AI动态

分类：[AI动态] 标签：具身智能、人工智能、大模型、机器人 在具身智能行业充斥着各种喧嚣与概念的今天，真正在推动行业前行的往往是那些践行非共识的团队。随着人形机器人逐渐走向公众视野，如何让机器人动得流畅、自然，成为了整个技术圈的核心痛点。 近日，极客公园 In The Loop 对话了桥介数物创始人尚阳星。这家成立三年、专注于通用全身运动控制模型（小脑）的公司，正在尝试把繁琐的项目制生意重构为标准化平台，并探索具身智能行业的全新分工模式。 以下为经整理的对话精华。 01 告别“一个动作一个策略”，运动基座模型正在成熟 问：先讲讲你们今年的技术进展。 尚阳星：主要是两件事。一件是模型，我们做了全身运动控制的基座模型；另一件是产品，把这套能力做成了一个平台。 模型方面，去年行业里基本还是单动作、单策略，一个动作对应一个策略，年初时连拟人行走都很难做好。今年最主要的变化是运动基座模型出现了，一个模型看过足够多的人类动作之后，即使是没有专门练过的新动作它也能跟上。 平台方面，我们过去三年是给一家一家客户做项目，今年把这些经验沉淀成了产品。用户拿到机型的 URDF 后，平台能自动生成训练代码、模型代码和配置文件，训练完再生成适配实机的部署代码。 问：这两件事凑在一起，用户最终能拿到什么体验？ 尚阳星：注册登录后，用手机拍一段视频传上来，等几分钟，平台就会把动作提取出来，点一下仿真看看效果，确认无误后即可一键部署到实机。只要机型和环境正常，半小时以内就能走完这套流程，基本实现了点选式操作。 问：把人的动作映射到不同构型的机器人身上，是其中最难的部分吗？ 尚阳星：动作重定向（Retargeting）有一定难度，但它只解决运动学问题，不是最核心的难点。真正的挑战在于后面那层控制模型。哪怕只在一款机型上，训练一个能追踪任意动作的运动基座模型，本身就面临算法、工程和数据的多重挑战。其中，仅在数据上的投入就需要几千万元。 目前我们在数据工厂上持续加码，从最初的每月采集几百小时，到目前每个月已经可以采集 1500 小时的高质量动捕数据。 02 未来的一台机器人，将由多方共同协作完成 问：人形机器人接下来的演进路径是怎样的？ 尚阳星：我们把机器人的能力分成三层： 最底层是 Motion（运动控制）：负责屏蔽底层硬件差异，用户无需直接从关节层面控制电机。 中间层是 Skill（原子技能）：比如拿起杯子、开门、爬楼梯等偏规划层面的能力。 最上层是 Task（任务编排）：通过多项 Skill 的组合，未来可以借助大语言模型来做复杂的任务分解。 问：为什么一定要从最底层的 Motion 开始？ 尚阳星：因为要实现跨本体的通用，就必须先建立统一的底层。如果一家平台公司同时涉足本体制造，就会失去独立第三方的中立性，走上类似苹果的封闭路线，而无法成为像安卓那样被广泛采用的底层生态。独立中立是平台能够赋能各大本体厂商的必要条件。 问：做操作的厂商和你们是什么关系？现在他们有 VLA（视觉-语言-动作模型），你们的 Motion 层怎么接上去？ 尚阳星：上半身操作天然比较稳定，通常输出位置指令就足够；但全身运动不行，只给位置保证不了平衡，它需要考虑动力学和扭矩，必须以高频率进行实时闭环控制。上层输出偏向运动学规划的位置，而底层的 Motion 则负责全身协调和动力学控制。 03 项目制天花板明显，平台化押注未来量产爆发 问：项目制已经能赚钱，为什么要停下来做平台？ 尚阳星：我们一开始就清楚，算法会不断迭代，不可能永远靠卖源码维系。项目制的天花板很明确，既不可持续也无法规模化。我们赌的是未来某一天人形机器人的数量会呈爆发式增长，因此必须在那之前，让自身的收入规模与机器人的出货量实现正相关。 问：目前的商业化收费模式是怎样的？ 尚阳星：面向开发者我们提供订阅服务，初步定价每年数千元；面向本体厂商，我们希望采用类似操作系统与 OEM 厂商合作的模式，按台收取 License 费用。我们帮厂商解决运动控制，他们每卖出一台机器人，向我们支付一定费用。 问：对于未来，桥介数物和行业的理想状态是什么样？ 尚阳星：我们希望未来不同开发者开发的 Skill 能够在平台上互相复用与交易，应用也能像 App Store 一样分发，产生持续的生态价值。到那个时候，懂具体业务场景的人不需要懂底层的运动控制，只要专注于自己的工序，就能将机器人的能力释放到极致。

分类：AI动态 标签：人工智能、数据中心、科技基建、算力供应链 在生成式人工智能（AI）狂飙突进的当下，算力被视为决胜未来的终极石油。然而，支撑这一切庞大计算需求的底层基建，正在现实世界中遭遇强烈的民意反噬。 根据研究机构 Data Center Watch 的最新报告，今年 4 月至 6 月期间，美国约有 45 个总价值高达 680 亿美元的数据中心项目，因当地社区的强烈反对而被迫叫停或延期。这场由基层发起的抵制运动，正在成为 AI 产业规模化扩张的一大隐形刹车。 环保与资源的极限拉锯 AI 大模型的训练与推理需要消耗难以想象的电力和水资源。随着巨型数据中心如雨后春笋般拔地而起，当地居民对生活环境恶化的担忧也达到了顶点。 电力供应紧张：海量的服务器运转对电网造成巨大负荷，居民担忧面临断电风险或电费飙升。 水资源消耗巨大：服务器冷却需要消耗数以百万加仑计的水资源，在部分干旱地区引发了生态危机。 噪音与基建压力：不分昼夜的冷却风扇噪音、重型卡车运输以及对地方道路的磨损，直接影响了周边居民的日常生活。 从被动反对到主动立法 与以往项目落地后的抗议不同，这一轮的社区抵制呈现出高度的组织化和前置化特征。 目前，全美多地的社区正在积极推动出台暂停建设数据中心的禁令。更令开发商头疼的是，许多地方甚至在开发商正式提交规划许可申请之前，就已经通过发起请愿和游说提前启动了防御程序。 Data Center Watch 的数据表明，大约 30 个州的议会已经提出或通过了涉及数据中心选址、电力供应限制以及用水配额的相关新规。这种从政策源头收紧的趋势，让大笔资本加注的 AI 基建项目陷入了合规困境。 科技巨头的下一道考题 680 亿美元项目的受阻，揭示了 AI 产业发展与地方民生利益之间的结构性矛盾。算力需求（GPU -> 算力集群 -> 能源消耗）与社区承载力（环保 -> 资源 -> 居民生活）的冲突正变得日益尖锐。 对于急于扩张的科技巨头和基建开发商而言，单纯依靠资本开荒的时代正在过去。如何在追求极致算力的同时，解决能耗、环保与公众沟通问题，将成为决定 AI 基础设施能否顺利落地的关键命题。

分类：科技 标签：人工智能、数据中心、能源危机、云计算 随着全球人工智能和大模型浪潮的狂飙突进，算力背后的巨额能源消耗正成为无法忽视的现实问题。近日，美国俄勒冈州发布的一份官方报告显示，当地数据中心的用电需求正在呈指数级增长，引发了业界对未来能源供给的广泛关注。 算力狂飙：数据中心吃掉四分之一电力 根据俄勒冈州的最新统计数据，目前该州共有 111 个正在运营的数据中心，总建筑面积达到 2210 万平方英尺。惊人的是，这些数据中心在 2025 年的用电量已经占据了该州总用电量的 23%。 这仅仅是个开始。报告显示，当地目前还有 32 个数据中心正处于建设或规划阶段，未来将额外新增 690 万平方英尺的建筑面积。 2030 年预测：能耗占比将突破三成 随着更多算力基础设施的落地，能源压力将进一步加剧。官方预测，到 2030 年，俄勒冈州数据中心的年能耗将飙升至近 25TWh。届时，数据中心将消耗该州总电力需求的 31% 到 32%，这一电量相当于大约 250 万户普通家庭的年用电总和。 发展与消耗的失衡：高能耗与低就业 这组数据也再次揭示了当前科技产业发展中的一个痛点：高能耗与本地就业回报之间的巨大反差。 报告指出，虽然这些巨型数据中心消耗了全州近四分之一的电力资源，但它们直接提供的全职就业岗位仅有 2630 个，仅占该州总人口的 0.06%。这种“极高资本与能源投入，极低直接就业产出”的特性，让地方政府在欢迎科技投资和保障民生用电之间陷入了两难境地。 极客视点 当我们在终端体验大模型带来的惊艳交互时，远在服务器机房里运行的芯片正在吞噬着惊人的电能。俄勒冈州的现状并非个例，而是全球 AI 基础设施狂奔的一个缩影。如何在保障技术迭代的同时，提升能源利用效率并实现绿色转型，将是接下来整个科技行业必须面对的终极考题。

分类：数码 标签：iPhone、苹果、折叠屏手机、iPhone Duo 随着苹果首款折叠屏手机 iPhone Duo 的震撼亮相以及 iPhone 18 Pro 系列的同步登场，新任 CEO 约翰 · 特努斯（John Ternus）时代正式拉开帷幕。近日，苹果全球 iPhone 产品市场营销副总裁凯安 · 德兰斯（Kaiann Drance）在上海接受了媒体专访，深入解读了这两款重磅新品背后的设计哲学与核心体验。 探秘 iPhone Duo：不仅是折叠，更是体验的跃升 面对市场上关于“折叠屏是否为伪需求”的讨论，德兰斯给出了苹果的坚定答案：iPhone Duo 追求的是最终的用户体验，而不仅仅是为了技术堆砌。 形态与便携的完美平衡：iPhone Duo 拥有历代 iPhone 中最大的显示屏，展开后带来沉浸式的大屏多任务处理体验；而折叠之后，它依然能轻松放入口袋，兼顾了大视野与高便携。 重构的 iOS 体验：苹果通过深度优化的 iOS 系统，确保了从展开到折叠的丝滑过渡。无论是宽屏内容的浏览还是多任务并行，用户都能感受到熟悉且直观的苹果生态逻辑。 工艺美学与耐用性：针对折叠屏痛点，iPhone Duo 采用了定制纳米纹理表面工艺，不仅有效减少眩光与反光，还显著降低了折痕可见度。机身搭载五级钛金属铰链，配合由数百个碳纤维与支撑部件组成的精密结构，在保障顺滑开合的同时，带来了行业顶级的耐用性。 iPhone 18 Pro 系列：硬核实力赋能日常影像与性能 对于外观延续上代但售价上调的 iPhone 18 Pro 系列，外界曾对其直观硬件改动发出疑问。对此，德兰斯重点解析了新机在影像与底层性能上的颠覆性突破： 无感却强大的可变光圈：全新的可变光圈设计不需要专业摄影门槛。系统能够自动调整进光量，即使在弱光环境下，也能为普通用户拍出兼具清晰度与出色的景深效果的照片和视频。 A20 芯片与 2nm 工艺的跃迁：在 2nm 制程工艺加持下，A20 芯片带来了高达 20% 的 CPU 性能提升和 40% 的 GPU 性能飙升。同时，神经网络引擎核心数翻倍至 32 个，配合 VC 均热板的紧密贴合，让高性能负载、大型游戏以及日常多任务处理更加稳定持久。 总结 从 iPhone Duo 对折叠屏形态的深度思考，到 iPhone 18 Pro 凭借软硬件深度集成带来的性能长续航，苹果在创新道路上始终坚持“以人为本”的原则。正如德兰斯所强调的，技术的价值在于如何无缝融入并改善用户的日常生活，而这正是苹果新品持续引领行业风向的核心密码。

分类：AI动态 标签：人形机器人、大模型、人工智能、Figure AI 估值高达 390 亿美元的全球最贵人形机器人公司 Figure AI，最近将其最新成果 Helix 2.5 送进了旧金山湾区的 30 套陌生住宅中。在没有进行针对性现场微调的前提下，机器人自主完成了整理客厅、铺床和折叠毛巾等日常任务。 凭借这次测试，Figure AI 宣称自己摸到了机器人领域的 Scaling Law（规模定律）。然而，这场看似惊艳的技术秀却在业界引发了激烈争议，同行们直言不讳地指出：接近一半的失败率，恰恰证明了模仿学习路线或许根本无法实现真正的泛化。 迈向 Zero-shot 的关键一步 在 Helix 2.5 之前，人形机器人的训练高度依赖特定环境。机器人往往只能在实验室或特定的产线上完成任务，换一个地方就得重新采集数据、重新训练。 为了打破这一瓶颈，Figure AI 改变了机器人的学习方式： 预训练阶段：Helix 2.5 从随机初始化开始，首先利用 Figure AI 的人类行为数据集 Index 完成预训练。 零样本测试（Zero-shot）：团队将机器人直接投放至 30 套从未涉足过的住宅中。测试期间，机器人无法根据具体住宅重新训练，必须完全依靠过往经验应对陌生的房间布局与物品。 在总计 420 次的严苛测试中，Helix 2.5 的整体任务成功率为 56%（其中铺床成功率约 67%，折叠毛巾约 62%，整理玩具约 40%）。值得一提的是，机器人在此期间展现出了优秀的全身纠错能力，例如在操作位置不合适时主动后退、调整站姿。相较于未经过 Index 预训练的对照模型（成功率仅 9%），这一成果被 Figure AI 视为迈向跨场景泛化的重要突破。 机器人也能复刻大语言模型的 Scaling Law 吗？ 大语言模型（LLM）之所以让科技界着迷，核心在于其进步是可预测的：通过增加数据、模型参数和计算量，训练损失会沿曲线稳定下降，从而将 AI 研发变成了一项可量化的工程。 长期以来，由于机器人数据昂贵、碎片化严重且缺乏统一标准，这一规律在机器人领域迟迟未能实现。但在 Helix 2.5 的技术博客中，Figure AI 明确宣称：他们首次在人形机器人上测得了一条“人类到机器人迁移的 Scaling Law”。 Figure AI 通过四个不同规模的 Index 数据集（1倍、2倍、4倍、8倍）进行实验，发现在固定模型大小与下游任务的前提下，随着人类行为预训练数据量的增加，机器人预测下一步动作的误差会持续下降。 ...

分类：AI动态 标签：人工智能、具身智能、机器人、大模型 当下的具身智能赛道正陷入前所未有的喧嚣。最响亮的声音往往离真实进展最远，而真正推动行业前行的，是那些敢于践行非共识、手握完整蓝图的探索者。 在人形机器人热度持续走高的背景下，“让机器人动得更好”究竟有多大难度？近日，我们与专注于通用全身运动控制的创业公司“桥介数物”创始人尚阳星进行了一场深入对话。这家成立三年、服务近 40 家企业并实现盈利的公司，正试图通过底层运动基座模型，重塑整个机器人行业的开发与分工逻辑。 从“一个动作一个策略”到运动基座模型 过去一年，人形机器人的运动控制普遍采用“单动作、单策略”模式——换一支舞就得重新训练，能让机器人实现拟人行走就已经算是不小的突破。 而今年，最大的技术转变在于运动基座模型的出现。当模型“看过”足够多的人类动作后，即便面对没有专门训练过的新动作也能轻松跟上。 极速迁移：用户上传一段动作视频，平台几分钟内提取动作，在仿真中验证后直接部署到实机，整套流程在半小时内即可走完。 数据与泛化：运动基座模型的核心门槛在于数据。桥介数物目前拥有数千小时的高质量动捕数据，并通过自建数据工厂，将月采集量提升至 1500 小时，为模型泛化提供了坚实支撑。 机器人行业的未来分工：三层架构与中立平台 尚阳星将机器人的能力清晰地拆解为三层： Motion（底层）：负责屏蔽底层硬件差异，统一全身运动控制和动力学。 Skill（中层）：原子级能力，如抓取、开门、爬楼梯等规划层操作。 Task（顶层）：多任务编排，未来可结合大语言模型实现复杂任务分解。 对于外界关注的商业化路径，桥介数物正从传统的“项目制赚钱”向“平台化生态”转型。他们放弃了出售源码的不可持续模式，转而采用类似操作系统与 OEM 厂商合作的模式： 面向开发者：提供每年数千元的订阅服务。 面向本体厂商：按机器人台数收取 License 费用，通过标准化的接口让每台出厂的机器人快速具备通用运动能力。 这种独立第三方中立性，正是安卓生态能够在手机领域成功的关键。桥介数物希望扮演好“底层基础设施”的角色，让本体厂商专注于硬件形态，应用开发者专注于上层场景，最终实现技能与资产的跨机型复用与交易。 总结与思考 人形机器人的终局，绝不只是某一家公司的独角戏。当运动基座模型逐渐成熟，跨机型适配与资产复用成为现实，整个行业的分工正变得更加精细化。 正如操作系统赋能智能手机一样，当底层的 Motion 能力被彻底打通并封装，上层的应用开发者才能真正摆脱全栈技术门槛的束缚，迎来属于具身智能的 App Store 时代。

分类：AI动态 标签：人工智能、大模型、存储技术、企业级服务 在生成式 AI 与大模型加速落地的今天，推理环节的响应速度和并发吞吐能力，正成为企业级应用成败的关键。近日，中科曙光正式发布了全新迭代升级的 AI 推理原生存储 FN Neo。此次升级直击大模型落地过程中的核心痛点，通过底层架构创新，大幅刷新了存储性能上限，为企业级 AI 业务的规模化生产按下“加速键”。 核心性能突破：告别交互等待 随着大模型参数量不断膨胀，用户在与智能体（Agent）交互时常常面临首字延迟高、高并发下吞吐下降等问题。FN Neo 针对这一场景进行了深度优化，实测数据表现亮眼： 首字响应极速化：模型首 Token 响应时间大幅缩减 73%，有效压缩了用户的交互等待时长，带来更接近真人对话的实时响应体验。 吞吐能力倍增：整体 Token 吞吐能力提升 150%，显著强化了系统在高并发场景下的服务承载能力，轻松应对海量用户的同时在线请求。 生产级高可靠性：护航 7x24 小时业务 对于企业级 AI 业务而言，服务的连续性至关重要。任何一次突发故障都可能带来不可估量的业务损失。 FN Neo 专为生产级 AI 业务的 7 x 24 小时 不间断运行需求打造，具备 99.999% 的电信级高可靠性。通过内置的多重故障防护与冗余机制，产品能够从容应对各种极端异常情况，全力保障核心推理业务的连续不中断。 平滑部署与生态兼容：实现敏捷迭代 除了极致的性能与可靠性，企业的迁移成本也是技术落地的主要考量因素。FN Neo 在这方面展现了极高的灵活性： 广泛兼容：全面兼容当前主流的 AI 推理框架以及多元化的组网环境。 无缝接入：企业无需对现有系统进行大规模改造即可快速完成部署，最大程度复用现有的推理生态。 总结与展望 中科曙光 AI 推理原生存储 FN Neo 的全新升级，不仅是一次硬件与存储性能的简单迭加，更是面向大模型与智能体规模化落地的一剂“强心针”。通过实现“低延迟 -> 高吞吐 -> 强连续”的技术闭环，FN Neo 正在帮助企业以更低的改造成本、更高的生产效率，加速迈入 AI 深度应用的全新阶段。

分类：AI动态 标签：人工智能、大模型、存储技术、中科曙光 随着大模型与智能体（Agent）从概念走向规模化生产，推理阶段的性能瓶颈愈发凸显。高并发下的延迟、吞吐量不足，以及生产级业务对系统稳定性的极高要求，成为企业 AI 落地的重要痛点。近日，中科曙光正式发布了全新迭代升级的 AI 推理原生存储 FN Neo，通过底层技术创新，全面破解大模型推理的效率与可靠性难题。 核心性能突破：速度与吞吐的双重跃升 在实际的 AI 业务场景中，用户交互的流畅度直接取决于模型的响应速度。根据中科曙光公布的实测数据，FN Neo 在核心性能指标上实现了跨越式提升： 极速响应：模型首 Token 响应时间大幅缩减 73%，有效压缩了用户的交互等待时长，带来近乎实时的响应体验。 高并发吞吐：整体 Token 吞吐能力提升 150%，显著强化了系统在高并发场景下的服务承载与并发处理能力。 生产级高可靠：7x24 小时稳定运行 大模型在企业级应用中往往需要承载核心业务，这就要求基础设施必须具备极高的稳定性。 FN Neo 专为生产级 AI 业务的 7 x 24 小时 不间断运行需求而设计，具备高达 99.999% 的企业级高可靠性。通过内置的多重故障防护机制，该产品能够有效保障推理业务的连续性，确保系统在复杂环境下依然稳如磐石。 无缝兼容生态：助力企业低成本提质增效 除了硬核的性能与可靠性，部署成本与生态兼容性同样是企业关心的焦点。 FN Neo 展现出了极佳的开放性与适配能力，全面兼容主流的推理框架与多元组网环境。这意味着企业在升级基础设施时，无需对现有系统进行大规模改造，即可直接完成部署。在最大化复用现有推理生态的前提下，FN Neo 帮助企业实现了真正的“提质增效”，有力支撑大模型与智能体加速走向产业落地。 博客编辑点评 在大模型落地进入深水区的当下，算力的竞争已延伸至存储与数据传输等底层环节。中科曙光 FN Neo 的全新升级，精准切中了当前 AI 推理中“响应慢、吞吐低、高可用难”的痛点。通过技术创新与生态兼容的双管齐下，它不仅为企业大模型落地提供了一条高效、可靠的升级路径，也将进一步加速 AI 生产力在千行百业的规模化普及。

分类：AI动态 标签：大模型、人工智能、效率工具、职业发展 随着 AI Agent 的爆发式发展，我们正在经历一场前所未有的生产力平权。过去需要多年专业积累的技术性技能，如今正在被大模型快速消解。当执行力变得越来越廉价，人人都能通过一句话完成复杂任务时，我们不禁要问：假如所有 SOTA 模型全部免费，且所有人都会用 Agent，你凭什么脱颖而出？ 本文将带你探讨 AI 时代的「中等收入陷阱」，并寻找那些无法被轻易替代的核心竞争力。 一、 AI 时代的追赶效应与隐形陷阱 回看近几年的技术迭代，从 GitHub Copilot 改变代码编写，到各种 AI 编程助手和文生图工具的大行其道，AI 正在以惊人的速度拉平普通人的能力下限。 如果一个外行对某个领域的了解只有 5 分，AI 可以在不加指导的情况下直接将其拉到 60 分，并且这个水准还在不断上升。这种「追赶效应」带来的直接后果是：大部分单纯依赖技术性技能的个体，其价值正在随着 Agent 能力的普遍提升而加速贬值。 然而，更危险的现象是陷入 AI 的中等收入陷阱： 每个人都在每月花钱订阅各种 AI 服务，用 Agent 做一些自娱自乐的小玩具。 这种行为给我们带来了一种「自己已经借助 AI 领先于他人」的效率幻觉。 实际上，我们只是花钱购买了工具带来的短期产出，却在日复一日的依赖中，逐渐丧失了独立思考与深度学习的能力。 二、 区分工具绑定型技巧与认知判断力 在 AI 时代，我们常说要「学会用 AI」，但这其实包含了两类截然不同的能力： 工具绑定型技巧：例如了解某一代模型的偏好提示词、掌握某个 Agent 应该安装什么插件。这些技巧高度依赖工具的不成熟与信息差。随着基础模型厂商不断优化意图理解、Harness 封装底层技术细节，这些曾经的高手技巧终将变成普通人的开箱即用能力。 认知与判断型能力：你是否知道真正的问题是什么？哪些上下文必须交给 Agent？什么样的结果才算合格？什么时候应该相信或推翻 AI 的答案？这些能力不会随着某一代 Agent 的迭代而贬值，反而会随着工具的变强而被进一步放大。 我们需要将核心竞争力从「怎样把 AI 用得更好」逐步转向「知道怎么做决断」和「知道什么是好的」。 三、 寻找不随模型降价而贬值的资本 在人与 AI 协作的长跑中，AI 的能力本质上是「租来的」。真正值得我们积累的资本主要分为两类： 外部资本：这是在 Agent 出现之前就已存在的积累。比如你拥有一批核心用户、一个持续经营的社媒账号，或者一套独特的业务工作流。AI 可以拉平两个人的「制作能力」，却无法抹平由过去长期积累形成的生态与分发鸿沟。 内在资本：在人类与 Agent 协作的过程中，我们的稀缺性主要体现在两方面： 判断力 (Judgement)：AI 可以帮你做决策，但它无法为决策带来的真实后果负责（权责不对等）。 品味 (Taste)：对于面向真实人类的产品，究竟什么样算好、怎样去改进，最终的审美定义权仍然掌握在人手中。 四、 如何在实战中刻意练习判断力与品味 面对温水煮青蛙式的能力退化，我们需要建立主动对抗平庸的机制： ...

分类：游戏 标签：单机游戏、动作游戏、Remedy、剧情大作 作为现代怪谈叙事的大师，Remedy Entertainment 在构建错综复杂的互联宇宙方面从未让人失望。从当年的《心灵杀手》到惊艳业界的《控制》，这家北欧工作室始终在用独特的镜头语言和后现代美学震撼玩家。随着最新续作《控制：共振》即将发售，我们在近 20 小时的深度试玩中，得以一窥这款野心勃勃的动作冒险大作的独特魅力。 叹为观止的视觉奇观与空间解构 毫无疑问，《控制：共振》很可能是近年来画面表现最令人惊愕的游戏之一。 如果说前作《控制》的舞台——曼哈顿的“太古屋”是一次向内求知的闭环探索，外表冷峻严肃、内里充斥着官僚主义的荒诞；那么本作则将视野彻底向外扩张，将整个曼哈顿区域卷入了一场物理法则崩塌的狂欢。 在这里，牛顿的万有引力定律与爱因斯坦的相对论双双沦为背景板。你会看到公路倒挂在摩天楼侧面，空间的褶皱形成断崖，希斯、霉菌以及更庞大的神秘力量将城市切割成物理规则各异的区域。公园区内，青蓝色的霉菌构成了高耸如云的峭壁与汪洋，巨型生物在空气中游荡。这种天马行空的设计，将 Remedy 的美术功底展现得淋漓尽致。 战斗进化：从超能力解谜到高速 ACT 历经七年打磨，《控制》的内核迎来了显着进化。主角从杰西·法登更替为迪伦·法登，战斗模式也从前作的第三人称射击，全面转向了融合高速动作（ACT）与角色扮演（RPG）要素的全新玩法。 拟态武器与状态附加：迪伦拥有丰富的拟态武器库，可对敌人施加滞空、失衡等 Debuff，配合技能树的发展，能衍生出极具深度的战术连招。 奇物与共振体：玩家可携带多个奇物来叠加 Buff 以适配不同场景。通过挑战各具特色的支线 BOSS“共振体”，玩家还能解锁全新战技或地形适应能力。 在机动性方面，迪伦身手极为矫健，玩家将频繁在空间的 Z 轴进行跳跃与穿梭，俯瞰这座吊诡的城市。此外，游戏中保留了标志性的怪谈解谜与脑洞大开的支线任务（例如需要玩家在限时内准确将英文弹幕翻译并对应歌唱的卡拉OK机异象），为紧张刺激的战斗之余增添了诸多黑色幽默。 深度互联的叙事宇宙与本土化诚意 在发行商 Annapurna 的加持下，《控制：共振》不仅有着极高的艺术追求，在叙事上也延续了 Remedy 一贯的草蛇灰线写法。从《量子破碎》到《心灵杀手2》，庞大的怪谈宇宙在本作中继续交织。 值得一提的是，本作对中国市场展现出了极高的诚意，首发便搭载了全套高质量的中文字幕与配音，营造出一种独特的“译制片”沉浸感。游戏中甚至出现了来自中国沈阳的神秘防盗门与超自然现象机构的草蛇灰线，为未来更宏大的宇宙拓展留下了充满想象力的伏笔。 总结 《控制：共振》用极其惊艳的空间美术、爽快的高速战斗以及深邃的怪谈叙事，再次证明了 Remedy 在单机游戏领域的顶尖造诣。无论你是该系列的忠实粉丝，还是初次踏入这个诡谲世界的探险者，这场曼哈顿的物理法则狂欢都绝对不容错过。