叶纯俊拿传统公司的团队组建举例，他认为当下创业正在进入一个“人少力量大”的阶段，“在过去，如果我的团队有50个人，那我做什么决策，都需要考虑这50个人的生活问题。物理空间里，周遭只余他一人。在叶纯俊离线休眠的时光里，它们梳理着从互联网各处收集到的用户反馈，优化着下周即将上线的产品模块，也有的，开始筹谋着下一次市场推广视频的初版脚本。在他看来，“一人公司”中的“一”，概念不一定专指单个人，也可以是由

同期，杭州也出现了类似的实体空间，国内最大模型开源社区“魔搭社区”的首个线下实体空间“魔搭社区（杭州）开发者中心”，在西湖区紫金港科技城云谷中心落地，将虚拟社区的“弱连接”转化为真实世界的“强合作”。阿杰与陈云飞的故事，就像一枚硬币的两面，反应着AGI浪潮下真实的剖面：一边是多数独立开发者面临的生存环境，另一边则是少数独立开发者乘上技术东风赢得机遇。： 脱离了公司环境，缺乏正式的技术交流、跨部门协

从谷歌RT-2，到 Physical Intelligence 的 π 系列，再到 GEN-0、GR00T N1，这一系列工作不断扩大训练数据的来源、机器人形态的多样性，以及策略在不同任务和环境中的泛化能力。为边缘部署而设计的高效模型，类似Hugging Face的SmolVLA，未来的方向是“小而美”的模型，或者专门为机器人设计的芯片，而不是把通用的GPU负载塞进机器人身体里。比如，在早期的数据

从谷歌RT-2，到 Physical Intelligence 的 π 系列，再到 GEN-0、GR00T N1，这一系列工作不断扩大训练数据的来源、机器人形态的多样性，以及策略在不同任务和环境中的泛化能力。为边缘部署而设计的高效模型，类似Hugging Face的SmolVLA，未来的方向是“小而美”的模型，或者专门为机器人设计的芯片，而不是把通用的GPU负载塞进机器人身体里。比如，在早期的数据

谷歌强调，Gemini不会直接在Gmail收件箱或Google Photos库上进行训练，而是仅使用“有限信息，如Gemini中的特定提示和模型的响应”来改进这一能力，且会采取措施过滤或模糊对话中的个人数据。谷歌提供的案例显示，当用户站在轮胎店排队却不知道自己的2019款本田小型货车需要什么型号的轮胎时，Gemini可以从Google Photos中识别车辆配置，从Gmail收据中找到车牌详细信息

他们声称「尽管代码库规模很大，新的智能体仍然可以理解它并取得有意义的进展」，以及「数百个worker并发运行，推送到同一个分支，冲突极少」，但他们从未真正说明这个尝试成功没有。虽然Cursor从未直说「这已准备好投入生产」，但他们却用「从零构建」和「有意义的进展」这种宏大叙事，配合精心挑选的截图，成功制造了「实验成功」的假象。终于，他们找到了某种方案，它「解决了我们大部分的协调问题，并让我们在不依

而现在的论文，似乎又回到了老路子：在同一个架构上，做无数微小的改动——比如调整normalization层的位置，或略微改良训练方式。在Transformer出现后，当我们把非常深的仅解码器Transformer应用于同一任务时，立刻就达到了1.1 比特/字符。哪怕你真的做出了一个效果更好的新架构，只要OpenAI再把Transformer扩大十倍，那你的成果就被比下去了。现在，大家把所有东西都往

Dyna Robotics是这个流派比较清晰的代表，他们走的路线很特别：做通用形态的机器人，但是在模型层面会先利用比较成熟的能力，落地一些可以打工的场景，用于了解行业的know how（实际知识），并更好的指导算法研究的方向。第一是大模型本身已经趋近于成熟，你们可以看到最近不管是OpenAI还是其他的公司，发布的模型已经是增量式的增长，它不是像从3.5到4的时候的这种跨越式的增长，所以我们觉得大模

Dyna Robotics是这个流派比较清晰的代表，他们走的路线很特别：做通用形态的机器人，但是在模型层面会先利用比较成熟的能力，落地一些可以打工的场景，用于了解行业的know how（实际知识），并更好的指导算法研究的方向。第一是大模型本身已经趋近于成熟，你们可以看到最近不管是OpenAI还是其他的公司，发布的模型已经是增量式的增长，它不是像从3.5到4的时候的这种跨越式的增长，所以我们觉得大模

Dyna Robotics是这个流派比较清晰的代表，他们走的路线很特别：做通用形态的机器人，但是在模型层面会先利用比较成熟的能力，落地一些可以打工的场景，用于了解行业的know how（实际知识），并更好的指导算法研究的方向。第一是大模型本身已经趋近于成熟，你们可以看到最近不管是OpenAI还是其他的公司，发布的模型已经是增量式的增长，它不是像从3.5到4的时候的这种跨越式的增长，所以我们觉得大模