Review Life

​ 先说一下写这篇博客的背景吧，12.17，周三，全天在沙河值班，本来打算今天把所有基物的知识点过完，简单了解一下这学期学的内容（就是开始预习了），因为之前不怎么听基物课，电子信息工程这个专业和物理有关系，但不是和基础物理有关系。我们不去分析熵，焓这类的东西，至于波，我认为和数学更相关一点，不过在不同介质中的研究可能确实和基础物理有关系，总之就是我不太喜欢这门课。之前写的博客大多数都是英文，因为写的时候要遇到一些词汇，我不知道咋翻译也不想翻译，索性全用英文写了，而至于这种碎碎念的博客，用中文显然更简单。现在是19：41分，参考书今天就翻了几页，根本看不进去，大部分时间都用来和队员聊天和刷知乎了。倒也不是有什么负罪感，就是很好奇，为什么我会心甘情愿（或者换一个词语）地违背自己规划好的任务？

​ 之前，如果我规划在哪一天把论文读完，或者是哪一天完成电机的关节通讯什么的，我基本上都能完成任务，或者说，都能全身心的投入到任务中，不受外界干扰，而现在，我却不自觉地拿起手机，刷起知乎，今天看了一堆SLAM相关的水帖，我觉得知乎应该将回答发布的日期放在文章开头，要不然看了半天，发现作者有好多观点有明显的错误，最后发现这是2016年的文章（下图与文本无关，只是证明知乎的回答日期确实不在开头展现），时效性还是非常重要的，不过看一看前人的想法也能学习到很多知识。

​ 扯远了，我好奇的是，我是因为我喜欢一件事，所以我能够专心投入，还是因为我讨厌一件事，所以我不能专心投入，第二个观点是第一个的否命题。我想了想，可能都不是。基物实验报告，我就挺讨厌的，但还是能沉下心，一气呵成地写完。仔细想想，可能是我不擅长某件事，或者说我对这件事欠缺相应的知识，我就不能专心投入。虽然我讨厌基物实验报告，但是完成它不需要掌握什么知识，会写字会按计算器就行，往届还有实验报告参考（抄），没什么难度。而对于经验、知识欠缺，并且我还不喜欢的领域，我就不能专心投入。嗯，还得加上一个限定词：不喜欢。暑假搭建这个博客的时候，我也没有任何经验，知识，但还是坚持下来，上午申请好服务器，域名，一个晚上就搭建完了，当然搭个博客不是什么困难的事情，但我还是坚持下来。就算我在搭建的过程中遇到什么样的困难，我都想办法去解决，而不是放弃，有可能是我潜意识里知道一定能成功，因为已经有人做成了，也有可能是我非常喜欢，这东西控制不了变量，我也不知道是什么原因，总之我就是坚持下来了。做科研就不一样了，你不知道能不能行，甚至有时候潜意识会告诉你会失败，那种情况下还能坚持，真的就是靠信念了。我还没步入那种境界，因为还欠缺很多很多知识，至少我目前想的idea，都有人做过。其实我一点都不会因为有人实现了我的想法，而感到遗憾。高中的时候，我可能会有这种想法，想到一个绝妙的解题方法，我觉得大家都想不到，可是第二天有同学也想到了这个方法，当时的我可能会很沮丧。现在的我可能会觉得英雄所见略同，而且能够证明我的想法是对的，这真的很酷，随意想的一个idea，竟然真的是对的！或许我早出生几年是不是就发上顶会了哈哈哈。哦又扯远了😂，总之我觉得，我不能专心投入，就是因为我欠缺相应知识。但是学习这些知识，就需要我喜欢这门课，才会有足够的驱动力。然而，反过来也并不一定成立：即使我对一件事很感兴趣，但欠缺相应背景，也不一定就能专心投入——专心投入和感兴趣之间，并不是直接对等的因果关系。但是感兴趣和学习之间，我觉得对我来说，是因果关系。

​ 大学的优点在于，你可以选择学习你喜欢的课程，但是缺点就在于，你不能选择不学习你不喜欢的课程。我对学校当前的制度表示理解，但我确实不想学习一些课程，我认为当我完成期末考试的那一刻，可能我就不会再学习这门课程了，也就是说我花了一个学期学习一门我终生用不上的课程，除了浪费时间，没有任何意义。并且如果我要保研，我就要在这些课程上花费不少的时间和精力。在大一上的期末，我就过的很煎熬，我一点都不想刷题，真的是一点点都做不进去题，并不是我不会那些基本的知识，而是我做题的时候总是在反问自己：你来大学是为了什么？你是为了刷题保研吗？我的内心告诉我，大学不能这么度过，而是要去尝试自己喜欢的东西，做自己感兴趣的事，但大一面临专业分流的压力，不得不在煎熬中刷题复习，最后两门数学课都考了90。对我来说，我觉得90分还不错，但对保研来说，还差的远呢！因为北航给分其实挺松，有很多同学都能够达到90+，并且我其他的科目，比如思法，习概都上不了90，导致最后的均分绩点并不高，好像只有87/88？记不清了，总之大一上完的那个暑假， 大类排名300多，分流后专业排名80，保研确实很困难，但理论上仍然有希望，如果我后面的几个学期都猛猛卷。但难度还是很大，因为大家都知道该如何应付大学的考试了，差距就很难拉开，也就是从那个时候，我决定放弃保研，做一些喜欢的事情，当然在导员面前我还说保研是底线哈哈哈哈，虽然导员很不屑的说你这绩点还想保研？记得高考完，我曾和数学老师交流过选哪个大学，一个大学承诺给我保研，一个大学适合我的分数，但是很卷。老师说：“你最后肯定是要读研的，不要为了保研去那里，去北京你的机会更多”。当时的我觉得，研究生一定是一个很厉害的学位，一定能做出很多创新的成果。但上了大学后，我发现，其实研究生只是本科生长大了，那个人本科是什么样，大概率研究生也是什么样，也许会学到一些知识，但这些知识你让大一大二的本科生去学，也能学会。就好比大学课本的知识高中生也能学会，壁垒没有那么那么强。只是因为当今学历贬值，企业发现用本科生的工资也能招来研究生，索性直接招研究生了，因为客观上比应届本科生大几岁的研究生能力更强。但是就我观察到的情况，研究生好像并不太喜欢自己研究的领域，好像只是想赶紧毕业，有个研究生文凭，更好找工作。这和我高中时候对研究生的观点截然不同，不是因为喜欢这个领域，从而读研，而是想要有一个更高的学历，找工作的时候有一个更好的背景。感觉像十几年前日本的学历贬值，有时间真得好好分析下“日本失去的三十年”，感觉是前瞻服哈哈哈。

​ 这学期初，我就决定了做些喜欢的事，画了第一张PCB板，做了第一个自制的USB2.0拓展坞，加入了机器人队，加入了罗老师的课题组，当时的我觉得这学期应该会完成很多很多任务吧，现在回看，感觉自己并没做什么特别特别fantastic的任务。10月一整个月都在熟悉课题组和机器人队，属于是一个入门的状态，每周读一篇论文，组会上分享一下，每周值班的时候摸摸鱼，听一下机器学习的课程（没错我就是在9月创建的机器学习博客，10月写了第一节课的笔记和代码，当然这个代码是把开源的代码做了些自己的改动，加了些注释）。在10月末，我读了MIT的微动放大论文，这真的是一篇非常非常非常优秀的论文，提出的idea是我从未想过的一种方法，在当时也一定是非常新颖的想法，但也不一定，有可能论文中的想法以前有人做过只是应用于其他领域，但这个idea给我的第一感觉就是非常的 genius，本来打算好好分析下论文，写一个博客，可惜后面没有时间，只能等到寒假了，寒假一定要把这个任务放到第一位！这也是我第一个复现成功的论文，之前的physdreamer和ipman复现都失败了，一方面是因为我没有经验，另一方面是他们的readme写的太狗屎了，pip install的脚本甚至还能写错。记得当时复现微动放大（后面就简称EVM吧）的时候，要把一个大叔的脸变得红绿状态切换，为了实现这个我找了好几份代码，有些代码能够放大，但是会有很多噪声，整个背景都是那种白雪花，很多噪点，这个一方面和代码质量有关系，一方面和设置的频率参数有关系，当时调了很多遍参数，效果都没有论文视频中展现的那么好，最后我重新找了一份代码，放到服务器上跑了一遍，出来的效果非常棒，因为代码中的参数正好适配论文给的数据集，我只需要运行代码，不用调参，所以效果很棒。当时我高兴了很久，婴儿的呼吸被放大，血液的流动被放大…实现的那个时刻，是凌晨2：14。后来，我开始解决空间物体角度计算的问题，很简单，只需要通过相机内参+简单的反三角函数就解决了，再后来就是在服务器上部署qwen3vl，那是一段痛苦的经历，折腾了很久，环境都配不好，最后让师兄配师兄也配不好，可能是服务器硬件出了问题…CUDA软链配置上，但是torch检索不到。后面给我换了一台服务器，一会儿我就部署成功了，硬件问题往往是最后考虑的bug,也是最折磨人的bug。与此同时，11月，我开始开发机器人队的下位机通讯，用了大概两周的时间完成下位机和电机之间的通讯，这个过程还是很有趣的，不断的让ai写代码，然后分析Bug,不得不说gemini非常强大，大部分都能编译成功，但代码中的参数还是得我自己修改，要不然真就出现电机伤人事件了哈哈哈。还记得gemini写出了转速200，k_p 400的参数，着实吓了我一跳。最后由于通讯频率的限制可以通过上位机解决（没错就是latency_timer，我也不知道为啥队里没有人注意过那个参数，我之前一直开发下位机，上位机的测试时另一位队友，不知为啥没发现那个问题，最后我下位机开发完，测试上位机的时候就发现了这个参数没修改，默认是16，把这个改了频率就上去了…而从我接手上位机到发现这个bug ,一共也就不到半个小时，虽然我之前不知道有latency_timer这个东西，但是我猜测到可能是Linux系统限制了通讯频率，问了下ai，上网找了找资料就确定了bug在哪里）。不过开发下位机的过程还是非常有趣。写到这里，其实感觉自己做了很多事，但确实没有一个fantastic work，所以还是不太满意，充分利用好时间，是能做更多的事的。

​ 写到这里，马上也到校车发车时间了，先暂时停笔，回学院路吧。本来写这个博客是想找个方法，让我能够投入身心去复习基物的，可现在写成了life review，那么标题就叫做review life吧

以下是博雅的学期总结，随便写写

​ 有点好奇这个文档有谁会看，网盘里没有设置权限，也就是说任何人都能看到这篇文档，那我自然不会写什么有趣的东西，本来打算AI直接应付节省时间，但想了想，还是看看800字能耗费多少时间，毕竟抽时间写一写东西还是挺重要的。之前博客里对这学期已经做了些回顾，那我就写一写博客里没有的东西。
​ 大一有些迷茫，上了大学，为了纸面成绩去刷题，去刷高绩点，感觉过的和高中一样，没有一点意思，但受限于专业分流，只能先应付考试。但今天看来，我对大一的学习还是很失望的。我记得我最喜欢的一门课程是线性代数，北航把这个叫做高等代数。线代应该是大一唯一一门我喜欢学的课程，这个可能和当时我在学支答疑部负责高代答疑有关系。线性代数是一门非常优雅的课程，我记得我当时在图书馆听Gilbert Strang的线性代数课程时，仔细的思考矩阵的秩究竟代表什么，Gaussian Elimination原理是什么。很多公式的推导都非常有趣，我从小就喜欢想象空间，以一个FPV的视角，在想象中的世界穿梭。而线代就是一个空间变换的艺术。可是，今天当我看到一个题目，考点是代数重数和几何重数，我却一点知识都想不起来。我记得我在群里问过老师，几何重数、代数重数与特征子空间的关系。可是现在我对于这些词语，仅仅只是熟悉，具体的定义与应用，一点都想不起来了。上一次用线性代数的知识，还是在推导IPM单应性矩阵。连我喜欢的课程知识都已经忘记，那可见其他课程的知识我掌握的情况如何。我从来都不喜欢用绩点衡量这门课程是否学的好，因为我本来就不太喜欢往习题上下功夫，我只希望能够学到自己喜欢的知识，可是学习了却没记住，显然，我的大一是失败的。回到这学期，我将时间投入了我喜欢做的事情，虽然有一些成果，但并没有达到我想要的结果。并且我因为这些事放弃了很多东西，但得到的收益不是很好。或许当初应该完成特级赛道，那并不难，只是需要时间调试而已，可是由于当时急于开发下位机，放弃了。回头再看，下位机的开发没有任何必要，因为通讯频率被上位机的latency_timer限制，直到下位机开发完成，在调试上位机时，我才发现这一点。真的是浪费了很多时间。这学期很少自己写代码，大部分代码都是AI完成，因为AI效率太高了，一个软件我可能花几个月才能写出一个Demo，而ai只需要几分钟，就能生成一个Demo，耐心的改几个小时，就能够达到我的需求，在开发下位机时，很多代码都是AI在写，我只负责看看参数设置的对不对，函数结构有没有问题，编译能不能通过，电机能不能正常驱动。AI进步十分迅猛，我不得不思考未来应该发展。可以确定的是，数据越稀缺，越难获取的方向，能够较晚被AI取代。
​ 花了27分钟，打字还是很慢。

12.30

​ 这篇博客写的时间点很有趣了，12.30晚，是让我心力憔悴的一天。上午早八，上课的时候注意力还是不集中，回到宿舍后玩了一会mint，然后在Ubuntu里改了下状态栏。问题就出在这里，由于我的清华源一直加载不上，我就换成阿里云，正常的apt update ， 我特意没有upgrade，因为我之前的系统崩溃就是因为很久没有update，突然update，upgrade后导致库的关系混乱，各个依赖全部丢失。所以这次我只是update后安装一个插件包。中途弹出了一个页面，我现在有点忘记是什么页面了，是什么lib来着，当时的我确实犹豫了一下，想到了可能会使系统崩溃，但是我觉得就一个插件包，应该没什么，当时安装vscode和别的软件的时候，也弹出过类似的页面，所以直接点击。点击后，我看到命令行里一大堆解除依赖，其中还卸载了很多ros2的库，我就意识到问题不对，可是为时已晚。重启后系统就奔溃，这次我没有尝试什么recovery，因为关键的文件我要么上传到github，要么备份到了机械硬盘。但当时我忘了自己备份过，只是很沮丧，觉得为了一个插件把系统整崩溃很不划算，于是不想浪费时间，直接重装系统吧。怎么说呢，其实重装的过程很简单，但是等待下载，配环境这个过程很费时间，而且我之前配的什么输入法，什么鼠标滚轮的速度，还有什么开机自启动的软件什么的，全部都要重新查找重新配置。大概浪费了我两三个小时在上面。中午开组会的时候我就决定以后不使用Ubuntu作为主力机了，但换什么系统没想好，主要是那个Ubuntu自带的软件商店打开的特别卡，安装别的deb包有时候好用，有时候闪退，让我很讨厌，所以初步决定换mint，可是我的mint装到了移动硬盘，所以用起来还得找硬盘。不过大概率没那个精力去换一个系统，我绝大多数时间都在和Ubuntu打交道，所以换系统也会换到Ubuntu系列的mint，但是mint的美工不太行，可能后面还是得装Gnome。系统崩溃到重装系统就浪费了一下午时间，然后刚装好系统，配好grub，买的3T的机械硬盘就到了，唉，这个时间段存储都开始涨价，我担心后面急需存储的时候买不到，就先买了两个500G的固态，一个500移动固态，和一个3T的机械。其中一个固态装到笔记本内部，运行ubuntu，还有一个固态装到硬盘盒里， 运行Mint。这个硬盘盒实在是很鸡肋，29号晚上装Mint的时候，重启系统后进入Grub，怎么操作都没用，进入windows后连硬盘都读不到了，我以为是我哪个步骤错了，或者grub文件有问题，操作了好久。最后想插拔硬盘试一下，结果打开硬盘盒发现硬盘引脚掉出来了，硬盘根本没接上！😂😭😭😭😭这个抽屉式设计的硬盘盒真的很糟糕，硅脂片根本没用，因为根本不能和外部的金属贴合，就是这个垃圾的抽屉式设计的锅，买的时候没想过这么多，还是吃一堑，长一智吧。晚上考coding theory，没错，折腾了一下午，根本没有复习，考试的时候很难受，学过的都忘记了，在考场上真的很羞愧。讲这门课的黄勤老师很优秀，设计过北斗卫星的编码系统，遗憾的是我对这门课不感兴趣，我很喜欢线性代数，因为它和空间有关，用代数去表示多维的空间很有意思，但是这门课用到的线性代数只是一个计算工具，也可能是我学的不好，决定这只是一个工具。导致我对coding一点不感兴趣，什么香农极限，听起来还不错，但写起来我就不喜欢。所以这门课我时听时不听，忙别的事情。但是黄勤老师讲课很好，因为他讲课的时候自己在思考，很多老师讲课很枯燥的原因就是他没有很好的思考，知识点不能简单的讲述出来，固然严谨的概念很重要，但简要的阐述更容易让学生理解。关于讲课的问题我就不多说了，我也能理解老师们，因为讲好课的投入产出比太低了，对老师个人来说，不如将时间投入到项目上去。最后交卷的时候，我是先收拾好东西，穿好衣服，背上书包才去交卷，因为我不敢和老师对视，不敢看到他看到我卷子后的表情。以往我在他的课上还是挺活跃的，但是最后的考试这么差，我确实很羞愧。考试的过程中，我右边的同学全程拿手机作弊，看着他写完卷子提前交卷，我心里也很焦躁。但我宁愿得到一个失败的结果，也不会用错误的方法得到好分数。

​ 交完卷后我就非常沮丧，不过到食堂吃饭的时候，心情好一点了。当时知乎上刷到关于meta收购manus的一篇帖子。这个新闻我上午看到过，觉得钱确实给的有点多了。我之前没用过Meta的模型，因为Gemini实在是太好用了，手上好几个谷歌账号，正常情况下一天根本用不完，但可能过几个月，ai studio就会有限制了。那时，可能我会转向grok或者qwen，grok主要是太喜欢胡说八道，总是说一些“模仿人类”但是没用的话，比如：“我保证，这次一定能行！” ”这是终极核弹版代码！” 结果代码一运行就报错。扯远了，Meta的产品我知道有ai眼镜，好像pytorch也是他们在维护，奥还有开源的llama，但是我目前还没用过，用的最多的开源模型还是qwen，不得不给阿里点赞，qwen做的真的很不错。20亿刀收购有点多了，虽然我没用过Manus，但是一个Agent项目应该不值这么多钱。但是知乎的文章从另一个角度谈这次收购。他认为manus的团队比产品的价值更大，也许扎克伯格是希望manus的团队加入Meta，我觉得这也有道理，人确实比产品更重要。我之前想过做agent有关的项目，部署到PC端，不过学期没有时间，而且我看到有很多类似的开源项目，准备寒假的时候试一试。我目前想到的瓶颈主要就是多模态的延时问题，消耗的token很多，处理一次又要耗费很长时间，这个flow怎么设计确实很关键，现在的我还没接触，只是觉得很有意思。我有很多想法。比如当前的阅读模式比较无趣，只是上下滑动，当然这里我指的是长文的阅读比较无趣，我想做的是类似于思维导图一样的，节点式的阅读，把长文分解，一次显示一部分文字，然后想思维流一样阅读，读完一个节点启发下一个节点，每个节点内容饱满，同时整个长文结构很清楚，读完后回顾觉得条理很清晰，当然这只是一个很浅显的想法，有很多不足，比如滑动到上文的方式怎么设置等等，而且这个阅读方式对写作者的要求很高。还有一个想法是关于输入的，我一直觉得用键盘输入很不好，这么多年一直用键盘输入，速度很慢，当然这是因为我盲打没练出来，打字速度太慢了。但是除了键盘这种输入，我想不到别的方法。语音输入有很多问题，首要就是隐私性问题，干扰他人，还会让输入的信息泄露，其次就是没有人能保证一次就说对，所以一定会停顿，会删改，这就导致还需要键盘介入。这个问题我想过很久， 我觉得AI与人交互最好的方式还是直接通过语音，也就是真正的和一个博学多识的人，一个无所不能的人，一个言听计从的人交流，这是我理想的交互方式。我觉得这是未来的趋势，大多数人不需要多么高级的代码生成功能，大多数人需要一个能听懂话的手机，能听懂话的电脑，能听懂话的机器人，说一句话就把所有事做完了。这也就是Manus的应用场景。其实以往可以自己写脚本，自己去设计每一个任务的流程，但显然不适用所有人，由于我没用过manus,也就不好评价什么性能，但应该是没那么那么惊艳。2025年，让我最惊艳的，还是第一次使用replit。当时我还是使用手机端的replit，我看着ai自己设计流程，看着步骤一步步地跳出，看着代码一行行的生成，我看到他自己运行网页，自己点击按钮，自己debug，最后完美生成了我想要的样子，而这一切，都是在我的小小手机上完成的，虽然我知道手机只是一个显示，真正的处理在服务器端，但当时给我的震撼太大了。为了完成这个程序，我刚开学就学习cpp，耗费了一周左右，才把基本的语法掌握，能够写一些小型的cpp程序系统，知道析构什么的，甚至都没真正开始设计想要的程序，而我想做的这个程序，replit只用了20分钟生成。我想，没有任何个人或者团队，能在20分钟做出这样的网页，尽管这个网页很简单，但它做的太快了，那时我才意识到AI的强大。2024年时，我就开始使用deepseek，当时它的能力还不错，用的人也少，作为GPT的下位替代，写写数学题什么的还是很不错的，结果到了25年初，deepseek突然火爆，还是挺好的，相比之下，优秀的qwen就没那么大热度了，阿里的能力很强，只需要一个契机。回到与AI的交互这个话题上，我觉得最好的设备就是智能眼镜，现在的中国，戴眼镜的人相当多，市场相当大。而且眼镜本身的位置就是一个完美的麦克风，完美到没有人会注意到你佩戴了一个麦克风，这体现在我日常在宿舍和家人视频通话时，舍友都分不清我是在和他们说话还是在和视频说话，眼镜真的非常重要，可以看到，今年夸克，Meta等企业也在眼镜上发力。我觉得目前的瓶颈还是在于多模态的交互速度，不知道这个会用什么方法突破，但一旦AI能够与人实时交互，那一定会带来一大堆产品的迭代，一旦小型的语言模型能部署到手机本地，甚至让MCU运行一个模型，那也会带来一个产业的革命。是的，我觉得本地化部署非常重要，根本原因就是延时的问题。当然，如果你一直呆在一个信号良好的环境，并且在线调用模型的速度瓶颈突破，那么本地的部署或许没那么重要。我比较喜欢所有的应用都能在网页上运行，也就是每个人的电脑只是一个接口，接入互联网，接入千千万万个云电脑，代价是隐私，但是性能一定会提升很多，不需要本地买多么贵的硬件设备，云端就能流畅运行所有程序，当然这或许只是把一次性的成本分散成持续投入的成本，但我觉得这是未来，这和云电脑其实不太一样，本质是打通了各个APP的壁垒，在浏览器中运行APP，或许会有很多不同APP之间的交互，也会有许多有趣的插件，但这又有其他的很多问题，这我就不想深究了，总之 我觉得网页端的app是未来的趋势。

​ 今年另一个很火的领域就是具身智能了，VLA,VLN领域的论文发了很多很多，但我觉得近几年实现具身智能的落地有很大困难。模型的训练关键之一就是数据，可以发现，LLM和VLM都有庞大的数据，文本、图片和视频的数据量非常大，因此用于大模型训练可以说是绰绰有余，但是和真实世界交互的机器人的数据，就非常稀缺。因为这不仅仅是文本，图像，还涉及到物理层面的感知。一个电机，不能随意的被驱动，模型要获得掌控电机的能力，就需要很多数据，可是数据从哪来？一个方法是仿真，但是Sim2Real的鸿沟依然存在，仿真只能去检测模型的能力，实际上落地还是需要现实世界的数据，当然，我现在所说的都是自己的想法，写之前并没有查阅什么资料，只是自己的胡思乱想，当然会有很多不严谨的地方，不过还是写下来好一点，这样未来也好纠错。也可能未来有新的方法，新的模型能够打通Sim2Real。所以我觉得目前具身智能发展的瓶颈就是数据，数据量大了，端到端最后训出来的效果才好，可能也不一定，但这就是我目前的想法。每一个企业生产的机器人的各个关节的位置都不一样，那么训练的数据能否通用呢？我不得而知，但是宇树已经造出来了相对便宜的硬件产品，各个机器人研究团队也在使用宇树的机器人进行科研，这是好事，这样follow别人的工作就相对容易，就能尽量把精力投入机器人的”大脑“，而不用发愁机器人的硬件。（注意，后面集中讨论的是“人形机器人”）但是说到底，有一个问题还是没有解决：就算造出来了一个能力很强的人形机器人，他的应用场景在哪里？场景当然有，但是市场一定不大，因为大多数人没有钱，不会花几万甚至几十万去买一个机器人，人动一动解决的事情，没有必要花很多钱买一个大铁块代劳。工业场景又有专为场景优化的机器人，比人形机器人的效率高多了。我觉得明年资本市场就应该会减少对人形机器人的投资，他们可能看到AI发展的这么迅速，好像有了自己的意识，那把AI迁移到机器人上应该很快吧，技术上说服他们是没用的，时间会证明我的观点。当然我希望我的观点是错的，我希望真正感知世界的机器人早点到来。明年人形机器人的市场应该会冷清吧，对AI的投资应该也会缩减。因为真正厉害的模型都在大公司手里，就算你有一个很好的模型想法，训练是需要卡的，是需要算力的，说白了，是需要很多钱的，也许一次训练的钱就能买几个小AI初创公司了。AI的市场，emm， 我觉得很大，但是想不到一个很好的盈利手段，现在AI已经和我的生活无法分割，将来是每月付费使用AI，还是什么别的手段来盈利，这应该是很有趣的一点。我的观点是机遇在融合AI的硬件市场，人们可能还是更喜欢买一个实物来和自己交互，和自己的实际生活交互， 当然这是我自己的观点，我还是觉得一个具有灵魂的硬件产品比一个软件产品更好。总之我觉得下一个吃螃蟹的，应该就是本地化部署AI的硬件厂商，这点我很看好小米。

​ 洋洋洒洒的铺垫，已经到了12.31号了，开始总结2025年吧！