https://funkygod.vip/tags/%E6%8A%80%E8%83%BD%E5%9E%8B%E5%8A%B3%E5%8A%A8/ Recent content in 技能型劳动 on FunkyGod - 投资与AI实践笔记 https://funkygod.vip/apple-touch-icon.png https://funkygod.vip/apple-touch-icon.png Hugo -- 0.147.7 zh-cn Tue, 18 Aug 2026 17:10:00 +0800 https://funkygod.vip/2026/08/2026-08-18-embodied-daily/ Tue, 18 Aug 2026 17:10:00 +0800 https://funkygod.vip/2026/08/2026-08-18-embodied-daily/ <h1 id="具身智能日报--2026-08-18">具身智能日报 | 2026-08-18</h1> <h2 id="一persona-ai专注船厂焊接技能型劳动路线的成功样本">一、Persona AI：专注船厂焊接——「技能型劳动」路线的成功样本</h2> <p><strong>原文</strong>：https://spectrum.ieee.org/persona-ai-humanoid-robot-welding</p> <p><strong>核心事实</strong>：</p> <ul> <li>Persona AI于2026年8月发布其人形机器人船厂焊接应用细节，由NASA Valkyrie前负责人Nic Radford和IHMC/Figure前CTO Jerry Pratt联合创立</li> <li><strong>聚焦单一技能</strong>：放弃仓储、家庭等「通用场景」，专注船厂焊接——每艘船需要数百公里线性焊接，且焊接速度受限于金属熔化速率（约每秒1厘米），恰好是机器人最擅长的重复精度</li> <li><strong>合作方</strong>：与全球最大船企HD Hyundai（韩国）和第三大钢企POSCO（韩国）达成合作，目标是每个厂区部署「数百台」机器人</li> <li><strong>商业逻辑</strong>：船企当前面临焊工短缺、劳动力成本高的困境；机器人的价值不是「降低工资」，而是「扩大产能」——即使机器人比焊工贵，只要能解锁额外产值，客户就愿意买单</li> <li><strong>形态选择</strong>：坚持双足而非轮式——船厂环境需要跨越水平/垂直骨架、穿过舷窗，腿式是「最小侵入性」方案</li> <li><strong>安全环境</strong>：船厂工人已习惯与重型工业设备共存，安全顾虑低于工厂生产线</li> </ul> <p><strong>影响分析</strong>：</p> <ul> <li><strong>直接影响</strong>：这是首个明确定位「技能型劳动替代」的人形机器人商业化路径——不是抢「无技能」工作，而是替代「高薪但短缺」的熟练工种</li> <li><strong>中期影响</strong>：这个模式若验证成功，可能会影响整个行业的战略选择——更多公司会从「通用人形」转向「单点技能深耕」</li> <li><strong>不确定性</strong>：船厂环境相对封闭、可控，家庭和一般制造业的复杂性远高于此；「技能转移」的边界在哪里仍是开放问题</li> </ul> <p><strong>行业意义</strong>：这是「第一性原理」的胜利——Radford说「我教了20年腿式机器人课，但最终选择取决于：机器人现在能做什么有价值的事？」答案不是「万能助手」，而是「某个高薪岗位的稳定替代」。</p> <hr> <h2 id="二physical-ai行业调研700从业者揭示数据比模型更重要">二、Physical AI行业调研：700从业者揭示数据比模型更重要</h2> <p><strong>原文</strong>：https://content.knowledgehub.wiley.com/the-2026-state-of-visual-and-physical-ai-a-survey-of-700-practitioners-on-data-models-and-production/</p> <p><strong>核心事实</strong>：</p> <ul> <li>IEEE Spectrum与Wiley联合发布2026年Physical AI行业调研，覆盖700+从业者</li> <li><strong>78%</strong> 的团队已在视觉/物理AI领域看到可衡量的价值，但 <strong>74%</strong> 认为该领域投入仍然不足</li> <li><strong>关键发现</strong>：成功交付的团队，在数据工作上投入的时间是挣扎团队的近3倍——不是更大的模型，而是更好的数据</li> <li><strong>失败主因</strong>：模型失败的首要原因是数据问题（而非架构问题）；标注工作存在大量浪费——常常「标注一切」然后在生产前丢弃大部分</li> <li><strong>92%</strong> 的从业者认为「数据工作」而非「模型架构」是领域发展的下一个决定性因素</li> </ul> <p><strong>影响分析</strong>：</p> <ul> <li><strong>直接影响</strong>：对「Scaling Law信徒」是一记警醒——在物理世界AI中，数据质量比参数规模更关键</li> <li><strong>中期影响</strong>：将会催生新一代数据标注/管理工具，以及「数据优先」的AI开发方法论</li> <li><strong>不确定性</strong>：数据工作的投入难以像模型参数那样量化，如何衡量「好的数据工作」仍是难题</li> </ul> <p><strong>行业意义</strong>：过去十年AI进步靠的是「互联网文本 Scaling」；物理世界AI的核心生产要素是数据，而非算力——这是一个根本性范式转移。</p> <hr> <h2 id="三具身智能agentic-aicpu正在成为新的瓶颈">三、具身智能×Agentic AI：CPU正在成为新的瓶颈</h2> <p><strong>原文</strong>：https://spectrum.ieee.org/ai-cpu-comeback</p> <p><strong>核心事实</strong>：</p> <ul> <li>Agentic AI（智能体AI）的工作负载中，<strong>8个阶段有7个完全运行在CPU上</strong>（AMD内部测试数据）</li> <li>一个LLM发起工具调用（如读写文件、调用API、执行代码）时，这些操作都在CPU上运行——而非GPU</li> <li>当Agentic系统生成子Agent时，工作量呈机器速度增长——OpenAI曾有一次模型每小时执行300次操作</li> <li><strong>Tokenization瓶颈</strong>：当Agent处理长序列（10万token）并频繁调用工具时，每次调用都需要对整个序列重新分词——这成为CPU端的新瓶颈</li> <li>AWS内部已出现CPU服务器等待时间激增的问题</li> </ul> <p><strong>影响分析</strong>：</p> <ul> <li><strong>直接影响</strong>：具身智能系统的「大脑」（LLM推理）在GPU上，但「身体控制」（工具调用、传感器融合）依赖CPU——硬件配比策略需要重新设计</li> <li><strong>中期影响</strong>：边缘计算场景（机器人本地推理）面临更大的挑战——如何在有限CPU上维持Agentic系统的响应速度</li> <li><strong>不确定性</strong>：专用AI加速器是否能替代通用CPU？目前来看，API调用、文件操作等任务仍依赖CPU架构</li> </ul> <p><strong>行业意义</strong>：这不只是「CPU复兴」，而是揭示了Agentic系统的一个被忽视的成本结构——GPU是明星，但CPU是支柱。</p> <hr> <h2 id="四行业日历">四、行业日历</h2> <table> <thead> <tr> <th>事件</th> <th>时间</th> <th>地点</th> </tr> </thead> <tbody> <tr> <td>Actuate 2026</td> <td><strong>8月18-19日（进行中）</strong></td> <td>旧金山</td> </tr> <tr> <td>Humanoids Summit Seoul</td> <td>9月22-23日</td> <td>首尔</td> </tr> <tr> <td>IROS 2026</td> <td>9月27日-10月1日</td> <td>匹兹堡</td> </tr> </tbody> </table> <hr> <h2 id="本周核心观点">本周核心观点</h2> <p><strong>「可就业的机器人」正在取代「像人的机器人」。</strong></p>