在所有科技巨头面前最紧迫的考题。如果无法突破能源瓶颈，算力的上限或许就将是人类文明发展的新极限。

分类：科技 标签：英伟达、RISC-V、GPU、开源硬件 在大多数人的认知中，英伟达（NVIDIA）的 GPU 是凭借强大的 CUDA 核心和 Tensor 核心在图形渲染与人工智能领域叱咤风云。但很少有人知道，在这些显眼的计算单元背后，还隐藏着一支庞大的“幕后军团”——RISC-V 核心。 日前有数据显示，英伟达在 2024 年一年的 GPU 产品中，就使用了超过 10 亿个 RISC-V 核心。这些核心并不参与直接的图形渲染，而是作为微控制器默默支撑着整个 GPU 的日常运转。 从私有走向开源：Falcon 的退场 事实上，英伟达在拥抱 RISC-V 之前，拥有自己的私有微控制器架构：Falcon（Fast Logic CONtroller）。 辉煌的历史：Falcon 最早于 2005 年随着 G98 芯片引入。到了 2016 年，单个 GPU 芯片集成的 Falcon 引擎已经超过 15 个。在长达十年的时间里，英伟达累计使用的 Falcon 核心总数达到了约 30 亿个。 面临的瓶颈：Falcon 属于 32 位核心，且没有数据缓存机制。随着芯片复杂度的急剧上升，老旧的 Falcon 架构逐渐无法满足英伟达在性能和灵活性上的更高需求。 为了寻找更强大、更具扩展性的替代方案，英伟达对市面上的主流架构进行了严格评估，最终将目光投向了开放且充满潜力的开源指令集架构 —— RISC-V。 默默无闻的幕后功臣 如今，根据 GPU 型号的不同，每一块英伟达 GPU 内部都集成了 10 到 40 个 RISC-V 核心。它们虽然不直接渲染游戏画面，但在 GPU 的整个生命周期中扮演着至关重要的角色： 核心任务分工：视频编解码、电源管理、安全引擎等底层控制任务，全靠这些微控制器在后台协同调度。 高效协同运作：RISC-V 凭借其开源、可定制、高能效的优势，完美接棒了 Falcon 过去的职责，并为英伟达提供了更广阔的技术演进空间。 博客编辑总结 从早期的私有架构 Falcon 到如今全面拥抱开源的 RISC-V，英伟达的硬件演进史展现了这家科技巨头对底层技术的极致追求。数十个 RISC-V 核心构成了现代 GPU 不可或缺的神经系统，也再次证明了开源指令集架构在当今半导体产业中的核心地位与无限潜力。

分类：数码 标签：iPhone 18 Pro、Apple Silicon、人工智能、大模型 随着生成式人工智能的快速普及，端侧 AI 正在成为各大芯片厂商和手机巨头角力的核心战场。在最新的硬件测试中，苹果新一代 A20 Pro 芯片展现出了令人瞩目的爆发力。得益于硬件规格的全面革新，搭载 A20 Pro 的 iPhone 18 Pro 成功在本地流畅运行高达 270 亿参数的大模型，其推理速度相比上一代实现翻倍，标志着智能手机的本地 AI 能力正式迈入全新阶段。 双 16 核神经网络引擎：突破性能天花板 作为苹果自研芯片史上的又一次重大突破，A20 Pro 首次搭载了双 16 核神经网络引擎。这套专为高强度人工智能运算负载打造的硬件模块，其峰值吞吐性能甚至超越了芯片内部的 7 核 GPU，为处理复杂的本地 AI 任务提供了充沛的算力支撑。 在实际测试中，数码爱好者通过 iPhone 18 Pro 成功加载并运行了 Bonsai-27B 模型。从演示效果来看，模型生成词元（token）的速度十分惊人，运行过程行云流水，完全没有出现降速或严重卡顿现象。 内存规格升级：带宽与容量的双重飞跃 除了算力强劲的神经网络引擎，iPhone 18 Pro 系列在内存方面的升级同样功不可没。 大容量与高带宽：iPhone 18 Pro 和 iPhone 18 Pro Max 均配备了 12GB、96 位位宽的 LPDDR5X 内存。 极致速度：其统一内存带宽最高可达 115.2GB/s，相比上一代产品实现了显著提升。 正是这套由 A20 Pro 芯片、双 16 核神经网络引擎以及高速大容量内存共同构成的硬件铁三角，彻底打破了以往移动端无法高效处理超大参数模型的魔咒。 端侧 AI 的现实考量：性能与体量的博弈 尽管 iPhone 能够离线运行 270 亿参数的 AI 模型被视作重大进步，但在实际应用中，用户仍需面临硬件与模型体量之间的取舍。 ...

分类：科技 标签：人工智能、具身智能、大模型、机器人 在具身智能领域，如何让机器人真正理解并适应纷繁复杂的现实物理世界，一直是各大团队攻坚的核心难题。近期，乐享科技推出了一项大胆的技术路线——其具身智能模型「以太」（Aether）大模型宣称能够在部署和执行过程中持续更新，成为全球首个具备「自进化」能力的具身智能模型。这一概念引发了行业内外的广泛热议：「自进化」究竟是概念营销，还是通往通用机器人的必经之路？ 告别单纯模仿：从动作预测到理解因果 过去几年，具身智能的主流路线是通过视觉、语言与动作的映射，让机器人根据环境输入直接输出动作。这种方式虽然让机器人学会了人类示范，但也存在明显的局限：它擅长回答「下一步做什么」，却未必理解「为什么要这样做」。 真实世界充满了接触力、摩擦、遮挡和物体形变。同一个动作在不同场景下会产生完全不同的后果，仅仅依赖视觉模仿很难在复杂的物理交互中保持稳定。 乐享科技的「以太」模型试图打破这一黑盒。它被定义为一个由世界状态、内部状态和能量状态耦合而成的动力系统，通过能量驱动的状态转移（energy-driven state transition）来进行决策。 主动感知：感知不再是被动接收画面，而是带着问题寻找答案。为了消除不确定性，机器人会主动调整观察位置再做决策。 因果理解：系统不再仅仅预测下一个动作，而是建立动作、物理状态与结果之间的因果关系，确保机器人在不断变化的环境中做出的动作切实可行。 严谨的闭环：自进化不是口号，而是机制 「自进化」面临的最大质疑在于：模型究竟是如何更新的？乐享科技给出的答案包含了一套完整的闭环机制： 预测与纠偏：机器人在行动前形成预测，执行后观察现实结果。一旦发现偏差，系统会实时更新内部状态，触发局部或全局的重新规划。 错题本与经验筛选：在线学习最大的风险在于将偶然扰动当成规律。以太模型通过分层记忆和筛选机制，判断经验是否可靠、能否泛化，只将验证过的有效规律沉淀下来，避免被错误经验污染。 软硬件解耦与一脑多形：目前，以太大模型已在双臂、双足和轮式等多种不同本体上积累经验。通过自主探索认知不同本体的性能差异和关节限位，模型能够生成适配不同硬件的轨迹，真正实现了跨形态的迁移与泛化。 总结：机器人的生长性时代 如果机器人只能在出厂前被训练，部署后便一成不变，那它本质上依然是一种高级自动化工具。但如果机器人能够在行动中发现偏差、在反馈中筛选经验、在记忆中沉淀规律，并把这些能力带到新的任务和身体上，它就具备了真正的「生长性」。 当然，从目前的工程展示走向真正的全场景自进化，乐享科技依然需要回答泛化边界、长期稳定性等诸多挑战。但正如行业所关注的那样，衡量机器人的标准或许正在发生改变——未来不仅要看「它现在会做什么」，更要看「它做完之后学会了什么」。这，或许就是具身智能真正的 next level。