AI科技评论独家获悉，卡内基梅隆⼤学机器⼈研究院（CMURI）博⼠后、悉尼⼤学（USYD）⻓聘助理教授WilliamZhi联合创办具⾝智能公司⸺ZenoAI（芝诺机器⼈），致⼒于打造通⽤全栈物理智能（Full-stackPhysicalAI），提供可靠的全⾝灵巧操作解决⽅案。
如果把今天最热门的几个方向摆在一起看，你会发现它们其实在卡同一道坎。
如何创建大规模的Physical AI数据，来加速Physical AI开发者的进展。我们采取的方法，本质上是用算力去换数据；
一年前，DeepSeek R1 横空出世，人们才意识到，真正让模型产生推理能力质变的，不必是更大的预训练规模 —— 后训练，用强化学习、过程奖励、闭环反馈，以极低的代价解锁了原本需要数倍算力才能触达的能力边界。
4 月初，LM Arena 评测平台上出现了三个匿名图像模型，代号分别是 maskingtape-alpha、packingtape-alpha、gaffertape-alpha。几小时后它们消失了。OpenAI 官方还没有正式宣布这个模型，但根据 API 返回的元数据和用户侧的测试记录，它已经有了一个被广泛接受的名字：GPT Image 2。
浪费的原因很具体，AI应用从“对话”转向“执行”，这些计算资源流向了较贵的大型旗舰模型，Agent在复杂多轮任务中，历史文件、对话会不断累积，大量无用、冗余、过期的信息会不断产生并且重复计算，Token消耗因此指数级增长。也就是说，企业和开发者在用最贵的车跑最短的路。
今天凌晨，Physical Intelligence发布了全新的VLA模型π0.7，狠狠敲了世界模型一记闷棍。π0.7第一次在机器人领域证明了Compositional Generalization（组合泛化），且VLA。
很多人以为，给Agent装上更多Skill，它就会变得更强。
这两天，一款名为Elephant（大象）的匿名模型，在OpenRouter上悄然亮相。上线不到48小时，这一模型已经冲到OpenRouter热榜（Trending）第一，目前调用量超过1850亿个token。
质量和成本只能二选一？通过大脑+小脑分层、场内+场外双轮驱动，数据堂给出了具身智能数据难题的解。
