（来源：上观新闻）
我们对 AI☯🇦🇺 的期待，说♐起来非🤥常简单：给最好📻的方案、🦑🐫最准确的代码、最😽精确的回答📒❗。尽管拥🈶有智元背🇪🇸🕳景，但🇵🇲♍擎天租的🦞商业逻辑从未止🌉步于单一品牌🇲🇹的渠道🧣。愿意付费的💬🇹🇫用户，🦊往往也是⬆使用最重的用🔞👩🚒户；而💹🤬高频使用，意味🆓🍊着更高🇨🇨🍥的算力🎅消耗🐎。这种并行产生⛴♐的内心独白，是🛠📕模型为接☄🍾下来的回答所做的🕋知识储备👘。
近段时间以来🐐🕦，已有🔟✉不止一名苹🍺😟果员工跳槽至🛣谷歌 Dee🏛pMind🇹🇫。换句话说，⛹🍲在机器人任务上🔨真正重🎞🦠要的模🇵🇸型能力改进，🐩并不必然🇼🇸🇬🇷反映在🚞训练损失的变化上👐，这也🖐🚢解释了为什么单纯🇹🇰🇲🇺在具身场景数据▶🍒上微调VLM（那🎍样做同样会🌎降低训练损🌵😗失）却🎵🌤未必能3️⃣改善机器人🐜❣任务表现🦄🇰🇼。
我把这类需求叫🧛♀️🔓「非标性需求」🈷。近段时间以来，🇬🇼已有不止一名苹果🇸🇰员工跳槽至🐹↘谷歌 DeepM🏭ind🔳🧖♀️。当时猿辅📧🚝导的斑马已经是🤠🚆先发者，🗑🍞我们是后发🙁。急救技🇮🇸⛰能的教学😩与考核，长期以⛷👽来依赖人工评🐒🇳🇨判，效率低、📞⬛标准也不统一🆎。（来源：N🔀🌜ature🕔🙎 Electr🔂🇩🇿oni🧴🇰🇲cs） 相关论文🤘以《面向💸🅿神经形态图像📈🇸🇴传感器的单二极👭👨👩👧👧管集成光🈚👐感知、🇪🇪❗记忆与处理功能☯器件》（A👕 singl🏓e diode 🗡🐂with in😑tegrated🕒🕰 pho🥯tosen🇧🇦🛌sing,🔻 memo🇰🇷💉ry a🇵🇼nd pr🇫🇷ocessing🐋🇨🇼 for neu🏮rom🏚orphic🥧 im🍜age se🇮🇸nsors👨🚀🇦🇸）为题发表在🦟🍪 Nat🎟ure E🇸🇨🥨lectr🕳onics🈲🌩[1]☀💍。
