Jin Lei, desde Aofeisi
QbitAI (Quantum Bit) | Cuenta oficial QbitAI
Qué contraste tan grande.
Una empresa fundada en Shenzhenque acaba de cumplir tres mesesse ha definido claramente a sí misma como dedicada a loschips de encarnaciónpero el primer resultado que ha presentado al exterior es unaserie de modelos fundacionales de encarnaciónllamadaPaimon.
Y el primer modelo de esta serie,Paimon-0en su debut, se adjudicó directamente cuatro primeros puestos:
Veamos primero el de mayor prestigio,RoboColiseum, una tabla construida por casi 20 universidades, empresas e instituciones de investigación de todo el mundo, entre ellas Hugging Face, NVIDIA y la Universidad de Tsinghua, y que recientemente ha sido foco de enorme popularidad en el círculo de la encarnación; Paimon-0 se ubicó en el primer puesto con 0.7754 puntos.
Hay que saber que esta tabla recién invitó al campo de competición a modelos grandes multimodales de propósito general como GPT-6 Astra, Claude Opus 5.5 y Gemini 4 Argon:
Aunque las puntuaciones de los modelos grandes en seguimiento de instrucciones y comprensión espacial son ciertamente llamativas, en la subtabla de operaciones generales, que exige ponerse manos a la obra de verdad, el 0.6613 de Paimon-0 sigue siendo el más alto de toda la competición, y también lidera la subtabla de adaptación a perturbaciones.
RoboCasa365es un benchmark multitarea a gran escala para políticas robóticas de propósito general, que incluye más de 2500 escenarios de cocina simulados, 365 tareas cotidianas y más de 2000 horas de datos de interacción; selecciona 50 tareas y evalúa la capacidad de generalización en tres niveles: composiciones visibles atómicas, composiciones visibles y composiciones invisibles. Paimon-0 encabezó la clasificación con una puntuación global de 58.1.
VLA-Arenaes una tabla de evaluación de código abierto para modelos de encarnación de propósito general, centrada en pruebas sistemáticas de seguridad y capacidad de resistencia a interferencias, y admite comparaciones entre modelos; Paimon-0 logró una tasa media de éxito de 0.73, quedando en el primer puesto.
Al mismo tiempo, Paimon-0 participó en el concurso delIROS Workshoporganizado por Qiyuan Robotics, una pista centrada en políticas de robots de doble brazo, que incluye una evaluación en línea simulada y una validación física presencial; Yanxi Power terminó ganando el campeonato con una puntuación total de 46.599, validando la capacidad de las políticas de extremo a extremo en operaciones de doble brazo.
Y los contrastes no se detienen ahí.
Antes de hoy, los resultados de esta empresa aún no eran públicos (incluso había muy pocas noticias sobre ella), ¡y su solución ya contaba con clientes que la habían encargado!
Concretamente, un cliente envió dos componentes de un brazo robótico al laboratorio de la empresa y, tras instalar su esquema de control, un registro de aceptación en la misma máquina mostró que, con un ciclo de control de 1kHz, el peor error de llegada del ciclo de control EtherCAT pasó de 30 microsegundos en modo software a 152 nanosegundos en modo hardware FPGA, es decir, a aproximadamente1/200。
En modo software, la temporización del control depende de la planificación por software de la CPU, por lo que es propensa a fluctuaciones causadas por interrupciones del sistema y cambios de tareas; el modo hardware FPGA traslada el control de determinismo temporal a la lógica de hardware, por lo que el error se reduce drásticamente.
Incluso el propio cliente al principio no se atrevía a creerlo, pero tras realizar verificaciones repetidas, los hechos son así.
Entonces, ¿quién es este caballo oscuro de Shenzhen? Sin más rodeos, es炎曦动力 (Primotion)。
Aunque los resultados merecen reconocimiento, surgen las preguntas:
¿Por qué una empresa de chips entrega primero una respuesta en forma de modelo? Con solo tres meses de vida, ¿cómo logró estos resultados?
Con estas preguntas en mente, mantuvimos una conversación profunda con el equipo de Primotion.
¿Por qué una empresa de chips empieza por los modelos?
Para responder a esta pregunta, primero hay que ver qué tipo de solución pretende construir Primotion en torno a los chips encarnados (embodied chips).
La plataforma de software de inteligencia encarnada de Primotion conecta mediante interfaces de modelos abiertos los modelos de clientes, los modelos de código abierto y el modelo de referencia Paimon, cubriendo todo el flujo: adaptación de entrenamiento, optimización de despliegue e inferencia en producción.
En el lado del entrenamiento, una canalización de procesamiento de datos y la post-entrenamiento de modelos adaptan tareas específicas; la cadena de herramientas de despliegue ofrece cuantización y destilación, compilación y optimización de inferencia, y validación y evaluación en robots reales; en el lado de la ejecución, el cerebro meta en la nube se encarga de la planificación de tareas y la recuperación ante fallos, el cerebro local en el dispositivo realiza la inferencia de políticas, y el runtime encarnado coordina la sincronización de datos y la ejecución de acciones.
La retroalimentación de la ejecución se evalúa mediante el Progress Model propio Paimon-Eval y entra en el proceso de auto-mejora RSI, impulsando la iteración continua del modelo, mientras que real2sim proporciona asistencia de simulación para este proceso. La capa inferior está soportada por la pila de software embebido y el hardware de control de cómputo, conectándose con el bucle de control local del robot.
Primotion quiere conectar estos eslabones y, en torno a un SoC de cómputo-control integrado y controladores de dominio, formar un conjunto de soluciones de hardware y software que pueda entregarse en manos de los clientes.
Este enfoque ya tiene precedentes en el ámbito de la conducción autónoma: Nvidia acompaña su hardware vehicular con software de sistema, middleware y herramientas de inferencia para que los algoritmos de nivel superior se implementen en el chip; la plataforma DRIVE es una referencia típica. Al trasladarse a la pista de la robótica, igualmente hay que aclarar primero la lógica de ejecución de algoritmos, el flujo de datos y la coordinación de tareas para poder orientar el diseño del chip.
Pero con una pila de software tan larga, ¿por qué empezar precisamente por la investigación de modelos?
El fundador de la empresa,任清源dio la respuesta: empezar por los algoritmos y las necesidades reales de los clientes, cerrar el bucle de datos, modelos, Agentes y evaluación, y luego usar los requisitos de cómputo de tareas reales para definir el chip.
Paimon-0 es el primer resultado público de esta línea, pertenece a la serie de modelos base encarnados Paimon de Yanxi Power y es el modelo principal que se ha coronado en múltiples rankings en esta ocasión.
Invertir el diseño del chip partiendo del modelo exige primero delimitar las fronteras de la potencia de cómputo: qué tareas se ejecutan en la nube y cuáles deben correr localmente en el robot; esta división del trabajo determina directamente la carga de cómputo del chip en el dispositivo.
En un contexto donde la industria suele hablar de "colaboración entre dispositivo y nube" pero sin una ruta tecnológica clara, Yanxi Power ha propuesto“Cerebro local + cerebro 元 (meta)"la arquitectura.
CofundadorMa ZhihengNo se puede definir simplemente el lado del dispositivo como el "cerebelo": tras la salida de la planificación por parte de la nube, la posibilidad de concretar la tarea depende esencialmente del lado del dispositivo. Durante la ejecución del robot, es necesario seguir el ritmo de la tarea y ajustar continuamente los movimientos según la retroalimentación visual, táctil y de fuerza, coordinando la temporalidad de la percepción, el cálculo y el control; este tipo de bucle cerrado de alta frecuencia no puede depender de respuestas fotograma a fotograma de la nube, sino que debe completarse localmente. La nube se encarga de la planificación de tareas complejas, y el lado del dispositivo debe asumir correctamente cada paso de la ejecución.
En este sistema, el cerebro en la nube se encarga de la comprensión de escenarios abiertos, la planificación de tareas y la acumulación y reutilización de experiencia en tareas, además de replantear y recuperar de fallos cuando una tarea se atasca o falla; el cerebro local en el dispositivo se encarga de la ejecución de acciones, apoyándose en múltiples tipos de señales de percepción para un ajuste fino en tiempo real. Se puede resumir así:El cerebro central se encarga del primer intento, y el cerebro local se encarga de repetir de manera estable el proceso más de 10,000 veces.
△Nota: el cerebro local corrige los movimientos en tiempo real mediante un circuito cerrado de retroalimentación de fuerza.
Dirección del video:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
La demo de ensaladas de Yanxi Power es precisamente un ejemplo de esta división de tareas: el cerebro meta realiza la planificación a largo plazo, decidiendo qué verduras elegir; el cerebro local se encarga de agarrar y colocar, exprimir la salsa, mezclar y servir:
Dirección del video:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
Ciclo cerrado de iteración de bajo costo para la inteligencia corporificada
Establecida la división del trabajo, el siguiente paso es resolver un problema más práctico: para cambiar de "plato", ¿cuánto le cuesta al cerebro local aprenderlo?
Enseñar a los robots a trabajar, lo más costoso son los datos.
Ma Zhiheng ha hecho un cálculo. Elevar la tasa de éxito de una sola tarea mediante postentrenamiento en muchos casos ya satisface los requisitos del cliente; el verdadero cuello de botella es la recolección de datos: una sola tarea requiere recolectar fácilmente de 500 a 1000 muestras de datos, y tras recolectarlas en el laboratorio aún hay que ir al sitio del cliente a seguir recolectando.
Por eso Yanxi Power apuesta a que los costes de los datos seguirán bajando y quiere un arranque en frío lo suficientemente fuerte: con una o dos demostraciones llevar primero la tasa de éxito de una nueva tarea al 50 o 60 %, y dejar que el resto lo eleven los rollouts y el aprendizaje por refuerzo.
Por ello, Yanxi Dongli ha construido un sistema que incluyeDatos、modeloyAutorrepaso recursivo (RSI)el circuito cerrado del algoritmo.
Capa de datos, el preentrenamiento del modelo utiliza en gran medida videos de operaciones humanas en primera persona, suministrados principalmente por el socio EgoScale (Shenzhen Weilaiyan Technology). EgoScale proporciona a Paimon-0 más de cien mil horas de datos de operaciones en primera persona, con una red de recolección que abarca 160 ciudades de 3 países y más de 12800 escenarios reales, acumulando más de 4 millones de tareas, más de 120 millones de unidades de acción y decenas de miles de muestras de «persona-escenario».
El conjunto de datos abarca la diversidad de escenarios, habilidades, dificultades y hábitos de operación; combinado con un etiquetado de alta precisión de acciones atómicas asistido por IA desarrollado internamente y con trayectorias 3D de cabeza y manos, respalda la capacidad de generalización del modelo y su desempeño en el ranking.
Al mismo tiempo, Yanxi Power construye por sí misma una canalización de procesamiento de datos orientada al entrenamiento de sistemas corporeizados, convirtiendo vídeos crudos en unidades de acción estructuradas, y completando el mapeo de las trayectorias de la mano hacia la mano diestra objetivo, la selección de la calidad de los datos y la adaptación para el entrenamiento.
Dirección del video:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
En segundo lugar, a nivel demodelo, Paimon-0 toma como núcleo el modelo de acción del mundo (WAM). Actualmente, WAM+IDM (modelo de dinámica inversa) es la ruta predominante con resultados destacados: el WAM predice el estado futuro y el IDM genera acciones basándose en los cambios de estado.
Sin embargo, realizar una inferencia continua del video futuro completo implica un alto costo de cómputo y latencia, lo que dificulta satisfacer los requisitos de operación en tiempo real de los robots. Paimon-0 utiliza query tokens para destilar las representaciones centrales del estado futuro, que incluyen la pose 3D de los objetos, la semántica y la affordance de operabilidad, y luego las envía al modelo en el dispositivo para la predicción de acciones.
Este esquema comprime el tiempo de inferencia de un solo chunk de acciones de aproximadamente 3000ms a 300ms, es decir, a una décima parte del original; este indicador corresponde al tiempo de inferencia del bloque de acciones y no equivale al período del bucle de control de bajo nivel.
Después de Paimon-0, Yanxi Power también está entrenando un modelo base ego, igualmente preentrenado con datos de manipulación humana en primera persona, que ya es capaz de controlar una mano diestra para completar. Según se informó, este modelo base ego se lanzará oficialmente en 3 meses:
Dirección del video:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
Por último está elmódulo de auto-mejora, que el cofundador Chang Xinyuan considera el punto de avance fundamental para la implementación de la inteligencia encarnada. Entrenar robots confiando únicamente en una gran cantidad de pruebas e interacciones por rollout dificulta lograr una implementación a gran escala. La verdadera auto-mejora exige que el modelo comprenda la cadena de ejecución completa: percibir el estado actual, razonar el impacto causal de las acciones e identificar la etapa de la tarea, y una evaluación automática generalizable es la base de todo ello. Si falta la capacidad de evaluación automática, las señales de recompensa solo pueden depender de la anotación manual, y la dificultad estructural del alto costo de los datos es difícil de superar.
En torno a este juicio, todo el sistema de auto-mejora se compone de tres módulos que trabajan en conjunto:
- La primera pieza es elgran modelo en la nube, encargado de descomponer tareas, verificar políticas, recuperar errores y producir rollouts exitosos y fallidos a bajo costo;
- La segunda pieza es elPolicy Modeldesarrollado de manera propia en el dispositivo (Paimon-0), que mediante post-entrenamiento con aprendizaje por refuerzo mejora la tasa de éxito y el rendimiento en tareas dominadas;
- La tercera pieza es elProgress Model(Paimon-Eval), encargado de juzgar el progreso de la tarea y localizar los puntos de fallo, proporcionando retroalimentación para el entrenamiento posterior.
Este sistema se apoya en un esquema real2sim, simula trayectorias futuras en el entorno de simulación, fusiona información como posiciones 3D, posturas corporales y retroalimentación de acciones, y luego superpone los estados simulados en la escena real, ayudando al modelo a prever intuitivamente el efecto de las acciones y tomar decisiones.
Dirección del video:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
Obtener señales de recompensa de bajo costo y generalizables es la clave para que los robots se auto-iteren de manera continua, y el Progress Model existe precisamente para convertir los resultados de la ejecución en retroalimentación de entrenamiento.
Paimon-Eval, entrenado por Yanxi Power, solo necesita un único dato de demostración para el aprendizaje en contexto y ya puede discriminar las fases de ejecución de tareas nuevas desconocidas. Tomando como ejemplo la tarea de doblar toallas, cuando se ejecutan múltiples rollouts en paralelo, puede identificar de forma continua en qué etapa se encuentra la ejecución —buscar el objetivo, agarrar, doblar, alinear, confirmar— y generar una curva de progreso de la tarea.
Dirección del video:
https://mp.weixin.qq.com/s/cSD3nAlAJj1LPH28Qbcb_A
Según Chang Xinyuan, Paimon-Eval está previsto que se publique como código abierto entre los meses 11 y 12, con versiones de múltiples tamaños. El equipo amplió su escala de entrenamiento a decenas de miles de horas y adoptó un paradigma de entrenamiento task-centric, lo que le permite reconocer el progreso de la tarea y la calidad de la ejecución a través de diferentes operadores y distintos robots.
Sobre esto, Ren Qingyuan añadió que, en última instancia, los algoritmos deben volver al despliegue. Si los datos recogidos son efectivos y se pueden etiquetar automáticamente, cuánta capacidad conserva el modelo tras la cuantización y la destilación, y su rendimiento real sobre el robot, todo ello debe ser verificado de forma continua por el sistema de evaluación. Solo encadenando estos pasos en un flujo automatizado es posible que el bucle de cierre del algoritmo se convierta en un producto verdaderamente entregable.
Aclarada la ruta técnica, veamos ahora cómo se formó este equipo.
Un equipo compuesto de chips, IA y robótica
La historia de Yanxi Power hay que contarla desde el“margen de anticipación”de un hombre de los chips.
Este experto en chips es Ren Qingyuan, CEO de Yanxi Power. Es experto en ciencia y tecnología tanto a nivel provincial de Guangdong como municipal de Shenzhen; durante su etapa como vicepresidente en una empresa líder de chips RISC-V, dirigió al equipo que logró la producción y entrega en masa de chips, elevó los ingresos de la empresa desde decenas de millones hasta varios cientos de millones de yuanes, con pedidos acumulados que superaron los 1000 millones de yuanes.
La empresa en la que Ren Qingyuan trabajaba antes desarrollaba procesadores RISC-V propios y poseía la microarquitectura central; él siempre estuvo buscando una nueva plataforma de cómputo. A comienzos de 2025, la robótica entró en su campo de visión, aunque en aquel momento parecía que solo servía para hacer exhibiciones; fue a mediados de año cuando descubrió que la gente empezaba a implementarla, con firmas de contratos y entregas llegando una tras otra.
En opinión de Ren Qingyuan, esta es precisamente la ventana de entrada para las empresas de chips:
No puedes ponerte a trabajar cuando la ola ya llegó; en ese momento los clientes ya están usando los chips de otros.
Así nació Yanxi Power. Y su socio de algoritmos reclutado resultó ser una pareja de compañeros de estudio.
Ma Zhiheng y Chang Xinyuan proceden ambos del Instituto de Inteligencia Artificial y Robótica de la Universidad Jiaotong de Xi'an, donde fueron alumnos del profesor Gong Yihong. Gong Yihong es IEEE Fellow, uno de los primeros investigadores de aprendizaje profundo en China y fue director del Instituto de Investigación de NEC en Silicon Valley, un instituto del que salieron un gran número de líderes de la IA como Yu Kai, Lin Yuanqing y Zhou Xi.
El hermano mayor, Ma Zhiheng, es profesor titular asociado contratado y director de tesis doctorales de la Escuela de Microelectrónica de Cómputo de la Universidad de Shenzhen de Ciencia y Tecnología, además de emprendedor en serie. Ganó el premio “Yunfan” de la Conferencia Mundial de Inteligencia Artificial (WAIC), ha publicado más de 50 artículos en conferencias de élite como autor principal, acumula más de 3000 citas en Google Scholar, y ha sido area chair de conferencias como NeurIPS e ICML; se dedica desde hace mucho a la investigación en visión por computadora e inteligencia embodied.
Y es precisamente este académico quien opina de Ren Qingyuan que “entiende mucho de chips y también comprende rápidamente los algoritmos”.
El hermano menor, Chang Xinyuan, proviene de una gran empresa tecnológica: antes fue responsable técnico de la línea de inteligencia embodied en el Centro de Tecnología Visual de Amap, donde dirigió proyectos de inteligencia embodied de propósito general como ABot-M, ABot-PhysWorld y ABot-Claw, y acumula más de 2000 citas en Google Scholar. Su motivo para dejar la gran empresa fue muy práctico: la inteligencia embodied requiere que algoritmos, datos, robots reales e incluso chips iteren juntos en toda la cadena, y el desarrollo del modelo debe ir pegado al chip de borde.
Entre los algoritmos y los chips, hacía falta alguien que conectara el eslabón del control, y ese es el cofundador Zhang Dongjun. Él se encarga del diseño de dominio, la comunicación en tiempo real y las soluciones de determinismo temporal; dirigió el desarrollo y la implementación de controladores de movimiento y sistemas de drones en Googol Tech y DJI, fue uno de los primeros doctorandos del eminente experto en robótica, el profesor Li Zexiang, y ya en 2005 comenzaba a investigar manos robóticas diestras.
Los cuatro se reparten las áreas, mientras Ren Qingyuan supervisa la estrategia en Yanxi Power y vigila también el SoC de cómputo-control integrado, los controladores de dominio y el stack de software correspondiente.
En solo dos meses, Yanxi Power creció hasta unas 50 personas. Además del equipo de algoritmos que está en el centro de la escena, bajo la superficie se esconde un equipo de hardware y sistemas formado por veteranos de los chips; son de los pocos en China que han llevado dos veces desde 0 a 1 chips grandes hasta la producción en serie de decenas de millones e incluso más de cien millones de unidades. Los tres grupos, unidos por una cultura de ingeniería común, parten de los tipos de tareas para inferir en sentido inverso la arquitectura del SoC y la microarquitectura.
Por cierto, el nombre Paimon lo pusieron los jóvenes del equipo de algoritmos, tomado de un personaje del juego Genshin Impact. Ma Zhiheng dice con una sonrisa que en la industria ya se estaban quedando sin letras griegas para nombrar a los modelos, así que mejor elegir un nombre en clave interesante y fácil de pronunciar.
La IA es importante, pero no lo es todo
¿Recuerdan el error de temporización de control que se redujo a aproximadamente 1/200 del original del que hablamos al principio? En realidad, muchas veces los problemas del robot no están en el modelo.
Ren Qingyuan compartió una serie de experimentos: en chips de NVIDIA, con el esquema de conexión de cámaras habitual en la industria, desde la captación de luz de la cámara hasta la lectura de la imagen por el modelo transcurren el preprocesamiento de imagen, las transferencias de memoria y las esperas de sincronización, de modo que toda la cadena tarda casi lo mismo que una única inferencia del modelo. Para un robot de alto frecuencia en bucle cerrado, aunque la inferencia del modelo sea muy rápida, si los datos no llegan a tiempo, las acciones se retrasarán igualmente.
Esta es también la diferencia clave entre la arquitectura de cómputo de los robots y la de la conducción autónoma: la conducción autónoma puede tolerar cierta latencia, mientras que los robots realizan operaciones de contacto, lo que exige frecuencias de control más altas; la latencia y el jitter provocan directamente desviaciones de trayectoria, agarres inestables y fallos en el control de fuerza.
La solución de Yanxi Power es montar una FPGA en los periféricos del controlador principal existente y descargar en ella las tareas de preprocesamiento y posprocesamiento previas y posteriores a la inferencia del modelo; está previsto que la mayor parte de este RTL se integre posteriormente en el chip propio, y la optimización del error de temporización de control es precisamente un caso típico de ajuste de la cadena de hardware. Como dice Ren Qingyuan:
Todos los problemas de ingeniería, en realidad, son hacer cheating dentro de las restricciones de la technology existente.
Pero el hardware es solo una parte. Ren Qingyuan suele decir: a la larga, las empresas de chips son, en esencia, empresas de software. En la cadena de industria del PC, el firmware y la integración de sistemas corren a cargo de fabricantes especializados, mientras que en el sector robótico faltan este tipo de actores complementarios y ese trabajo solo puede completarlo el fabricante de chips. Aterrizar chips nacionales es difícil y muchos de los cuellos de botella están en el stack de software. Yanxi Power aspira a construir una solución completa de extremo a extremo, tomando como referencia el enfoque de NVIDIA para la robótica.
En cuanto almodelo de negocio，任清源也给出了他的方案：
El cliente no tiene nada, compra una caja con hardware y software integrados: «conectar un cable de red y se puede usar directamente»; si solo quiere el chip, también se vende. El margen bruto proviene del chip, el software es más bien un tema de ecosistema, así que todo lo que se pueda abrir de código se abre.
Al mismo tiempo, para que el ROI sea positivo, el objetivo de Yanxi Power es comprimir los costos de recolección de datos y post-entrenamiento a menos de un décimo del precio del cuerpo del robot, incluso lograr que los propios operarios de la línea de producción recojan datos y entrenen modelos hasta que el robot esté en línea y funcionando.
Tras tener claro qué hacer, Yanxi Power también se trazó sus propios límites —
Yanxi Power no fabrica cuerpos de robot, no disputa ganancias con las empresas de modelos ni con las de cuerpos, y tampoco hace «un chip para múltiples usos».
De cara a la evolución futura del sector, Ren Qingyuan expresó con mucha franqueza que en los próximos dos años sin duda habrá cambios, y que la clave está en contar o no con un marco racional de juicio. En opinión de Ren Qingyuan, el cuello de botella de los modelos y el de los chips son causa y consecuencia mutuas; en algunas acciones rápidas, los circuitos de percepción no logran seguir el ritmo, y por muy buenos que sean los algoritmos, no sirven de nada.
Lo que Yanxi Power quiere hacer es, en primer lugar, mejorar la latencia de extremo a extremo y la cadena de cómputo, rompiendo el círculo vicioso del huevo o la gallina. Según el plan, su chip de diseño propio comenzará a entregarse en 2028.
Esta idea de "dar un empujón desde la capa más baja" ya estaba, de hecho, inscrita en el nombre de la empresa. El nombre en inglés de Yanxi Power, Primotion, proviene del concepto aristotélico del "primer motor": quieren ser ese "punto de origen del movimiento" en el mundo de la IA física.
Y el destino final de la inteligencia encarnada sigue siendo, en última instancia, un sistema inteligente capaz de actuar de manera estable en el mundo real; por grande que sea el modelo, es solo una parte de todo ello.
En este camino, Yanxi Power apenas está comenzando.
(PS: Yanxi Power está reclutando talento en las áreas de algoritmos encarnados, sistemas robóticos, cuantización de inferencia y diseño de chips; pueden enviar su currículum o intenciones de colaboración a hr@primotion.ai.)