关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
以小博大直接爆15000倍 点击查看
实力盘总4000一拉直接爆2304000 点击查看
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
🌐 官网注册网址 : 1820036.com
💖专属VIP客服： @vipkf_182ty8
💖吃瓜搞笑：@chiguagaoxiaoxinwen
我最近在研究机器人赛道，发现了一个反常识的现象。
按理说，2024到2025年资本市场整体偏冷，一级市场尤其难。
但有家公司，半年时间完成了7轮融资，金额加起来好几个亿，直接跻身独角兽阵营。
这家公司叫智平方。
我一开始也觉得奇怪，机器人这个赛道，光是做demo视频的公司就一大堆，为什么偏偏是它能跑出来？
后来仔细研究了一下，发现背后有个很有意思的逻辑。
你可以把具身智能理解成「让AI真正拥有一个身体」。
以前的AI，比如ChatGPT，它只能在屏幕里跟你聊天。
但具身智能不一样，它要让AI控制一个实体机器人，在物理世界里干活。
但你会发现，很多公司发的视频特别惊艳，机器人又是翻跟头又是跳舞，观众看完直呼厉害。
但你真把这机器人拉到工厂里，让它干点实际的活儿，它就歇菜了。
为什么会这样？
因为做demo和做产品，根本是两码事。
demo只需要在理想环境下成功一次就行，但产品需要在复杂环境下稳定运行几万个小时。
这中间的差距，比大多数人想象的要大得多。
那智平方做对了什么？
我后来去翻了很多资料，包括摩根士丹利去年发的两份报告。
大摩在报告里反复提到智平方，这在他们的研究体系里其实挺少见的。
他们给出的评价是：智平方是少数能同时实现「技术领先」和「商业验证」的公司。
这句话怎么理解？
第一层是模型能力。
智平方自研了一个叫GOVLA的大模型，这个模型的核心能力是让机器人具备「通用智能」。
通用智能就是你不用针对每个任务单独编程，机器人能自己理解指令然后执行。
根据公开数据，GOVLA的性能比国际上被广泛对标的π0模型高出30%左右。
第二层是硬件量产。
光有一个聪明的大脑还不够，你得有一个能批量生产、稳定可靠的身体。
智平方的AlphaBot系列机器人，核心部件已经跑过5万小时的无故障测试。
他们还自建了产线，2025年就具备了千台的年产能。
第三层是真实场景落地，这是最关键的。
智平方的机器人不是在实验室里表演，而是真的进了工厂。
半导体制造、汽车制造、生物科技这些领域，都有他们的机器人在实际工作。
这三层能力，其实对应着一个很经典的商业模型。
你可以想象一下智能手机刚出来那会儿，苹果为什么能成功？
不只是因为iOS系统好用，也不只是因为iPhone硬件设计漂亮，而是因为它把软件、硬件、应用生态这三件事同时做到了。
单独做一个好用的操作系统，诺基亚也试过，塞班系统当年市场份额很高。
单独做漂亮的硬件，摩托罗拉、三星都不差，但把这三件事串起来形成飞轮效应的，只有苹果。
智平方在机器人领域做的，本质上是同一件事。
他们的创始人郭彦东有句话说得挺直接：没有AI，机器人就是一堆金属；没有硬件，AI就是一堆代码；没有场景，产品就是个demo。
这三样东西必须同时存在，才能转起来。
说到这儿，就不得不提智平方和惠科的那笔合作了。
惠科是全球第三大面板厂，他们跟智平方签了一个3年1000台、金额接近5亿人民币的订单。
这个数字在中国人形机器人领域，目前是最大的一笔。
但光看数字还不够，更重要的是这笔订单的性质。
它不是那种象征意义大于实际意义的战略合作，也不是买几台放在展厅里做展示。惠科是真的把这些机器人部署到了生产线上，用来做上下料、物料转运这些实际工作。
换句话说，这是一笔经过真实场景验证的商业订单。
摩根士丹利在报告里专门提到这笔交易，把它作为判断「机器人时代正在加速到来」的一个关键证据。
在大摩的分析框架里，这代表着行业从「技术验证」阶段跨越到了「商业验证」阶段。
最后聊一个更长远的事儿。
《从优秀到卓越》这本书里，作者柯林斯提出过一个「飞轮模型」的概念，意思是说，好的商业模式应该像一个巨大的飞轮，一开始推动它很费力，但只要坚持往同一个方向推，它会越转越快，最终形成一种自我强化的势能。
智平方现在做的事情，正好符合这个模型。
机器人在真实场景里工作，会产生大量数据。这些数据反哺到模型训练里，让AI变得更聪明。AI更聪明之后，机器人就能应对更复杂的任务，进入更多场景。更多场景又意味着更多数据。
这个循环一旦转起来，后来者就很难追了。
因为数据这种东西，是没办法用钱直接买到的，它必须靠真实的部署和运行，一点一点积累。
目前，作为唯一构建“模型×硬件×应用”三位一体护城河的具身智能独角兽，智平方已经有千台级别的机器人在半导体制造、汽车制造、公共服务等多个真实场景中持续运行。
按照他们的规划，2026年产能要扩展到万台规模。如果这个目标能实现，他们的数据飞轮会转得更快。
这大概也是为什么资本愿意在寒冬里下注的原因，他们看中的不只是现在的技术指标，而是这套「越用越聪明」的系统级能力。
在一个所有人都在卷模型分数的行业里，已经有人把机器人送进了工厂。
这件事本身，可能比任何一个技术参数都更有说服力。
按理说，2024到2025年资本市场整体偏冷，一级市场尤其难。
但有家公司，半年时间完成了7轮融资，金额加起来好几个亿，直接跻身独角兽阵营。
这家公司叫智平方。
我一开始也觉得奇怪，机器人这个赛道，光是做demo视频的公司就一大堆，为什么偏偏是它能跑出来？
后来仔细研究了一下，发现背后有个很有意思的逻辑。
你可以把具身智能理解成「让AI真正拥有一个身体」。
以前的AI，比如ChatGPT，它只能在屏幕里跟你聊天。
但具身智能不一样，它要让AI控制一个实体机器人，在物理世界里干活。
但你会发现，很多公司发的视频特别惊艳，机器人又是翻跟头又是跳舞，观众看完直呼厉害。
但你真把这机器人拉到工厂里，让它干点实际的活儿，它就歇菜了。
为什么会这样？
因为做demo和做产品，根本是两码事。
demo只需要在理想环境下成功一次就行，但产品需要在复杂环境下稳定运行几万个小时。
这中间的差距，比大多数人想象的要大得多。
那智平方做对了什么？
我后来去翻了很多资料，包括摩根士丹利去年发的两份报告。
大摩在报告里反复提到智平方，这在他们的研究体系里其实挺少见的。
他们给出的评价是：智平方是少数能同时实现「技术领先」和「商业验证」的公司。
这句话怎么理解？
第一层是模型能力。
智平方自研了一个叫GOVLA的大模型，这个模型的核心能力是让机器人具备「通用智能」。
通用智能就是你不用针对每个任务单独编程，机器人能自己理解指令然后执行。
根据公开数据，GOVLA的性能比国际上被广泛对标的π0模型高出30%左右。
第二层是硬件量产。
光有一个聪明的大脑还不够，你得有一个能批量生产、稳定可靠的身体。
智平方的AlphaBot系列机器人，核心部件已经跑过5万小时的无故障测试。
他们还自建了产线，2025年就具备了千台的年产能。
第三层是真实场景落地，这是最关键的。
智平方的机器人不是在实验室里表演，而是真的进了工厂。
半导体制造、汽车制造、生物科技这些领域，都有他们的机器人在实际工作。
这三层能力，其实对应着一个很经典的商业模型。
你可以想象一下智能手机刚出来那会儿，苹果为什么能成功？
不只是因为iOS系统好用，也不只是因为iPhone硬件设计漂亮，而是因为它把软件、硬件、应用生态这三件事同时做到了。
单独做一个好用的操作系统，诺基亚也试过，塞班系统当年市场份额很高。
单独做漂亮的硬件，摩托罗拉、三星都不差，但把这三件事串起来形成飞轮效应的，只有苹果。
智平方在机器人领域做的，本质上是同一件事。
他们的创始人郭彦东有句话说得挺直接：没有AI，机器人就是一堆金属；没有硬件，AI就是一堆代码；没有场景，产品就是个demo。
这三样东西必须同时存在，才能转起来。
说到这儿，就不得不提智平方和惠科的那笔合作了。
惠科是全球第三大面板厂，他们跟智平方签了一个3年1000台、金额接近5亿人民币的订单。
这个数字在中国人形机器人领域，目前是最大的一笔。
但光看数字还不够，更重要的是这笔订单的性质。
它不是那种象征意义大于实际意义的战略合作，也不是买几台放在展厅里做展示。惠科是真的把这些机器人部署到了生产线上，用来做上下料、物料转运这些实际工作。
换句话说，这是一笔经过真实场景验证的商业订单。
摩根士丹利在报告里专门提到这笔交易，把它作为判断「机器人时代正在加速到来」的一个关键证据。
在大摩的分析框架里，这代表着行业从「技术验证」阶段跨越到了「商业验证」阶段。
最后聊一个更长远的事儿。
《从优秀到卓越》这本书里，作者柯林斯提出过一个「飞轮模型」的概念，意思是说，好的商业模式应该像一个巨大的飞轮，一开始推动它很费力，但只要坚持往同一个方向推，它会越转越快，最终形成一种自我强化的势能。
智平方现在做的事情，正好符合这个模型。
机器人在真实场景里工作，会产生大量数据。这些数据反哺到模型训练里，让AI变得更聪明。AI更聪明之后，机器人就能应对更复杂的任务，进入更多场景。更多场景又意味着更多数据。
这个循环一旦转起来，后来者就很难追了。
因为数据这种东西，是没办法用钱直接买到的，它必须靠真实的部署和运行，一点一点积累。
目前，作为唯一构建“模型×硬件×应用”三位一体护城河的具身智能独角兽，智平方已经有千台级别的机器人在半导体制造、汽车制造、公共服务等多个真实场景中持续运行。
按照他们的规划，2026年产能要扩展到万台规模。如果这个目标能实现，他们的数据飞轮会转得更快。
这大概也是为什么资本愿意在寒冬里下注的原因，他们看中的不只是现在的技术指标，而是这套「越用越聪明」的系统级能力。
在一个所有人都在卷模型分数的行业里，已经有人把机器人送进了工厂。
这件事本身，可能比任何一个技术参数都更有说服力。
神秘悍匪爆庄·3 天爆提1086 万USDT
爆庄王者 首充1000,6天狂赚120万U
爆奖接力 玩家500一拉爆奖133万U
官方同步 · 实时开奖 · 公平透明
✅ #球速 体育
球速体育 大会员再创新高：
✅ u存u提每日提款无上限，随便提、全球不限ip、免实名、无需绑定手机号码和银行卡，大额出款无忧 （您的最佳选择，欢迎体验）
🔥平台
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
💖vip客服专属热线，添加客服领取活动福利
🌐官网客服： @QSTY567
感谢用过亿营收带来的真知灼见，非常同意，但可以微信教教我怎么做到低于 30... //@JS瞎讲讲: 橘总最后那句还是很对的，AI时代的增长范式和以前有很大区别，所以算账也不能用原来方法来。
简单说几个我们最近一年的验证：
1、可以彻底不要注册用户，只要付费用户
2、只要别和“大厂”抢量，付费用户投放成本有机会做到低于30元
3、中国付费用户可以做到客单价3000元+
4、ROI可以从开始就跑正，不正不投
5、配合直播之类的转化方式，转化率最高可以做到25%+
6、自媒体koc流量不一定比投放便宜,因为投放平台的算法精准度现在也是历史最强
转发 @OrangeAI: 今天投放一个 AI 产品的价格是非常昂贵的
投放多贵呢？
要获得一个注册用户，大概要花2-3美金。
要获得一个付费用户，大概要花50-100美金的成本。
要算 ROI 是根本算不过来的。
要算 LTV 是将将能算过来的。
但是今天 AI 工具的毛利率平均也就 40%，算上 token 成本和营销成本，总体 ROI 是死活也算不过来的。
所以今天做 AI 产品，最重要的还是先做好有机增长系统
把 40% 的毛利用好，养团队，买算力。
在健康的基础上，全力增长。
为什么以前移动互联网时代，可以疯狂投放呢？
其实疯狂只是个情绪化的词，用理性细看根本不疯狂。
那时候增长非常便宜，早期拼多多的获客成本只有1块钱，即便涨到后来 21 块钱的时候，也比同期的阿里和京东的50块钱要低一半以上。
可惜时代已经变了，今天注意力经济是饱和的，各种服务都是饱和的。
新的超级 APP 一定会伴随新的增长方式、新的经济体系而诞生。
简单说几个我们最近一年的验证：
1、可以彻底不要注册用户，只要付费用户
2、只要别和“大厂”抢量，付费用户投放成本有机会做到低于30元
3、中国付费用户可以做到客单价3000元+
4、ROI可以从开始就跑正，不正不投
5、配合直播之类的转化方式，转化率最高可以做到25%+
6、自媒体koc流量不一定比投放便宜,因为投放平台的算法精准度现在也是历史最强
转发 @OrangeAI: 今天投放一个 AI 产品的价格是非常昂贵的
投放多贵呢？
要获得一个注册用户，大概要花2-3美金。
要获得一个付费用户，大概要花50-100美金的成本。
要算 ROI 是根本算不过来的。
要算 LTV 是将将能算过来的。
但是今天 AI 工具的毛利率平均也就 40%，算上 token 成本和营销成本，总体 ROI 是死活也算不过来的。
所以今天做 AI 产品，最重要的还是先做好有机增长系统
把 40% 的毛利用好，养团队，买算力。
在健康的基础上，全力增长。
为什么以前移动互联网时代，可以疯狂投放呢？
其实疯狂只是个情绪化的词，用理性细看根本不疯狂。
那时候增长非常便宜，早期拼多多的获客成本只有1块钱，即便涨到后来 21 块钱的时候，也比同期的阿里和京东的50块钱要低一半以上。
可惜时代已经变了，今天注意力经济是饱和的，各种服务都是饱和的。
新的超级 APP 一定会伴随新的增长方式、新的经济体系而诞生。
为什么有人运气很好总有贵人相助？
李笑来总结的12条贵人法则：
1. 乐观的人更容易成为他人的贵人。
2. 贵人更容易遇到贵人。
3. 能帮助他人进步的才是真正的贵人。
4. 优秀的人、值得尊重的人更容易获得帮助。
5. 乐于分享的人更容易获得帮助。
6. 不给他人制造负担的人更容易获得帮助。
7. 不耻于求助的人更容易获得帮助。
8. 求助时不宜仅用金钱作为回报，帮助他人时不宜收取金钱回报。
9. 贵人不一定是牛人，贵人更懂得“以和为贵”“独贵贵，不如众贵贵”。
10. 一个人能成功，往往是因为大量的人希望看到他成功；反之，若没人希望他成功，便难获贵人相助。
11. 正在做正确事情的人，更容易获得贵人的帮助（得道多助）。
12. 活在未来的人更容易遇到贵人，因为别人能在他身上看到未来。
李笑来总结的12条贵人法则：
1. 乐观的人更容易成为他人的贵人。
2. 贵人更容易遇到贵人。
3. 能帮助他人进步的才是真正的贵人。
4. 优秀的人、值得尊重的人更容易获得帮助。
5. 乐于分享的人更容易获得帮助。
6. 不给他人制造负担的人更容易获得帮助。
7. 不耻于求助的人更容易获得帮助。
8. 求助时不宜仅用金钱作为回报，帮助他人时不宜收取金钱回报。
9. 贵人不一定是牛人，贵人更懂得“以和为贵”“独贵贵，不如众贵贵”。
10. 一个人能成功，往往是因为大量的人希望看到他成功；反之，若没人希望他成功，便难获贵人相助。
11. 正在做正确事情的人，更容易获得贵人的帮助（得道多助）。
12. 活在未来的人更容易遇到贵人，因为别人能在他身上看到未来。
⭕ 用好 AI，从这 10 件事开始
---
最近的体会，AI 时代，必要的 10 件事。
01. 梳理目前的工作流，先拆解为一个个动作，再把动作封装为步骤，再为不同步骤寻找 AI 工具，把能用 AI 实现的都让 AI 去干。这样学 AI，反馈最快，动力最强。
02. 确定几款 AI 工具，作为工具组合。不用寻找完美工具，够用就好。主力工具选大厂的，不选小厂的，后者可能迭代慢，甚至倒闭。警惕陷入折腾工具，警惕陷入学习教程，而忘记了本来要拿工具做什么事。
03. 学习计算机和编程基础知识。虽然不懂这些，也能用 AI 编程，但是懂些基础知识，起码能看懂 AI 写的代码、AI 提到的术语大概是什么意思。
04. 对于主力工具，把每个功能、每个按钮、每个设置项都试一下，然后手敲一份工具指南，这样记得牢，对工具的理解也深，能充分利用工具的全部能力。同样的工具在一个人手里是菜刀，在另一个人手里是屠龙刀，想想 Excel，这一点不难理解。
05. 记录与维护常用的提示词，并不断打磨。随着 AI 工具日新月异的迭代，提示词可能不再需要，但是目前还是很必要的。提示词可以让 AI 生成内容更精准，也可以倒逼自己的思考更清晰。
06. 维护一份文件，类似《claude.md》，里面记录你是谁、你的需求、你喜欢的回答风格、你希望 AI 怎么工作、AI 发生过哪些错误、遇到错误该怎么处理。把自己视为老板，把 AI 视为你的员工，这份文件就像你和 AI 的《分工、协作与沟通规范》。
07. 随着对 AI 的深入了解与使用，你不会满足于只是问答，或者做一个简单的任务，你会考虑用 AI 做项目。一个项目包括许多事情，需要综合考虑，需要价值排序，需要让多款 AI 工具配合。在 AI 时代，我认为除了《计算机和基础知识》和《清晰思考与提问》，最有必要学的一门课就是《项目管理》。
08. 要交付，要有成果物，要以终为始。如果拿 AI 当玩具，问几个问题玩玩，写几篇文章玩玩，做几个网页玩玩，这样做了很多，最终没有作品，没有产品，也赚不到钱。如果拿 AI 当工具，一开始就想着拿着 AI 做的成果物交付给谁，不管是在职场上交付给老板，还是在市场上交付给客户，这样都可以带来实打实的收益，既能帮助升职或赚钱，也能让你有更大的动力使用 AI，有更多钱付费强大的 AI 工具。
09. 定期清理 AI 生成的内容，各种形式的内容，包括文字、图片、视频、代码等，只保留最必要的。同时也定期清理你剪藏的、收藏的、订阅的、关注的信息，只保留最必要的。AI 生成内容的能力太强大了，不管是你自己用 AI 生成的内容，还是别人用 AI 生成并分享出来的内容，太太太太多了，不清理会把你的注意力淹没在信息的海洋中，反被 AI 吸进一个注意力黑洞里。
10. 公开记录你这个过程中的点滴故事与经验，包括选择工具的经验、拆解工作流的经验、使用 AI 的经验、写提示词的经验、做项目的经验，等等。公开记录意味着分享到内容平台上，既能帮助到别人，也能收到反馈，从而帮助自己更快进步。
---
最近的体会，AI 时代，必要的 10 件事。
01. 梳理目前的工作流，先拆解为一个个动作，再把动作封装为步骤，再为不同步骤寻找 AI 工具，把能用 AI 实现的都让 AI 去干。这样学 AI，反馈最快，动力最强。
02. 确定几款 AI 工具，作为工具组合。不用寻找完美工具，够用就好。主力工具选大厂的，不选小厂的，后者可能迭代慢，甚至倒闭。警惕陷入折腾工具，警惕陷入学习教程，而忘记了本来要拿工具做什么事。
03. 学习计算机和编程基础知识。虽然不懂这些，也能用 AI 编程，但是懂些基础知识，起码能看懂 AI 写的代码、AI 提到的术语大概是什么意思。
04. 对于主力工具，把每个功能、每个按钮、每个设置项都试一下，然后手敲一份工具指南，这样记得牢，对工具的理解也深，能充分利用工具的全部能力。同样的工具在一个人手里是菜刀，在另一个人手里是屠龙刀，想想 Excel，这一点不难理解。
05. 记录与维护常用的提示词，并不断打磨。随着 AI 工具日新月异的迭代，提示词可能不再需要，但是目前还是很必要的。提示词可以让 AI 生成内容更精准，也可以倒逼自己的思考更清晰。
06. 维护一份文件，类似《claude.md》，里面记录你是谁、你的需求、你喜欢的回答风格、你希望 AI 怎么工作、AI 发生过哪些错误、遇到错误该怎么处理。把自己视为老板，把 AI 视为你的员工，这份文件就像你和 AI 的《分工、协作与沟通规范》。
07. 随着对 AI 的深入了解与使用，你不会满足于只是问答，或者做一个简单的任务，你会考虑用 AI 做项目。一个项目包括许多事情，需要综合考虑，需要价值排序，需要让多款 AI 工具配合。在 AI 时代，我认为除了《计算机和基础知识》和《清晰思考与提问》，最有必要学的一门课就是《项目管理》。
08. 要交付，要有成果物，要以终为始。如果拿 AI 当玩具，问几个问题玩玩，写几篇文章玩玩，做几个网页玩玩，这样做了很多，最终没有作品，没有产品，也赚不到钱。如果拿 AI 当工具，一开始就想着拿着 AI 做的成果物交付给谁，不管是在职场上交付给老板，还是在市场上交付给客户，这样都可以带来实打实的收益，既能帮助升职或赚钱，也能让你有更大的动力使用 AI，有更多钱付费强大的 AI 工具。
09. 定期清理 AI 生成的内容，各种形式的内容，包括文字、图片、视频、代码等，只保留最必要的。同时也定期清理你剪藏的、收藏的、订阅的、关注的信息，只保留最必要的。AI 生成内容的能力太强大了，不管是你自己用 AI 生成的内容，还是别人用 AI 生成并分享出来的内容，太太太太多了，不清理会把你的注意力淹没在信息的海洋中，反被 AI 吸进一个注意力黑洞里。
10. 公开记录你这个过程中的点滴故事与经验，包括选择工具的经验、拆解工作流的经验、使用 AI 的经验、写提示词的经验、做项目的经验，等等。公开记录意味着分享到内容平台上，既能帮助到别人，也能收到反馈，从而帮助自己更快进步。
过程中发现其实很多想要的数字在系统里都有一些相关的表，如果把已经在跑的表拿出来给ai理解一下字段和表的关联关系，生成一个字段明细，根据这个明细再生成的表的可用概率就大大提高。
做完前面的一切感觉前面的工作流稍微抽象一下可以变成个小工具，求助了一下几个AI老师，搓了一个给不会写sql的产品+运营以及忙不过来的数据分析师可用的小工具。
早年间数据同事开过sql课大家还能搓一点瘸腿sql，时间久了脑子实在不够用确实也没法每张表都自己上。
差不多成型以后自己拿来测试了几个之前偶尔冒出来的想法但因为偷懒没直接求助数据工程师的需求，竟然意外的好用，又完善了一下外观和报错的反馈部署到线上了。
省流版：
网页预览：https://sql-assistant-iota.vercel.app/
项目说明：https://sql-assistant-iota.vercel.app/about
可能的用户：不会写sql的产品运营和忙不过来的数据工程师
部署在本地，不涉及线上数据安全问题
