任务中断时，系统也能保留进展，从断点重新规划。据智元介绍，搭载 Genie Master 的精灵 G2 已在真实便利店开展部署验证，在不依赖人工示范与调试的情况下，通过定位问题、调整执行方式和积累经验，在熟食打包、取货、补货等任务中持续改进。随着机器人积累的经验越来越多，如何有效筛选、复用经验，并让新旧技能相互兼容，将成为规模化部署的重要课题。从看视频学技能，到虚实环境中反复练手，再到真实工作场景

无论是需要精细受力反馈的「抽积木」，还是需要极强手感的「桌面冰壶」，机器人都能在 Genie Evolver 的加持下，以极低的成本练出极高的策略可靠性，甚至在桌面冰壶在线改进4小时首次超过人类平均水平，抽积木实现连续抽取5块并保持稳定。这套算法极其巧妙：当机器人在执行任务（如插线、组装）失败时，它不会去学习失败的动作，而是把失败前的情境作为「查询词」，去整个机群共享的「成功经验池」里检索出最相关

作为 OpenAI 最早的发起人之一，马斯克的处境本身就充满矛盾：他打心底里警惕 AI 潜藏的生存危机，可回头看，自己当初的一系列行动，反而变相加速了 AI 狂奔的脚步，这种现实的讽刺，构成了整场对话的底色。不仅聊到技术，还聊了自己深度掺和政务之后的反思，聊社交媒体如何把人困在信息茧房，也畅想当机器人接管大部分劳动之后，金钱、财富，还有人活着到底追求什么，这些老问题又被重新摆上台面。他借着 HAL

在深圳南山的机器人谷，大约10公里的留仙大道，就是一条完整的机器人关键技术研发和零部件制造体系，从大小脑模型等算法软件，触觉传感器、激光雷达等感知系统，到伺服电机、动力模组等执行系统，再到机械臂、灵巧手等核心部件，都能在机器人谷找到优质供应商，实现快速交付。智能汽车和人形机器人，在传感器、芯片、电机、电池、算法等领域，底层高度同源，据盖世汽车研究院测算，两者供应链重合度达到六到七成。王兴兴说自己犯

例如，针对过长推理上下文和失衡数据配比导致智能体表现下降的问题，系统探索了不同的序列长度分布、短轨迹与长轨迹的采样比例，以及按token数量调整训练批次构成，找到更有效的训练配置，提升了智能体的可靠性和训练效率。虽然都在聚焦RSI，但大家切入的方向并不相同，硅谷不少公司从Agent层切入，做一套能自动做科研的系统，而超衍智能则选择从基础模型层面构建Recursive Intelligence系统，

资本堵住了明面上的热度，一级市场立刻开辟地下赛道，最后变成头部大厂和有钱创业公司持续烧钱，中小团队硬扛，不仅没有降低产业化门槛，反而加剧了资源不均，让普通团队的生存压力成倍增加。从大模型接入机器人，到灵巧手、移动底盘、人形整机，贯穿始终的唯一评判标准，只有发布会效果、融资额、媒体曝光、样板演示视频。能不能流畅走秀、能不能完成指定 demo 任务、能不能讲出宏大的通用机器人故事，是团队唯一的政绩，是

你引以为傲的专业技能、你十年寒窗苦读换来的文凭、你在格子间里卷生卷死的日日夜夜，在算力无限的机器人面前，将瞬间失去经济学上的意义。「一个精神错乱的AI是不安全的。在即将到来的超级智能面前，我们连做奴隶的资格都没有，我们只是一群碰巧共享这颗星球的「保护区灵长类动物」。当一个实体的智力超越你几千倍、甚至几百万倍时，人类社会的金钱、权力、领土、意识形态，在超级AI眼里，就像两只猩猩抢香蕉一样无聊。纸币、

10 月 22 日，安全研究员 Justin Elze 在 X 上发了一条帖子，正文只有一句：You're all prompting wrong，你们提示的方式全都错了。给系统写底层提示词的人、给小模型做精调的人、把提示嵌进应用里的工程师，手里的活可一点没少。他说没有什么突然的转折，自从 ChatGPT 问世起，提示词工程作为普通用户的必备技能就一直在慢慢消亡，这是个缓慢而持续的过程。会写提示词

与传统的“离身”AI 相比，它的根本差别在于从“理解世界”走向“作用于世界”，因而必须同时面对三维空间、物理规律、实时性与行动后果不可撤销这四个问题。具身智能描述的是智能范式，而非某一种硬件形态；同一种具身模型原则上可运行于不同本体之上。据此，本报告所指的具身智能产业并不局限于人形机器人，而是覆盖人形及非人形广义具身应用，包括四足机器人、协作臂/机械臂、轮式/AMR、轮式+机械臂、特种机器人等多种

说这话的是这个行业里做得最好、拿钱最多的那个人，他把自己也算进了“信仰不够”里。