让机器人学会做任何事:Chelsea Finn的物理智能探索与突破
本文带你走进Chelsea Finn在Y Combinator分享的机器人学习前沿实践,从失败到突破,揭示通用机器人如何通过大规模数据、预训练与微调,逐步迈向“能做任何事”的物理智能。你将看到真实的技术难题、创业故事,以及对未来机器人行业的独到预判。
本文带你走进Chelsea Finn在Y Combinator分享的机器人学习前沿实践,从失败到突破,揭示通用机器人如何通过大规模数据、预训练与微调,逐步迈向“能做任何事”的物理智能。你将看到真实的技术难题、创业故事,以及对未来机器人行业的独到预判。
本文带你深入Replit从10M到100M ARR的惊人跃迁,创始人Amjad Masad亲述AI代理的关键技术突破、创业险境中的“孤注一掷”时刻,以及对未来软件开发和SaaS行业的独到预判。你将看到AI如何重塑产品、团队协作和技术边界,远超一般报道。
在这场Recsys主题演讲中,Eugene Yan没有讨论“要不要用大模型”,而是回答了“该怎么用”。他用一系列真实案例,提出了三条正在落地的路径:语义化ID、基于大模型的数据增强,以及统一模型,展示了推荐与搜索系统在LLM时代的真实进化方式。
这场演讲由前Google PaLM与Gemini核心研究者Aakanksha Chowdhery分享,系统回顾了大语言模型从“规模化”到“推理能力”再到“自动编程”的演进脉络。她的核心观点是:当模型具备推理能力后,真正的瓶颈转向了如何通过强化学习,让模型在真实任务中自我改进。
Greg Kamradt在这场演讲中揭示了一个关键信号:衡量通用人工智能的方法正在发生根本变化。ARC-AGI-3不再只看模型“会不会做题”,而是开始测试它能否在互动中学习、修正和推理,这可能是AI评测走向人类水平的重要一步。
Bolt 创始人 Eric Simons 复盘了一段极端却真实的增长经历:在高度不确定的环境下,小团队如何靠执行力、产品直觉和社区力量完成从 0 到 2000 万美元 ARR 的跃迁。这不是模板化的成功学,而是一套在压力下被验证过的行动原则。
Together AI 开发者关系负责人 Hassan El Mghari,用自己四年、每月一个项目的实战经历,拆解了如何用开源模型快速构建 AI 应用,并让其中一部分真正触达百万用户。这不仅是技术分享,更是一套可复制的构建与试错方法论。
Gumloop创始人Max Brodeur-Urbas分享了他们如何在不到10人的团队规模下高速增长,并完成A轮融资。这不是工具清单,而是一套围绕AI效率、招聘标准、内部运营与文化透明度构建的小团队放大器方法论。
Gamma CEO Grant Lee 在一次演讲中复盘了他们如何用一支约30人的团队,支撑起数千万用户规模的产品。他并没有谈AI炫技,而是聚焦团队结构本身:为什么“全能型人才”正在取代高度分工,管理者为何必须成为“上场的教练”,以及小团队如何在高速变化中实现规模化。
Datalab CEO Vik Paruchuri分享了他如何用不到15人的极小团队,训练最前沿的模型、拿到七位数ARR,并获得4万GitHub Star。他用亲身创业和裁员经历,挑战了“人越多越高效”的硅谷共识。