头文字d

英伟达自研AI CPU Vera细节公布，已交付OpenAI等客户_我的网站

A |     《科创板日报》7月20日讯（记者 杨小小）人形机器人要加快实现应用落地，无疑已成为行业内外的普遍共识。    每经编辑：叶峰          截至7月22日10时32分，支持T+0交易的港股通信息技术ETF（513240）上涨0.58%，科创芯片ETF（588290）下跌1.18%，科创50ETF（588280）下跌1.16%。         围绕这一目标展开的人形机器人“大脑”能力补强，也已经持续了一段时间。         相关个股方面，盛科通信-U上涨12.9%，华勤技术上涨11.34%，格科微上涨5.98%，澜起科技上涨3.78%。         但在这个过程中，行业逐渐发现，机器人拥有理解和决策能力，并不等于已经掌握了可执行的技能，从认知到动作之间，还需要完成动作策略生成、本体适配和反馈修正等重要环节。         消息面上，英伟达于7月21日公布了首款从核心自主设计的服务器CPU“Vera”的详细规格，该芯片已于6月交付OpenAI、Anthropic和SpaceX等客户。Vera专为AI智能体优化，聚焦单核性能、内存带宽与低延迟，相较于x86架构CPU在智能体任务中性能提升约50%，功耗在250至450瓦之间，支持最高1.5TB的低功耗内存。此举是英伟达垂直整合战略的关键一步，旨在通过自研CPU进一步释放GPU性能，并逐步向客户销售整柜计算系统。         在今年的世界人工智能大会上，具身智能“深圳军团”不约而同地都在朝这个方向进行能力展出，试图缩短模型能力到真机执行的链路。         随着智能体AI兴起，CPU因负责持续供给数据而重获重视，AMD与英特尔今年股价分别大涨128%和149%，英伟达仅涨8%，凸显市场对CPU价值的重估。         从数据到动作策略          跨维智能将这段距离进一步前移到了模型训练的数据端。         此次WAIC，跨维智能发布并开源Aligned DexWorld。据公司介绍，该数据集试图将真人示教、真机遥操和仿真合成等不同来源的数据，在统一的三维物理空间和时间序列中完成对齐。

B | Vera被看作开辟了专用于高强度AI计算的CPU新品类，预计平均售价约5000美元，年内出货约130万颗。目前除甲骨文外尚无大型云服务商明确采用，但OpenAI计划本季度大规模部署。

C | 分析师认为，英伟达意在让客户摆脱对英特尔和AMD的依赖，同时将CPU收入纳入自身版图，但说服超大规模云商全面转用仍面临挑战。         它所针对的是具身智能训练数据的异构问题：不同来源的数据在视角、本体构型和动作空间上存在差异，单纯“堆数据”并不必然提升模型效果，未经对齐的混合训练甚至可能产生负迁移。         相关研究机构表示，AI创新驱动板块在算力芯片、光器件、PCB、存储及服务器与液冷领域展现出强劲发展潜力，AIOT领域因海内外需求增长而受益，上游半导体设备、零组件及材料国产替代预期强烈，功率、CIS及模拟芯片等价格触底复苏的龙头标的值得关注。（声明：以上信息仅供参考，不构成投资建议。

D | 入市有风险，投资需谨慎。         在数据对齐之外，跨维智能还首次展示了仿真引擎DexVerse的生成式仿真能力，通过持续生成不同的物体姿态、场景布局和交互任务，为世界模型提供更多样化的训练数据。）          每日经济新闻。按照公司的技术路径，Aligned DexWorld解决的是不同数据能否被模型共同学习，DexVerse则负责扩展模型可以学习的物理场景。         现场展出的手机装盒和商超扫码Demo，进一步呈现了上述技术链路在真机执行端的效果。手机装盒机器人需要连续完成取盒、放机、对位和合盖，并在物料偏移、漏抓等情况下重新规划动作；商超扫码机器人则要适应不同瓶型和随机摆放姿态，完成抓取、扶正、扫码及放置，并通过视觉信号判断扫码是否成功。         也就是说，跨维智能试图补上的，是从模型能力到真机执行的上游基础：先让不同来源的数据说同一种物理语言，再让模型学到的能力更顺畅地迁移至真机。

E |          如果说跨维智能试图让模型从训练阶段开始，更准确地理解物理世界中的动作，智平方进一步关注的，则是模型理解任务后，如何将认知、协调和执行串成闭环。         智平方这次WAIC带来了搭载NeuroVLA类脑大模型的AlphaBot 2。

F |          按照公司的设计，NeuroVLA将机器人控制体系分为“皮层-小脑-脊髓”三个层次：皮层负责语义理解和任务规划，小脑负责高频运动协调与动态修正，脊髓则负责毫秒级运动执行和安全反射。

G |          高层模型的任务规划无法直接转化为连续的关节动作。机器人还需在执行中持续感知环境和自身状态，在目标变化或动作失败时动态调整，并维持长流程任务的时序信息。

H | 智平方强调的主动感知、故障自恢复和时序记忆，就是为了打通这些环节。         在WAIC展示的PCB上下料任务中，AlphaBot 2需要面对不同型号、尺寸的PCB，以及透明、反光托盘，连续完成托盘取料、上下料、移动运输和双臂协同等动作。相比完成一次固定抓取，这类任务更考验感知、任务规划、动态修正以及运动执行之间能否形成闭环。         从动作策略到真机执行          模型形成动作策略之后，还需要经过具体场景和机器人本体的适配。

I |          乐聚机器人试图通过后训练，补上通用模型与具体岗位技能之间的距离。作为以本体和运动控制见长的人形机器人企业，在路径上，乐聚没有选择从头训练通用具身基模，而是由上游模型企业完成通用大脑的预训练，再结合自身机器人本体和工业场景开展垂域后训练、本体适配和真机评测。         乐聚机器人技术负责人王强对《科创板日报》记者表示，这一过程可以类比为是给机器人开设“技校”：基础模型解决认知广度，后训练则让机器人围绕具体岗位学习技能。         以快递分拣为例，蚂蚁灵波的LingBot-VLA 2.0已经通过预训练掌握识别物体、理解指令和基础抓放等能力；乐聚进一步采集300条任务数据进行后训练，让模型学习不同包裹在具体环境中的识别、抓取与分类方法，并将其部署至夸父机器人完成真机任务闭环。         据悉，乐聚目前已将数据处理、代码适配、模型后训练和真机部署测试等流程封装为后训练工具链。         此次WAIC，乐聚展示的纸箱拆垛、塑料箱拆垛和小件上料，也对应了这套转化路径。乐聚方面人士对记者表示，在展会期间，夸父机器人连续三天每天接近10小时不间断完成了纸箱拆垛等任务，机器稳定性出现了初步的量变突破。

J |          逐际动力则把认知到执行的链路进一步拆分为Sys2认知层、Sys1技能层和Sys0运控层。认知层负责理解任务和作出决策，技能层承接具体能力，运控层则负责将其落实为本体动作。         逐际动力此次展示的Oli机器人搭载COSA人形大脑系统和WBT全身运动基础模型。

K | 其中，WBT能够实时追踪机器人全身关节，并在动作执行过程中维持平衡。现场动捕演员连续完成深蹲、太极和舞蹈等动作，Oli则进行实时复现。与单个预设动作相比，这一演示更侧重展示长程动作如何被映射至机器人本体并稳定执行。         在操作端，逐际动力还展示了搭载COSA系统的TRON2双臂机器人。现场，TRON2通过视觉感知和语音交互，自主抓取糖果并递送给用户，呈现出机器人从感知、技能生成到底层执行之间的衔接。         可以看到，随着人形机器人产业的可见度不断提升，行业内外的期待也在持续拉高。人形机器人企业的展示无疑都在试图回应同一个问题：如何在技术路径尚未完全收敛的情况下，跨过实用性的门槛。         但WAIC的演示仍不同于规模化应用。人形机器人面对新任务需要多少数据、训练和适配周期多长，技能能否跨本体、跨场景复用，以及在长期运行中能否保持稳定，仍需更多真实项目验证。         （科创板日报记者 杨小小）。

L |

Current article:http://www.jiaopeikongbenlo.pics/1jcj1a/8rxqpy.ppt

Published on:04:50:10