# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
1908年，美国社会学家查尔斯·霍顿·库利发表了一项有些特别的研究。为了弄清楚人的“自我”究竟是如何形成的，他从小女儿出生不久开始，逐月记录她的动作、情绪和语言，尤其留意她如何学会使用“I”“me”“my”和“mine”这些指向自我的词。
第25个月，女儿已经会说“My papa”。但库利注意到，她从未在争抢东西时使用“my”。这个词已经进入她的语言，却似乎还没有真正变成“我的”。
大约一个月后，有人作势要拿走她的书。女孩几乎尖叫起来：
“My book！”
还是“my＋名词”，还是两个极其简单的词。表面上，她的语言几乎没有变化；但库利在他的著作《社会组织》中兴奋地写到：孩子在使用自我指称词时，那种占有和自我主张的力量正在明显增强。
一个月前，“my”可能还是从周围人那里学来的表达形式；一个月后，它已经和她的意愿、行动以及对自身边界的维护紧紧连在了一起。声音没有变，句式没有变，词语背后的主体却正在形成。
孩子如此，机器亦然。
一个月前的上海WAIC，千寻智能让Moz1走进一间客厅，收拾可乐、玩偶和散落的物品，再关上冰箱门。一个月后的北京WRC，它又把几乎同一个客厅、同一套任务搬上了展台。
在一个以新模型、新技能和新Demo争夺注意力的行业里，这多少显得有些反常：别人忙着展示“又会了什么”，千寻智能却把做过的事情重新做了一遍。
但相似的只是表面。
如果说一个月前的Moz1还在证明“这件事我能做”，那么一个月后，它开始回答的是另一个问题：“这件事，我能不能真正做好？”
同样是整理客厅，水面之上，还是拿取、放置、开关冰箱；水面之下，感知、规划、动作衔接、异常恢复和任务完成度却已经经历了一轮密集重构。上一次更像一次能力挑战，这一次更接近稳定地干活。
库利的女儿用了约一个月，让“I”从一句模仿而来的话，变成行动主体的自觉；千寻智能也用了30天，让同一套动作从“跑通一次”，向“稳定完成”推进。
真正值得观察的，不是一个月里又增加了多少花哨动作，而是相同动作背后的系统，究竟迭代了多少次。
30天可以只是两场展会之间的间隔，也可以变成一次真正有含金量的迭代周期。拉开差距的从来不是时间本身，而是时间里的进化密度。
WRC展馆里，千寻智能的展台围了三层人。中央是一间搭出来的客厅：沙发、茶几、冰箱、洗碗机，桌面上几罐可乐和若干脏碗。看过一个月前WAIC演示的人会觉得眼熟——同样的客厅，同样的道具，Moz1的动线也几乎重合。
隔一个月把同一套任务在两大顶级展会上原样重演，似乎不合行业惯例，却恰好戳中了被忽视的问题。
展会是这个行业的节拍器，“必须有新东西”成了结构性压力，Demo和能力标签一起通胀。但物理世界不看发布会日历，真机迭代按月计。于是台上那次成功，到底是可稳定复现的能力，还是精心排练的最佳成绩，观众其实很难分辨。
千寻的做法是把这道信息差直接摆到台面上：同一道题再考一遍，分数骗不了人。他们把背后的逻辑提炼为“时间密度”——也就是单位时间内，模型在真实任务上的进化幅度。当所有公司都在做加法、疯狂刷技能点时，千寻却在用减法证明：把一件事做透，比浅浅做十件事更有壁垒。
事实上，整理客厅这件事的难度似乎很容易被低估。机器人只收到一句自然语言指令“整理客厅”，便要自己观察环境、拆解子任务：可乐进冰箱，脏碗进洗碗机（开门、拉出沥水架、放碗、复位、关门），垃圾进垃圾桶，玩偶进脏衣篓。全程没有逐步提示，也没有预先标定的坐标。业内最头疼的正是长时序任务中的上下文丢失和目标偏移——做完上一步就忘了下一步。
WAIC阶段，Moz1已跑通长时序记忆、层级化任务规划与实时感知的完整链路。但走得通到靠得住，还有一段最难的路。
30天后的WRC，变化落到了具体数字上：可乐放入冰箱的全流程成功率从约80%提升至99%+，脏碗入洗碗机从约90%提升至99%+，在垃圾种类、颜色、位置持续变化的条件下，泛化指令下的成功率超85%，从接到任务到定位目标的响应耗时降低了近50%。
值得注意的是，长程任务的成功率是连乘的。四段子任务各80%，端到端可能只剩三四成，五次演示可能三次中途失败；各95%，端到端才能回到八成左右；逼近99%，整条链路才第一次具备“能让人放心走开”的性质。
更能说明进化质量的，是那些没写进脚本的瞬间。
工作人员趁Moz1转身时把脏衣篓挪到房间另一侧，它停顿了一下，重新扫视环境，锁定新位置，把玩偶放进去，整个过程没人重新下指令。一位路人随手把空包装丢在桌上，不在任务清单里，Moz1路过时自主识别、抓取、投进垃圾桶，然后继续原流程，节奏几乎没乱。最有意思的是在冰箱前：门没合严，普通脚本机器人可能会认为“关门”已完成而直接离开，但Moz1感知到阻力异常，自主调整力度又推了一次，直到门彻底关严才走。
这些都不是偶发救场，而是已经内化到系统里的容错和自校正能力。脚本能排练顺序，排练不了意外，而真实世界主要由意外构成。想得更快、做得更稳、扛得住干扰——这就是高密度迭代最朴素的样子。
30天实现这样的进化幅度，靠的不是加班堆人力，而是底层架构从一开始就为持续进化做了设计。
Spirit v1.6采用VLA与世界模型深度融合的架构，把视觉感知、语言理解、动作生成和世界状态预测放在同一个模型里训练，不同于行业常见的感知、规划、控制三模块硬拼接。预训练阶段通过世界模型预测抽象动作Token，大幅降低了训练和推理的算力消耗；运行时则实现边感知、边决策、边调整的闭环控制。
这套端到端架构让Spirit v1.6在由UC伯克利、斯坦福、英伟达联合发起的RoboArena国际评测中，强势超越英伟达的DreamZero与Physical Intelligence的Pi0.5，斩获全球第一，成为首个登顶该榜单的中国具身模型。
架构决定进化上限，数据决定进化速度。
千寻智能认为，真实世界里那些杂乱、嘈杂的数据，在现有预训练语料中严重缺失，而这正是基础模型最脆弱的地方。他们不追求实验室里完美的干净数据，而是大规模使用真实场景里的非标准“脏数据”，让模型在真实且多样的环境里成长。
由此，千寻智能在前沿布局中率先确立了独特的“数据金字塔”技术战略，同时依靠已迭代到第七代的自研可穿戴采集设备来获取真实交互数据，这让采集成本降至传统遥操作的十分之一，数据可用率从30%跃升至95%；全国超过30万个采集点位和上千人的专业数据采集团队，则构成了这套体系得以高效运转的基础设施。
千寻智能数据金字塔
真实部署也是数据飞轮的动力源之一。以工业场景为例，Moz1已在宁德时代动力电池PACK产线执行高压测试插头插接等复杂非标工序，作业成功率稳定在99%以上，单日工作量达到熟练工人的3倍。产线上日复一日积累的真机数据持续回流到Spirit v1.6，让数据飞轮越转越快。
与此同时，Moz2也在持续进化——WRC上它首次亮相了自然语音交互功能。两代产品基于同一套Spirit v1.6架构，Moz1验证的迭代经验可以低成本迁移到Moz2，同一套进化体系同时驱动工业和商服两条战线。
过去两年，行业的注意力集中在谁的Demo更炫、谁的发布会更响，但这套评价体系正在失效。观众审美疲劳了，投资人开始追问复现率，而客户在意的只有一件事：上了产线到底能不能稳定跑。单点技能展示的边际效应急剧递减，竞争维度正在从发布会竞赛不可逆转地转向落地迭代竞赛。
这不是某一家公司的判断，而是具身智能从实验室走向真实世界的过程中，行业必然要面对的评价维度升级。当机器人的战场从展台转移到产线、从演示转移到交付，单位时间内能进化多少，就不可避免地成为比一次性能展示多少更重要的问题。时间密度不是一个营销概念，它是这个赛段切换的自然产物。
千寻只是第一家选择把这套标准摆到台面上、并且用30天的实证去支撑它的公司。不比谁发得多，比谁在单位时间内进化得快；不比谁的展台最热闹，比谁的同一个任务从做得到到做得稳用时最短。从同构基座到数据飞轮，从工业验证到商服延伸，千寻构建的是一套可跨产品复用、高时间密度的进化体系。
1911年，人类第一次抵达南极点的竞争中，挪威探险家阿蒙森面对的也是类似选择。与其在好天气里冒险猛冲，他更看重一套能够持续推进的系统：选定路线，提前布置补给，使用雪橇犬和滑雪板，再以稳定的节奏日复一日向前。最终，阿蒙森比英国探险家斯科特早34天抵达南极点，并带领队员全部安全返回。真正决定结果的，不是哪一天走得最远，而是在正确的方向上，每一天都能继续向前。
具身智能的竞争或许也是如此。真正的领先，不一定表现为不断更换舞台、发布新Demo，而是选定一条相信正确的路，把同一件困难的事反复做、持续做，每30天都向前推进一步。千寻选择再次展出同一个客厅，并不是因为它已经抵达终点；恰恰相反，这条赛道远未结束。它只是试图证明：比一次惊艳的冲刺更重要的，是建立一套能够不断进化、长期向前的系统。
极点从来不是靠最后一次冲刺抵达的，而是由此前每一天稳定的前进累积而成。选对方向，保持耐心，然后把时间变成自己的同路人。
文章来自于“Z Potentials”，作者“Z Potentials”。
