机器人领域是我们长期关注的赛道，而 Generalist 是当前机器人领域中极少数具备长期竞争潜力的公司，核心优势集中在数据规模、团队能力与清晰的 scaling 路径上。
大语言模型的爆发，让大家见证了 Scaling Law 的威力：只要数据够多、算力够猛，智能似乎就会自动涌现。但在机器人领域，这个公式似乎失效了。
2026 年危机逼近，OpenAI 虽创下 400 亿美元融资纪录，但内部预测 2028 年亏损将扩大至 450 亿美元。不同于有传统业务「输血」的科技巨头，独立 AI 公司受困于 Scaling Laws 带来的指数级成本爆炸。奥特曼的万亿豪赌或难以为继，OpenAI 恐面临被吞并结局，AI 泡沫时代即将硬着陆。
2024 年底，硅谷和北京的茶水间里都在讨论同一个令人不安的话题：Scaling Law 似乎正在撞墙。
在 Anthropic 成立五周年前夕，联合创始人兼总裁 Daniela Amodei 罕见接受了公开采访！
2026年，Scaling Law是否还能继续玩下去？对于这个问题，一篇来自DeepMind华人研究员的万字长文在社交网络火了：Scaling Law没死！算力依然就是正义，AGI才刚刚上路。
过去10年，AI大模型的技术本质，是把电力能源通过计算过程转化为可复用的智能。2026年，我们需要让AI模型在单位时间内「吃下」更多能源，并真正将其转化为智能。
最近，清华大学教授、智谱AI首席科学家唐杰发了一条长微博，总结了自己2025年对大模型进展的感悟。从预训练到中后训练、长尾场景的对齐能力，再到Agent、多模态和具身智能的发展，其中有不少亮点。
「高烧」三年后，AI行业终于冷静：Scaling红利即将耗尽，单纯堆参数绝非良药。但商汤已胸有成竹。
在代码大模型（Code LLMs）的预训练中，行业内长期存在一种惯性思维，即把所有编程语言的代码都视为同质化的文本数据，主要关注数据总量的堆叠。然而，现代软件开发本质上是多语言混合的，不同语言的语法特性、语料规模和应用场景差异巨大。
