搜索
具身智能正在进入数据 scaling 时代。Vision-Language-Action（VLA）模型让机器人可以从大规模示教数据（demonstrations）中学习更通用的操作策略。但对机器人 VLA 训练来说，数据并不总是越多越好：低质量数据可能会拖累模型性能，而每一条 demonstration 都意味着昂贵的人力采集、机器人运行，以及云端存储和训练成本。
今晚活动结束不到半小时，我从旧金山 Jackson Square 的 Canopy 办公室四楼走出来，脑子里还在转。十个团队，每人上台做 live demo，直接把产品打开给大家看。我觉得这个形式非常好，它逼着每个人真的做出来，而不是靠一叠 deck 撑场面。
当大模型应用进入深水区，决定一个 Agent 体验上限的，早已不只是 "答得对不对", 而是 "能不能持续记住同一个人"。
近日，穗升科技首款产品Memoket在海外正式开启预售。这是一款AI Memory可穿戴硬件，仅11克，分表带款和手环款两种形态，待机超过30天，连续录音续航20小时。它可以将物理世界中所听到的信息结构化，需要时调给Agent，实现跨时间聚合和Context（上下文）串联。
最近硅谷最火的岗位，非FDE莫属。FDE全称“Forward Deployment Engineer”，可以直接翻译成“前线部署工程师”。他们既要懂模型和技术，也要理解客户的数据、流程和业务痛点，核心任务是把AI从demo变成各个职业自己的AI-native工作流。
押注 AI 的 Memory Layer。
在做 Agent Memory 工程化探索的这几个月里，我经常有种被概念淹没的窒息。图结构记忆、AutoMemory、做梦机制、各种层出不穷的 Memory 框架……整个技术社区似乎陷入了一种每遇到一个新场景就要发明一套新词汇的群体焦虑中。
模型还不够完美，但机器人必须开始干活。Ferrata 想解决的，正是 Physical AI 从 Demo 走向真实现场之前，最缺的那层安全绳。
6 月初，一则关于爆款 AR 手游《精灵宝可梦 GO》（Pokémon GO，以下简称《宝可梦 Go》）的消息开始发酵：有报道称，Niantic（《宝可梦 Go》开发商）过去通过玩家收集的现实世界图像和空间数据，正被用于训练一种可能服务于无人机导航的人工智能系统，而合作方之一 Vantor 与军工、国防场景存在关联。
当 LLM Agent 处理长期对话、多轮交互和复杂文档时，Memory 已经成为不可或缺的核心模块。它帮助智能体保存历史、检索信息、维持个性化上下文，并支撑跨时间的推理能力。