一个（暂时）只作念具身大脑的公司，抛出了一个惟有2.4B参数的具身模子。

咫尺行业风向标如Physical Intelligence的π 0臆测约33亿参数，π 0.6的参数目也粗略在50亿以上。

在一个甚而连硬件形态都还没定型的行业里，2.4B参数到底够不够用？

这家公司给出的谜底是，够用。

况且足以复古它及时处理三视角的728x728画面，推理延迟仅60毫秒；配合强化学习机制，它还能在真机上连续试错进化。

这即是具身智能创企原力灵机推出的首个具身原生模子居品DM0。

2.4B的轻量小蛋糕，RTX 5090就能跑。

因为从零试验以及对具身数采有不同于行业的看法等原因，该公司称它为"首个具身原生大模子"。

与模子同期发布的还有开源具身原生框架Dexbotic 2.0，以及具身原生量产使命流DFOL。

这具身软件三件套背后手艺道路的操盘手，是原力灵机合推动谈主、讲求大模子的周而进。

他在AI圈早已名声在外。

周而进咫尺才33岁，但这东谈主还是在AI畛域出名13年了——

早在2013年，深度学习和东谈主工智能照旧冷门的时候，大二的旷视实习生周而进就以一作身份，拿下了ICCV 2013的当然环境东谈主脸要害点定位比赛（300-W）工业界组冠军。

但这个神话东谈主物的出名比这个时分线更早。

他是信息学竞赛NOI、IOI金牌选手，初三就"保送"到了清华；行为清华的学生，他师从电子工程系长聘教学、系主任汪玉。

其后行为旷视12号职工，他屡屡用算法软件拿下全球第一。

即是这样一位从AI 1.0时间走出来的少年天才，在旧年，他和同为旷视共事的范浩强、汪天才，创业具身智能。

其后前旷视集结创举东谈主唐文斌也参与其中，担任CEO。

周而进对咱们说，面前具身行业的主流具身模子决议，大多数是VLM+Action Head念念路。

也即是说，大模子讲求识别和逻辑推理（比如看到雪柜里有牛奶），动作头讲求履行（去捏取牛奶）。

这种法式在咫尺行之有用，但它是一种外挂式决议。

原力灵机想追求一种具身原生道路，强调从数据汇注范式、推理容颜到适度结构，都应源自物理寰宇的反馈，而不是数字寰宇的派生模态。

也确乎这样付诸实践了。

刚提到的模子DM0，就"从底层建模上就将感知、推理、适度整合为闭环，然后通过空间推理念念维链（Spatial CoT），内生出具身智能"。

DM0的中枢是通过多源、多任务、多机型试验来买通具身智能。

具体的试验流程，分为三个阶段。

第一阶段是VLM Train。

团队从零构建具身原生的多模态模子，将互联网、智驾和具身多传感数据相敬如宾，让模子天生就厚什物理环境，练成塌实的感知基本功。

第二阶段是VLA Pre-Train，周而进称之为"具身智力涌现的要害"，分为多任务、多机型试验和空间推理念念维链两条干线。

第三阶段是VLA Post-Train。这一步保留了针对特定期骗场景的适配智力。

在RoboChallenge大畛域真机评测中，DM0拿下了单任务和多任务双料第一。

这是原力灵机树立以来第一次成体系地发布具身手艺居品。

从和周而进的对谈里咱们发现，原力灵机从模子、用具链、量产使命流，方方面面都阁下地在讲闭环、讲具身原生。

在咱们与周而进的此次深度对话中，他也围绕这些要害词给出了更详备的解读：

为什么要对持从零试验而不是微调？

空间推理念念维链是奈何匡助模子搪塞长程任务？

"全身全时全域"的数据采麇集带来什么变化？

机器东谈主怎么缓慢走向领有"社会身份"？

以及，为什么必须7×24小时跑起来？为什么要从物流出手作念具身？

……

诸如这些问题，在采访中都取得了回复。

（以下为对话实录。在不改变对谈者本东谈主应允的基础上，咱们作念了部分更动，以浅陋阅读）

对话实录对于"具身原生"

量子位：灵机把此次发布的DM0叫作念"具身原生大模子"。原生不原生有什么区别？

周而进： 具身智能的中枢是构建感知-决策-履行的闭环智能。

在大谈话模子范式下，智能主要停留在信息处理层面，比如识别雪柜里有牛奶。

但具身智能不仅要看到牛奶，还要提起牛奶，找到分娩日历，从而判断牛奶是否逾期，竣事从数字智能到物千里着粗疏能的当先。

量子位：DM0原生在那里？

周而进：有两个层面。

第一个是模子试验自己的起先从零出手。

但愿模子从诞生的第一天出手，就还是充分厚什物理寰宇，而不是在一个还是被无数互联网数据塑形过的模子上，后天再去补物理寰宇的东西。

物理寰宇在模子驱动化阶段，会给到杰出多杰出丰富的反馈，这种反馈如果放到背面再学，本质上是很难补总结的。

互联网数据固然很弥留，它带来了无数先验，但咱们的理念是，但愿模子在一出手就见过实在的空间关联、交互关联，厚实东谈主与物理寰宇是怎么对话的。

好多东谈主会以为，咫尺还是有很强的通用大模子了，比如径直拿一个谈话模子行为基模，再往后堆一些具身数据，好像也能训出后果。

从工程上看，这条路是走得通的。但咱们会以为，这样的旅途在剖析章程上是有问题的。不管是动物照旧东谈主类，最早学会的都是动作，是对物理寰宇的反馈智力，而谈话、详细念念维反而是后天逐步发展出来的。

一个不那么严谨的类比，你很难遐想一个婴儿是先学会对话，再学会找奶瓶。

是以咱们认为具身模子也应该盲从肖似的旅途，从一出手就围绕物理交互来构建，而不是在一个还是在数字寰宇试验好的模子上去嫁接动作智力。

量子位：第二个原生的点呢？

周而进：第二个是数据的厚实容颜。

今天行业里对于具身数据奈何采、用仿真照旧真机，其实不合杰出大。

仿真派和真机派之间争论了很久，但咱们一直以为用"仿真"照旧"真机"来切分自己趣味并不大，更像是在给我方贴标签。

咱们的看法是，今天你汇注的所罕有据，本质上都是合成数据，仅仅合成进程不同长途。

在仿真器里，任务界说、物理反馈、物理章程，全部是东谈主为构造的，这是高度合成的数据；在实在寰宇里采数据，看起来瓶子是简直、环境是简直，但任务是不是你界说的？Task instruction是不是东谈主为设定的？物流场景里的活水线是不是东谈主遐想的？

从这个角度看，它们本质上都处在一个合成光谱上。

咱们更关切的不是用无谓仿真，而是应该把数据和算力投向那里。

咱们里面有一个相比明确的判断，物理治服性强的部分，用算力和仿真去责罚；语义拖拉、不治服性高的部分，用实在数据去袒护。

这亦然咱们为什么会认为从一出手就把"东谈主、数据、物理寰宇的交互气象"放进模子遐想里杰出弥留。

如果模子最早战役到的即是这些东西，它在后续面对不同硬件、不同形态机器东谈主时，学到的是操作逻辑，而不是某一台机器的电机参数。

量子位：说到不同形态的机器东谈主，尊府自大DM0的试验专门膨胀了不同内容的机器东谈主数据，咫尺是8种机器东谈主。

周而进：如果模子只见过少数几种机型，它很容易把"该奈何完成一个任务"和"这台机器的关节要奈何转"混在全部。

举个例子，把水放到某个位置，模子真确应该厚实的是伸手、搬动、放手这个动作序列，而不是某个关节需要转若干度。

就像东谈主开车相通，一个及格的司机不会因为换了一辆车就不会开了。

真确记取的是轨迹和操作逻辑，而不是标的盘的松紧进程。

从这个角度也很容易能厚实具身原生是咱们的旅途取舍。

对于数据和高/低熵场景

量子位：DM0用的数据来源有3个，分别是互联网数据、智能扶植驾驶数据和具身智能数据。

周而进：具身模子不是只靠一种数据就能训出来的。

如果仿简直物理引擎富余强，能模拟出实在寰宇的战役力、摩擦力和碰撞反馈，那么仿真数据的价值就会极大教训。

但在咫尺的阶段，特等是触及到复杂的触觉和微弱操作时，实在交互产生的硬核数据依然是不可替代的。

况且互联网数据、自驾数据、具身数据，这三类数据在模子里承担的变装是完全不同的。

互联网数据提供的是谈话和见地层面的详细智力，它让模子厚实"什么是什么"；自驾数据提供的是在怒放环境中搪塞长尾事件的教学；而具身数据填补的是物理交互和战役这一块，这是前两类数据完全无法袒护的。

量子位：三者有固定的搀杂比例吗？

周而进：莫得，凭阐述验末端动态退换。

咫尺具身数据确乎相对少，但跟着汇注畛域的扩大，它的占比一定会快速飞腾。

量子位：其中哪种会是改日试验具身模子的主导类别？

周而进：咱们并不认为改日一定是某一种数据占十足主导。3类数据在不同阶段承担不同权重。

量子位：你们提到"熵在那里，数据就投向那里"，这句话奈何厚实？

周而进：不错厚实为决定数据汇注的要害变量是环境的可描绘性与熵（不治服性）。

最高效的法式一定是"概况闭环的法式"。

如果数据采总结弗成教训模子的泛化智力，或者采总结的全是重叠的、低质料的动作，那仅仅在滥用算力。

咱们咫尺的计谋是，先通过模子发现哪些任务是它干不好的，即"熵值高"的地方，然后针对性地去补那部分数据。

这就叫以需定采，让数据汇注也具备反馈闭环。

环境章程明确的场景，数据即是遐想的产物。咱们不错充分走漏算力可扩展的上风，通过算力进业绩态空间的探索。

高熵场景充满不解的语义，东谈主类偏好，还有怒放寰宇的不治服性。这种情况下数据即是教学的映射，必须依赖实在交互，从各样教学中归纳。

纯粹说，物理章程精练治服的部分用算力生成数据，物理拖拉或语义拖拉的部分用真机汇注，这样才能责罚长尾问题。

对于数据汇注容颜

量子位：你们的数据汇注容颜好像很独到，不单采具身机器东谈主的双臂动作。

周而进：咱们作念的是全身全域全时的汇注。

量子位：什么是"全身全域全时"？

周而进：全身，指数据汇注要包含底盘的搬动、躯干的调解以及统共传感器的反馈。

具身智能是操作与导航的颐养，你弗成把路走得好和手干得好闭幕来看，数据必须包含全身的协同。

全时强调的是数据的流畅性和因果链。

数据汇注弗成只拍下某个短暂，要从意图产生、旅途辩论到动作履行，甚而是中间出错、修正的全流程都记载下来。

正常东谈主类对话，我问你"卫生间在哪"，你手一指，说"在那"。

这个流程中你讲了一个场所代词，又作念了一个肢体谈话。这些东西其实是咱们认为概况跟东谈主万古分，或者说24小时全时共处的一个机器东谈主他就应该具备的智力。

全域是空间域，相对其他两个，这个暂时照旧一个改日辩论。

量子位：汇注这种数据是一出手起点就这样，照旧走了其它容颜临了取舍了一种最work的？

周而进：咱们从一出手去作念数采的时候，就奔着要把全身的数据、全时分段的数据、全空间场景的数据都给袒护了，其实即是奔着一个更通用的主见去作念。

都说具身智能具身智能，那东谈主类的全身的数据你是不是都应该采到？

如果我今天只作念桌面的双臂捏取机器东谈主，你好像只消用双臂就行了。

但实在的东谈主类动作不唯有双臂和双手的动作。流程中你可能要弯腰，你可能要蹲下；如果要把东西递出去，需要伸手……需要各式肢体谈话。

具身智能的数据弗成只关注手部动作，应该要用举座性的、流畅的来训。

量子位：这样呕精心血地汇注，能带来什么后果呢？

周而进：全身全时全域的汇注是为了搪塞物理寰宇的无穷长尾。

如果汇注不够全面，模子就会堕入无穷打补丁的窘境。

对于新发布的具身三件套

量子位：此次除了DM0，你们还发布了一个开源的具身框架Dexbotic2.0，以及解锁具身期骗量产使命流的DFOL。动作不少。

周而进：Dexbotic2.0是咱们集结RLinf全部打造"具身智能畛域的PyTorch"。

它取舍模块化架构，视觉编码器、LLM模块、动作民众模块都不错像乐高相通开脱组合。

咱们集结了清华、无问芯穹共建，主见是竣事具身操作与导航、效法学习与强化学习的颐养。

DFOL则用来解锁具身期骗量产使命流。

传统非标自动化领有极快的节拍和极高的治服性，但活泼性差，难以妥贴频频换线；东谈主工则具备极强的通用智力和时髦操作妙技，nba下注app下载然而效劳低、资本高且安谧性不及。

DFOL正处于这两者之间最有价值的使命区间，它依托相对通用的硬件，通过庞大的学习智力竣事快速换线，以模子界说功能，并对复杂多变的输入具备极强的柔性妥贴智力。

既能保持较高效劳与治服性，又领有接近东谈主类的活泼性和妥贴性

咱们用三个野心评估它：

顺利率（接近100%的流畅无故障功课）

动作质料（毫米级甚而更高的定位精度）

节拍（即模糊率，决定ROI）

对于具身模子的操心

量子位：DM0模子里面用到了空间推理念念维链（Spatial CoT），这和大谈话模子的推理念念维链（CoT）的本质区别是什么？

周而进：大谈话模子的CoT主淌若一维的语义推理，具身智能濒临的挑战是三维的物理寰宇。

空间推理的推理中枢是"空间"，具备实在操作场景中的空间厚实、时序组织与畅通适度智力。

面对"打理一下桌面"这种拖拉辅导，模子不是径直输搬动作，而是先进行子任务掂量与辩论，然后完成物体识别与精治服位。

它必须把视觉特征更动为精准的空间坐标和轨迹，这是一种空间维度的推演。

量子位：在纯文本大模子里，推理错了可能仅仅天南地北；但物理寰宇里的动作一朝出错，可能形成损坏、危境或不可逆的后果。

周而进：对。是以空间推理念念维链通过"子任务-识别定位-2D轨迹-3D动作映射"的闭环，确保每一步推理都与物理现实对都。

它模拟"介入寰宇"后的物理反馈，从而弥合感知与履行之间的断层。

这类空间推理是DM0模子的遐想中枢。

量子位：空间推理念念维链能带来什么后果？

周而进：伙同高分辨率的输入，他能让模子在毫米级精度的任务中（如工件摆放）识别细微的位置互异。

莫得这种层层递进的推理，模子无法学会物体左偏移2毫米意味着什么，但通过空间推理后就能遐想并履行这种互异。

普通的CoT无法告诉你杯子向左偏移2毫米意味着什么，但Spatial CoT必须能遐想并履行这种互异。

对于7x24运行

量子位：对于数据闭环、物理直观的形成，还有熵，你都在说"越早越好"。

周而进： 统共东谈主都知谈，机器东谈主要上岗要运行，但什么时候跑是一个很现实的问题。有的团队是先作念demo，先作念手艺，再接头落地；咱们是反过来。

咱们一出手就想，这个东西必须7×24小时运行，越早跑起来越好。

惟有实在跑起来，才有实在数据。

你的模子再明智，如果没罕有据回流，它恒久学不会实在场景中的问题；你试验里莫得的东西，只可靠在跑的时候补总结。

况且越早跑起来，工程的安谧性问题越早流露，你就能越早修。

今天demo作念得再好，一朝你要上岗7×24，你就会发现电源、汇集、录像头、支架，甚而天气、光照，都会出问题。

量子位：原力灵机的模子还是7x24在跑了吗？

周而进：咱们咫尺还是在多个时势作念部署，不是demo式的部署，是7×24的实在运行。

哪怕刚出手顺利率不高，也要跑起来。

对于良好操作

量子位：你们把工场里的物流场景是具身智能期骗的弥留延长。

周而进：是的。

量子位：为什么从物流作念起？

周而进：具身咫尺很难说脱离场景，一定得在一个相比明确的场景底下来作念这件事情。

咱们今天作念物流有明确的产线，有明确的陡立料的逻辑。

在这个场景上头，先把该干的活干好，然后一步一步去拓展智力。

灵机在物流场景里作念了一个轮式双臂机器东谈主，专门用来作念物料分拣。物料分拣履行上杰出复杂，物料有柔性的，有刚性的，摆放也很乱，即是在物料箱里玩忽堆满。

要把这些物品一个一个分拣出来，有好多传统的法式，比如用吸盘。但问题是吸盘对于柔性材料，对于名义不色泽的物体不work，有各式各样的corner case。

在这样一个明确且受限的期骗场景下，咱们的主见是探索能否让机器东谈主竣事24小时不休止运行，餍足履行需求。

量子位：奈何厚实"物流场景杰出复杂"？光是听起来，莫得什么具体的体会。

周而进：好多时候寰球会被一些大动作诱导，比如能弗成搬箱子、能弗成排闼、能弗成步碾儿。

但真确难的其实是良好动作。

良好动作不是说动作幅度小，而是说对流畅情景变化的适度条款杰出高。

比如一个工件的摆放，你肉眼看可能以为还是放进去了，但对工业来说，差一两毫米即是失败。

这种事情如果仅仅拍视频是看不出来的，一朝简直放到产线上，就会发现顺利率会杰出快地掉下来。

量子位：奈何让具身机器东谈主很好地完成这些良好动作？

周而进：良好动作的前提是良好感知。

如果你的视觉输入分辨率不够，模子看到的寰宇自己即是拖拉的，那背面的推理和适度一定是漂的。好多时候模子它根蒂不知谈咫尺这个工件到底偏了若干。

是以咱们在模子遐想时，会杰出敬重高分辨率输入下的安谧性，而不是只追求推理速率或者模糊。

这又call back了咱们反复强调具身原生。其中一个很弥留的原因即是良好动作没办法靠后期补。

如果模子在最早的试验阶段，从来莫得在高精度、高条款的物理反馈放学过动作，那背面你再加若干章程、加若干工程敛迹，都会杰出勤奋。

对于落地场景

量子位：说说你们的落地场景吧。

周而捷：咱们挑选的是一个最法式化的场景，即是物流工东谈主坐在工位上头，在物料箱上头作念分拣；也有工东谈主是在作念物料箱的搬运，他要从这边的一个AGV把箱子提起来，然后塞到货架上头。

也有工东谈主在作念打包。比如你买了三瓶可乐，工东谈主要拿一个快递箱，里面还要垫一些防震的泡沫纸，临了打包好。

这还是触及到一个东谈主在工场里面全身的动作：往来、蹲起、手部的智谋操作……袒护的场景杰出丰富了。

不外事情要一步一步来责罚。咱们咫尺先解锁的照旧智谋捏取的问题。

量子位：你们奈何看待不同场景的优先级？为什么先作念物流，而不是一上来就作念家庭之类的其它场景？

周如进：家庭场景确乎是让统共东谈主都杰出开心的终局，但饭得一口一口吃。

咱们咫尺的计谋是，源头选一个概况相比畛域化、且具备高度可复制性的场景。

这种可复制性包含三个维度。

第一个是生意模式的复制，能弗成形成法式化的进入产出比（ROI）？

第二个是施工难度的适度，环境要相对可控，不会像家庭环境那样极点，复杂多变。

第三个是数据回流量复制， 这是最弥留的——咱们需要在一个场景里快速跑通闭环，让数据能成畛域地回流，用来喂养模子。

量子位：为什么是这三个维度？

周而进：通过这些场景，咱们不错缓慢解锁三个中枢智力。

第一是模子的通用智力，第二是硬件的可靠性，第三是把供应链和资本打下来。

如果径直进家庭，这三座大山很难同期翻畴昔。

量子位：不外你刚才提到，"家庭"是"联想的终局场景"？你们的道路图是什么样的？

周而进：物流不仅有捏取，还有无数的搬运和环境交互。

从物流出手，先作念一些专项智力的居品，进到仓储环境；等智力安谧了，再缓慢推向ToB围聚ToC的场景，比如门店的导流、导客、导购。

临了，当统共的手艺、资本、安全性都经过海量考证后，再往最终的To C家庭标的去走。

这即是咱们说的先物流、后家庭，谨言慎行。

对于寰宇模子

量子位：DM0在遐想中引入了具身空间建模机制，模仿了寰宇模子的范式。你们奈何看待寰宇模子？

周而进：高阶寰宇模子被咱们视为教训模子泛化智力和处理复杂长程任务的中枢手艺复古。

量子位：你们奈何界说寰宇模子？

周而进：咱们对它的界说跟寰球不太相通。

咱们不认为寰宇模子是一个全能的、能径直输出高质料计谋的现实仿真器。咱们更倾向于它是一种模子内的寰宇厚实容颜，它的要害点是你有莫得办法在不履行动作的前提下，推理出这个动作在面前环境下会带来什么末端。

这个东西才是中枢。

如果你每作念一个动作都要试一下、都要采一次反馈，那太慢了。

寰宇模子的趣味是让你在心中模拟一次末端，然后挑最优的那条旅途去作念。

量子位：它不是让你径直输出末端，而是让你学会奈何模拟。

周而进：对。

咱们咫尺也在尝试让寰宇模子具备空间和时分上的脑补智力。

即是说，当它看到前几帧时，它能弗成遐想出接下来几帧会发生什么。或者说，如果我咫尺想作念一个动作，它能弗成在履行之前，先掂量这个动作在物理寰宇中可能发生的后果。

咱们也会跟DM0这样的具身模子作念伙同，让寰宇模子的输出能对动作辩论起到维持作用，但不是说它能颓落责罚统共问题。

更像是一个匡助你决策的inner loop，而不是一个全能planner。

对于终极主见与节律判断

量子位：除了落地家庭外，具身智能机器东谈主还有更远方的终极主见吗？

周而进：我以为具身智能最终一定会走向领有平方社会身份的阶段。

但这个流程一定是分阶段的。需要锻练可靠的硬件形态，需要模子能用当然谈话与东谈主调解完成任务，也需要用户在热沈上形成信任。

量子位：什么叫领有平方的社会身份？

周而进：咱们里面盘问过一个很道理的见地，叫"机器东谈主领有我方的支付宝"。

机器东谈主去履行一个任务，比如去超市帮主东谈主买一瓶水，或者在园区里调用了另一个自动化开导的办事时，它不错具备颓落的支付和结算智力。

这种社会身份的开导，背后需要责罚的是机器东谈主的信用体系、支付体系以及遭殃追念体系。

改日的具身机器东谈主会像咫尺的智高手机相通，是一个社会化接口。领有支付智力仅仅第一步，领有平方的社会身份才是它成为真确AGI的标记。

为什么是原力灵机来作念这件事？

量子位：早前旷视里面有问"why me"的文化。咫尺我方出来再创业，你以为为什么要来作念具身这件事？

周而进：第一个我以为是说，具身这件事，不是你纯粹的去踩点数据，或者把互联网上咫尺各式的数据整合一下就概况作念出来的。

它触及到软件和硬件，尤其是它触及到海量的跟物理寰宇的交互。是以咱们以为源头你要有场景。

对咱们来说的话，物流其实即是一个杰出好的场景。

举个例子，比如说在物流里面，你说分拣物料它颖慧，然而你真把机器东谈主搬进去，这背面有好多的事情——对接表层业务系统？加入具身机器东谈主后，你改变了统共这个词活水线的节律节拍，对吧？你如果东西掉地上了，你有兜底决议吗？

统共的这些东西，都是这个具身到底能弗成进到这个场景里，从而带来所谓的数据飞轮的前提。

那如果你搞不定这些东西，那你今天只可去工场里面摆个拍个视频。

量子位：那为什么是你们这群东谈主来作念这件事？

周而进：其实看一家公司能弗成成，中枢看这几个成分：模子智力、硬件智力、行业剖析和工程落地。

咱们团队的单干杰出明确且闭环。

唐文斌是CEO，他不仅有极强的生意强横度，更弥留的是他能把这帮东谈主聚在全部。

我和汪天才讲求基模试验，咱们对大畛域参数、多源数据混训有历久的实战教学。

范浩强讲求前沿算法探索和软硬件协同，这是最难的部分。

咱们这个组合不是临时凑的，是经过历久考证、有默契的组合。

One More Thing

周而进在AI畛域真刀真枪作念了13年了。

咫尺遇上新一轮风口，他和昔日同伴们全部再战具身智能。他说，寰球老把AI时间分离红AI 1.0和AI 2.0时间，听起来给东谈主一种割裂感。

但其实不是这样的。身处其中，你是能不雅察和嗅觉到手艺的发展的。

因为AI 1.0时间崭露头角的时候太过年青，是少年天才，以至于周而进和范浩强、汪天才等东谈主，放在这一波AI创业队列中来，还是曲长年青。

咱们问他，你有什么提议给咫尺的年青东谈主吗？不管是搞信奥的照旧搞AI的。

周而进蹙眉头想了两秒，遽然捧腹大笑：

年青东谈主才不心爱听提议呢！干就罢了！

DM0手艺敷陈：

https://dexmal.com/DM0_Tech_Report.pdf

— 谅解AI居品从业者共建 —

📚「AI居品常识库」是量子位智库基于历久居品库跟踪和用户行为数据推出的飞书常识库，旨在成为AI行业从业者、投资者、考虑者的中枢信息要津与决策维持平台。

一键关注 👇 点亮星标

科技前沿进展逐日见