# 认知的所有文章

在 HTX 新聞中心流覽與「认知」相關的最新資訊與深度分析。潘蓋市場趨勢、專案動態、技術進展及監管政策，提供權威的加密行業洞察。

李善友：世界越卷越快，我们可以更慢、更深、更向内

李善友提出，在AI加速迭代、经验频繁失效的时代，需要回归“第一性原理”，并将思考基点从“认知”（所知）下移至“能知”——即认知能力本身。他认为，知识本身没有力量，能知才有力量。他以张一鸣为例，指出其在移动互联网时代的成功，关键在于实现了“能知跃迁”，从依赖经验的“一阶能知”跃升到依靠逻辑与模型思维的“二阶能知”，从而对经验型创业者形成降维打击。然而，AI时代对理性逻辑的掌握已达高峰。要成为新时代的引领者，极少数人需向“三阶能知”跃迁，即进入理念层面，如马斯克、乔布斯那样，让商业成为理念追寻的副产品。DeepSeek梁文锋的思考，可能代表了这种面向原生创新的理念洪流。对于大多数无法置身时代洪流的人，李善友提出了第二条路：良质之路或作品之路。不必追求宏大理念，而是转身向内，将手中的事情当作“作品”用心打磨，追求“良质”（Quality）。当人与作品合一时，工作便成为艺术，个人意识也能借此进化。在世界加速内卷时，我们可以选择更慢、更深、更向内，通过做好每件小事来修养内心，让微小的频率荡漾开去，影响世界。他强调，事是为人服务的，无论是大事小事，都是修心的载体。这同样是回归第一性原理。

marsbit07/17 04:13

marsbit07/17 04:13

机器人越逼真越可怕？揭秘人形机器人时代的“恐怖谷效应”

随着人形机器人外貌日益接近人类，一种名为“恐怖谷效应”的心理现象正成为人机交互的重要障碍。该效应由日本专家森政弘于1970年提出，指当机器人仿真度达到某个临界点——非常像人却又存在细微瑕疵时，会引发人们本能的不适与排斥。这种反应源于人类大脑对社交信号的敏锐感知，一旦发现眼神、表情或动作中的微小不协调，就会产生认知失调，感觉“有东西在伪装成人”。电影《极地特快》中近乎真人却略显僵硬的动画角色，以及机器人Sophia引发的两极评价，都是恐怖谷效应的典型体现。对此，机器人公司采取了不同策略：如波士顿动力保持机械感外观以避开该效应，而Hanson等公司则继续探索高仿真路线。目前，恐怖谷效应仍影响着机器人设计，尤其在家庭等日常场景中，多数产品倾向于采用风格化或明显机械化的外观。未来，随着技术进步实现更高逼真度，以及年轻一代对机器人的日益熟悉，这种心理障碍或许会逐渐淡化。但现阶段，它深刻提醒我们：开发人形机器人不仅需要技术突破，也离不开对人类心理的深入理解。

marsbit06/09 06:07

marsbit06/09 06:07

从代码到认知：机器人大脑进化的万字指南

本文概述了机器人大脑从传统代码控制到现代人工智能模型驱动的演进历程。文章首先回顾了前大型语言模型（LLM）时代，机器人依赖手工编码的模块化技术栈（感知、状态估计、规划、控制）和行为树，虽稳定但泛化能力差。随后，深度学习改进了感知，强化学习和模仿学习进入了控制层，但策略仍较为狭窄。 ChatGPT的出现带来了转折。LLM最初被用作自然语言编译器，将指令转化为机器人可执行的原子技能序列（如谷歌的SayCan）。但更重要的突破是视觉-语言-动作模型（VLA），例如谷歌的RT-2和开源的OpenVLA，它能将视觉、语言信息融合，直接输出动作指令，实现了推理与行动的耦合。目前最先进的系统采用“双脑”架构（如Figure AI的Helix、NVIDIA GR00T）：一个慢速、参数多的“系统2”负责高层次推理和规划；一个快速、小巧的“系统1”负责高频动作生成。其下还可能有一个“系统0”反射层处理平衡等底层控制。出于延迟和可靠性考虑，安全关键的控制回路通常在机器人本地（如NVIDIA Jetson模块）运行，而对话界面和集群学习等任务可交由云端。开源模型（如OpenVLA、GR00T、π0）降低了行业门槛，让初创公司能在其基础上用自有数据微调。然而，当前VLA机器人仍存在任务中途恢复能力弱、样本效率低、缺乏物理常识和长期规划能力等局限。这催生了下一代方向：世界模型。这类模型（如NVIDIA Cosmos、Meta V-JEPA）能根据当前状态和动作预测未来结果，让机器人在行动前进行模拟和评估，从而改善恢复能力、泛化能力和长期规划。架构上主要分为像素级视频扩散、联合嵌入预测架构（JEPA）和潜在动作世界模型等流派。文章最后指出，数据采集（特别是远程操作数据）是核心竞争力，仿真训练至关重要，机器人成本正在迅速下降。当前物理AI的发展阶段大约相当于“GPT-2时代”，虽未完全自主，但正通过架构的持续演进（从代码到感知、规划、策略，最终到世界模型），朝着更通用、更强大的方向稳步前进。

marsbit06/07 12:55

marsbit06/07 12:55

10 张图看懂 2026 年 AI 现状：中美差距仅 2.7%，25 岁以下程序员岗位大缩水

斯坦福HAI发布的2026年AI指数报告显示，AI技术正以超越PC和互联网的速度被全球采纳，但社会制度、就业市场和评估工具仍滞后。中美AI差距仅2.7%，美国在算力和资本方面领先，中国则在论文、专利和机器人部署上占优。全球前沿模型智能程度趋同，竞争焦点转向成本、可靠性和场景优化。就业市场受AI冲击显著，22-25岁程序员岗位减少近20%，但整体尚未出现大规模失业。生成式AI人口采纳率达53%，但美国仅排全球第24。 2025年全球AI投资达5817亿美元，美国私人投资是中国的23倍，但若计入中国国有资金，差距缩小。AI Agent任务完成率仍存在1/3失败率，实际部署率低。机器人实验室成功率近90%，但家庭环境仅12.4%。专家与公众对AI影响看法分裂，73%的专家持乐观态度，公众仅23%。AI耗能巨大，GPT-4o年用水可满足1200万人，用电可支撑整个纽约州。

marsbit04/15 00:18

10 张图看懂 2026 年 AI 现状：中美差距仅 2.7%，25 岁以下程序员岗位大缩水

marsbit04/15 00:18

从“词元”到“符元”：Token 中文名背后的 AI 底层认知之争

近期，全国科学技术名词审定委员会推荐将AI领域的“Token”译为“词元”，引发广泛讨论。尽管专家认为“词元”符合单义性、简明性等原则，且易于传播，但这一译名在多模态AI发展的背景下存在长期适配性问题。文章提出“符元”作为替代方案，并从多个维度展开分析：首先，Token虽起源于自然语言处理，但本质是跨模态的“离散符号单元”，而非仅限于语言的“词”。以初始应用场景定义概念，易造成认知局限。其次，“词元”依赖“词”的类比扩展（如“词云”），但类比不应替代定义。术语需严格区分解释性隐喻与本体性定义，避免语义漂移。第三，“词”具有强语义锚定效应，易使公众误解Token仅涉及文本，而忽略其图像、语音等多模态应用，增加长期解释成本。第四，“词元”在语言学中已对应“Lemma”（词的原形），造成一词多义冲突，违背术语单义性原则。第五，从信息论和计算理论看，Token本质是符号层的离散单元，而非语义层的语言单位。“符元”更贴合其计算本体。第六，“词元”回译英文时易歧义（如对应word unit或morpheme），而“符元”可稳定对应“symbolic unit”，保障国际学术交流的清晰性。最后，术语统一应基于“概念同构”而非“语言同形”。“词元”与“嵌入”“注意力”等机制性术语并列时，会造成结构层级混乱。综上，术语选择关乎AI领域的认知基石。“符元”更符合Token的符号本质，具备跨模态稳定性和回译一致性，利于构建长期自洽的概念体系。

marsbit04/10 10:43

marsbit04/10 10:43

# 认知的所有文章

李善友：世界越卷越快，我们可以更慢、更深、更向内

机器人越逼真越可怕？揭秘人形机器人时代的“恐怖谷效应”

从代码到认知：机器人大脑进化的万字指南

10 张图看懂 2026 年 AI 现状：中美差距仅 2.7%，25 岁以下程序员岗位大缩水

从“词元”到“符元”：Token 中文名背后的 AI 底层认知之争

熱門分類

熱門標籤

深度研究

技术发展