Qianxun Intelligence una vez más acelera su ritmo de financiación.
El 7 de abril de 2026, Qianxun Intelligence anunció la finalización de una nueva ronda de financiación de 1.000 millones de RMB. Esta ronda fue co-liderada por Shunwei Capital y Yunfeng Capital, con la participación destacada de Dachen Caizhi, un importante fondo de RMB, Galaxy Yuanhui, Turing Fund, Xinding Capital, Gengxin Capital y otros.
Esta ya es su segunda gran ronda de financiación en 30 días. Poco antes, en febrero, la compañía acababa de completar una financiación de casi 2.000 millones de RMB. Sumando ambas rondas, la financiación acumulada alcanza directamente los 3.000 millones de RMB.
Lo más interesante es que en esta ronda apareció una combinación extremadamente llamativa: Lei Jun (Shunwei) + Jack Ma (Yunfeng), invirtiendo juntos por primera vez en el campo de la inteligencia incorporada (embodied AI).
En el pasado, cada uno de ellos apostó por ciclos clave como la internet móvil, el comercio electrónico, el hardware inteligente y la computación en la nube. Esta vez, al unir fuerzas para invertir en robótica, especialmente en el campo aún incipiente de la inteligencia incorporada, indica que esta dirección está pasando de la imaginación técnica al consenso del capital, comenzando a entrar en una eliminatoria de posicionamiento respaldada por gigantes y con una alta concentración de capital.
Qianxun Intelligence fue fundada en enero de 2024 por emprendedores seriales en robótica Han Fengtao, el destacado científico de IA Gao Yang, y la pionera en la internacionalización de robots Zheng Linyin.
El fundador y CEO Han Fengtao fue anteriormente cofundador y CTO de Luoshi Robotics, dirigiendo la entrega de casi cien modelos de robots, con una profunda capacidad de ingeniería y producción en masa. El cofundador Gao Yang se graduó de la Universidad de California, Berkeley, fue discípulo del maestro de visión por computadora Trevor Darrell, y actualmente es profesor asistente en el Instituto de Información Interdisciplinaria de la Universidad de Tsinghua. Su equipo lideró el desarrollo del modelo de código abierto Spirit v1.5, que superó al modelo estadounidense Pi0.5 en el ranking RoboChallenge, convirtiéndose en el primer modelo de inteligencia incorporada de código abierto de China en alcanzar la cima. La cofundadora Zheng Linyin es una pionera en la expansión internacional de robots industriales, habiendo construido desde cero una división de negocios en el extranjero, liderando al equipo para profundizar en múltiples mercados internacionales y lograr rápidamente la transformación de resultados comerciales.
Los tres fundadores cubren respectivamente las tres capacidades centrales de IA, robótica y comercialización, formando conjuntamente un raro equipo de "guerreros hexagonales" en la industria, lo cual es la base de la confianza para obtener 3.000 millones de RMB en financiación en 30 días y que Shunwei Capital y Yunfeng Capital apuesten fuertemente. Esta combinación permite a Qianxun Intelligence, desde su fundación, combinar una visión técnica de clase mundial con genes de implementación comercial.
Han Fengtao señaló que en 2026, lo que importa es la escala de datos y el rendimiento del modelo. Lo más importante este año no es expandir escenarios, sino llevar el modelo de inteligencia incorporada al Top 3 global. Para lograr esto, debe haber suficiente dinero en caja.
Por lo tanto, la financiación continua relámpago es esencialmente usar la densidad de capital para cambiar ventajas de tiempo, apilar recursos rápidamente, ampliar la brecha de rendimiento y asegurar anticipadamente un puesto de liderazgo. Simultáneamente, que los accionistas existentes sigan invirtiendo en esta ronda significa que los inversores han pasado de observar y verificar a apostar aceleradamente.
Entonces, ¿por qué Qianxun Intelligence obtuvo este boleto de entrada acelerado? ¿Qué tan profunda es ya su ventaja competitiva?
La lógica subyacente de la apuesta del capital: se valida un camino más similar al de los grandes modelos
¿Por qué el capital está dispuesto a invertir continuamente? La respuesta: el modelo ya ha dado una respuesta preliminar.
En enero de este año, Qianxun Intelligence liberó como código abierto el modelo de inteligencia incorporada Spirit v1.5. En evaluaciones públicas, este modelo superó directamente al entonces modelo de código abierto más fuerte, Pi0.5.
Pero lo que más convenció al capital fue el punto de inflexión en la curva de capacidad.
Spirit v1.5 ya muestra una capacidad de generalización de cero shots (zero-shot) relativamente estable: sin necesidad de entrenamiento adicional, puede completar una serie de operaciones complejas como limpiar, abrir y cerrar bisagras, manejar objetos flexibles, etc.
En otras palabras, el robot ya no solo aprende una tarea, sino que ha adquirido la capacidad de transferencia entre tareas, mostrando el potencial de la inteligencia incorporada para liberar la productividad humana.
Detrás de esto, hay un camino técnico muy similar al de los grandes modelos de lenguaje (LLM): agrandar el modelo, alimentarlo con suficientes datos, iterar continuamente y luego confiar en la "emergencia" de capacidades.
En concreto, Spirit v1.5 es un modelo unificado de extremo a extremo VLA (Visión-Lenguaje-Acción). No se obsesiona con recrear todos los detalles del mundo, ni enfatiza una simulación mundial explícita intermedia, sino que aprende directamente la relación mapeada desde la percepción hasta la acción.
El método de entrenamiento también es muy similar al de los LLM. Sin embargo, los datos de texto se reemplazan por datos de robots. Primero, se realiza un pre-entrenamiento con grandes cantidades de videos de internet para establecer una comprensión básica del mundo, y luego se alinea con datos de interacción real: primero se obtiene capacidad de generalización, luego se aproxima a tareas específicas.
El resultado, con un menor costo computacional y escala de parámetros, es un rendimiento de generalización más fuerte.
Hace unos días, este camino también resonó "en la misma frecuencia" con homólogos de Silicon Valley.
El 3 de abril, la compañía de inteligencia incorporada de Silicon Valley, Generalist AI, lanzó el modelo base GEN-1, utilizando 500.000 horas de datos de interacción física real para validar la Ley de Escalado (Scaling Law) en el campo de la inteligencia incorporada. ¿Qué tan impactante fue el efecto?
Estos robots aumentaron la tasa de éxito promedio en múltiples tareas físicas del 64% a un 99%; la velocidad de ejecución fue casi tan rápida como la humana, aproximadamente 3 veces más rápida que los sistemas más avanzados existentes, y además pudieron improvisar sobre la marcha. Más exageradamente, la adquisición de cada capacidad requirió solo aproximadamente 1 hora de datos del robot.
El CEO de la compañía, Pete Florence, señaló que lo que está sucediendo ahora en el campo de la robótica es similar a cuando la gente abría GPT-3 y le pedía que escribiera un limerick (poema humorístico de cinco líneas) completamente nuevo.
Una observación similar también fue verificada por el equipo de Qianxun. "Nuestro equipo también descubrió la Ley de Escalado en el campo de la inteligencia incorporada; por cada aumento de 10 veces en los datos, se agrega un 9 al resultado", describió Gao Yang la pronunciada pendiente de esta curva. "Estamos en el momento de la Ley de Escalado de la inteligencia incorporada. Como los datos de los robots son más difíciles de obtener, creo que el GPT-4 de los robots tardará un poco más, probablemente 4-5 años".
Puede decirse que el capital está apostando por una ruta técnica que ha sido preliminarmente validada,同时具备更高性价比和扩展潜力的技术路线 (y que同时 ofrece una mejor relación costo-beneficio y un mayor potencial de expansión).
El motor de datos: la clave para que el camino sea viable
En el campo de la inteligencia incorporada, casi todos comparten un consenso: la recolección de datos es un cuello de botella fundamental.
Los grandes modelos pueden devorar los vastos corpus lingüísticos de internet, pero los robots no pueden: en el mundo del trabajo físico, no existe Wikipedia. Superficialmente, todos compiten por los modelos, pero la competencia subyacente es realmente el motor de datos. "Para lograr la escalabilidad, haremos todo lo que sea necesario", declaró sin rodeos Pete Florence.
Si se confía en la Ley de Escalado, ¿qué tipo de sistema de datos puede obtenerse a bajo costo, expandirse continuamente y tener suficiente diversidad?
Anteriormente, los modelos genéricos de robots con una tasa de éxito superior al 90% dependían de conjuntos de datos de teleoperación a gran escala extremadamente costosos y difíciles de escalar (como Physical Intelligence). Pero Generalist AI desarrolló sus propias "manos de datos" (data hands), un dispositivo portátil de dos dedos que se usa en la muñeca, transformando las manos humanas en pinzas similares a las de máquinas, para así recopilar datos visuales y sensoriales.
Como resultado, el progreso de GEN-0 y GEN-1 validó que este motor de datos también puede lograr un alto nivel de dominio: no utilizaron datos de robots, solo utilizaron datos generados por actividades humanas realizadas con dispositivos portátiles de bajo costo durante millones de actividades.
Qianxun Intelligence también está avanzando en una ruta de Escalado centrada en la diversidad.
En términos de solución de hardware, Qianxun también optó por un esquema portátil, pero fue más allá. Para que el modelo aprenda operaciones finas a nivel humano, adoptaron un diseño de estructura de tres dedos: el equipo inteligente está equipado con 26 grados de libertad, cada articulación integra sensores de fuerza y está equipado con una mano diestra de tres dedos. Pero los desafíos técnicos también aumentan significativamente. La estructura de tres dedos enfrenta mayores grados de libertad en la recolección de datos portátiles, requisitos de control de fuerza más finos y mapeo de acciones más complejo.
Actualmente, el dispositivo portátil de Qianxun ha iterado hasta la quinta generación, la usabilidad de los datos ha aumentado del 30% al 95%, y同时 el costo se ha reducido a aproximadamente una décima parte de la teleoperación.
Es importante señalar que, a diferencia de Generalist AI, que depende completamente de datos portátiles, Qianxun construye un motor de datos de fusión multi-fuente.
En la fase de pre-entrenamiento, además de una gran cantidad de datos portátiles, Qianxun Intelligence también integra activamente videos de internet para el pre-entrenamiento, con el fin de adquirir conocimiento común y habilidades básicas. Posteriormente, introduce datos de teleoperación de máquinas reales para un SFT (fine-tuning supervisado) fino, mejorando el rendimiento del modelo en tareas reales. Finalmente, optimiza further through强化学习 (aprendizaje por refuerzo): el modelo continúa desplegándose (roll-out) en entornos reales, generando constantemente nuevos datos que retroalimentan al modelo.
Hasta ahora, Qianxun ha obtenido más de 200.000 horas de datos de interacción real, provenientes de múltiples canales que abarcan videos de internet, teleoperación, recolección portátil, etc., y esta cifra sigue creciendo rápidamente,预计 (se espera) que supere el millón de horas en 2026. Para abril de 2026, el equipo de recolección de datos de Qianxun Intelligence también alcanzará una escala de mil personas.
Vale la pena mencionar que la comprensión de los datos por parte de Qianxun también experimentó un cambio fundamental.
Ya no se aferran a los datos guionizados meticulosamente elaborados que son mainstream en la industria, sino que se orientan hacia un paradigma de recolección más abierto y diversificado: ya no prescriben estrictamente la ruta de acción, sino que se centran en el objetivo de la tarea, permitiendo que el proceso de ejecución se desarrolle naturalmente: permiten fallos, derrames, interrupciones y luego continuar para completar la tarea.
Este cambio es fundamental: el modelo ya no aprende cómo se hace exactamente esta cosa, sino cómo manejar situaciones similares. Con la misma escala de datos, esta distribución de datos mejora significativamente la eficiencia de transferencia del modelo y同时 reduce la dependencia del poder computacional.
"Poniendo huevos en el camino": los datos de escenarios reales retroalimentan el modelo
En el motor de datos de Qianxun, lo que realmente determina si el volante de inercia (flywheel) puede girar no es solo las fuentes de datos, sino la capacidad de desplegarse continuamente (roll-out) en entornos reales.
Han Fengtao resumió que dirigirse hacia escenarios reales es para obtener el combustible (datos) para la evolución del modelo. La comercialización es hacer que este proceso de adquisición sea sostenible y escalable.
Detrás de esto,其实 también hay una clara divergencia de caminos entre China y EE.UU. En Estados Unidos, algunas empresas pueden invertir a largo plazo围绕 (alrededor de) el modelo base itself, intercambiando tiempo por límite de capacidad; pero en China, sin demo, sin señales de implementación, es difícil obtener financiación continua. La mayoría de las empresas que sobreviven,甚至 (e incluso) prosperan, suelen elegir un camino más intermedio.
El camino hacia la IA general es una ruta larga y con mucha nieve (larga y ardua), no se puede esperar a que el modelo madure para encontrar aplicaciones. Solo haciendo que los robots entren primero en entornos de producción reales, participando en operaciones comerciales reales, se pueden utilizar los vastos datos generados por estas operaciones reales para retroalimentar el modelo y evolucionar continuamente.
Como la primera empresa de inteligencia incorporada en China en llevar la ruta de recolección de datos diversificada de la teoría a la ingeniería y escalabilidad, y en completar una doble verificación en escenarios comerciales reales, los robots Qianxun坚持 (insisten en) "poner huevos en el camino". Se adentran en escenarios controlables, priorizando la entrada en los sectores industrial y de servicios, dos áreas relativamente estables en estructura, con límites de tarea claros, altos beneficios y dispuestas a pagar, validando la capacidad del modelo同时 y sosteniendo las operaciones de la empresa.
Por ejemplo, en escenarios minoristas, la cooperación de Qianxun con JD.com (que también es inversor) se está profundizando. "Xiao Mo" ya ha entrado en JD MALL, desempeñándose como barista. Mientras completa las tareas de servicio, el robot también recopila同步 (simultáneamente) datos de percepción multimodal, trayectorias de movimiento articular e información de retroalimentación de fuerza fina.
Estos "datos de nivel experto" provenientes de entornos minoristas reales se utilizarán directamente para el entrenamiento y fine-tuning del modelo de inteligencia incorporada, formando un ciclo positivo de "recolección de datos - iteración del modelo - mejora de capacidades".
El robot inteligente Qianxun ya ha asumido oficialmente sus funciones como barista en JD MALL.
Ambas partes también planean expandir aún más la inteligencia incorporada a más áreas minoristas específicas,包括 (incluyendo) la orientación en electrónica y electrodomésticos, la inspección y guía automatizadas, la limpieza automatizada, etc.同时, la farmacia de JD.com也被视为 (también es considerada) un突破口 (punto de突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口突破突破口极 (punto clave de突破), donde los robots participarán en tareas de alta precisión como clasificación automática y dispensación precisa de medicamentos, explorando soluciones para farmacias inteligentes sin personal.
Antes de entrar en JD Mall, Qianxun ya había completado una ronda de verificación en entornos industriales. "Xiao Mo" ya ha llegado a la línea de producción de paquetes de baterías para vehículos eléctricos de CATL, asumiendo las pruebas funcionales finales antes de salir de línea. Hasta la fecha, ha completado la operación de conexión de más de 1000 baterías, con una tasa de éxito estable por encima del 99%, y el ritmo de trabajo se acerca al nivel de un trabajador experimentado.
"Xiao Mo" ya está en la línea de producción de paquetes de baterías.
La inteligencia incorporada, a corto plazo, aún no llegará al momento de definir ganadores y perdedores upon落地 (implementación). Pero una tendencia más clara ya ha aparecido: la competencia ya no es solo quién tiene más datos, sino quién puede obtener datos de escenarios reales de manera más eficiente y quién puede construir un ciclo cerrado de volante de inercia (flywheel) datos-modelo que funcione con mayor frecuencia.
Después de completar una transición de valoración阶段性 (en etapas), Qianxun Intelligence, por un lado, apostará por la capacidad de generalización del modelo, y por otro, continuará ampliando la ventaja de la escala de datos, utilizando la retroalimentación de alta frecuencia del mundo real para acelerar la iteración del modelo.
Mirando hacia atrás a GPT-2 en 2019, quizás no valía la pena mencionarlo, pero a medida que la escala continuó expandiéndose, los rendimientos de la capacidad de generalización se ampliaron rápidamente. Ahora, el mismo punto de inflexión se está repitiendo en el campo de la robótica.
Este artículo proviene del WeChat público "机器之心" (ID:almosthuman2014), autor: Sia
