即刻App年轻人的同好社区
下载
置顶
今年连续比了四次 Hyrox，因此一整个周末已经不下 20 个人转我 Hyrox 北京赛场豆汁女郎的喷射图了，多到我即使不在现场都感觉已经吃了一些了；网上黑子真是太多了，都是一帮子没去过的穷逼在那里酸，tm 只有去过的才知道什么是屎味好不好
17 56
本文由Meshy创始人胡渊鸣撰写，针对GPT-6 Astra的发布，系统分析了其对3D AI产学研领域的实际影响，核心观点可归纳为四个维度：
一、Astra的核心突破：GUI操作自动化
Astra的最大价值在于将AI能力从CLI（命令行）延伸至GUI（图形界面），可自动化完成订餐、填税表、DMV预约等依赖图形界面的日常任务，同时通过Coding能力提升软件开发效率，空间理解能力强化3D场景逻辑，本质是推动“计算机操作全面自动化”的进程。
二、与Meshy等3D生成产品的关系：互补而非替代
外界误认为Astra会取代3D生成工具，实则是混淆了“理解能力”与“生成能力”：
• Astra擅长通过Coding和Agent能力解决参数化建模、CAD零件生成、低模/机械资产创建等结构化任务，但缺乏对细节（如布料纹理、角色表情精度）的精准还原能力；
• Meshy等工具基于Diffusion/Flow Model，专注于高保真3D模型生成（如7.1版本的4K mesh可还原布料纹理），推理效率更高（分钟级vs Astra的十几分钟），两者技术范式不同。
未来更可能的协作模式是：Astra作为“理解层”驱动Meshy的API，生成复杂场景的骨架，再由Meshy完成细节填充。
三、对Mora架构的利好：需求与技术双驱动
Mora作为“AI for Fun”的开放世界实时架构，受益于Astra的两方面进展：
• 需求端：Astra加速AGI落地预期（作者预测400天内实现），凸显“人类工作被替代后，娱乐体验需求升级”的趋势，强化Meshy“AI for Fun”的使命价值；
• 技术端：Astra的Coding与空间理解能力可提升Mora的3D关卡生成效率，助力实现“低延迟、高可控的虚拟世界构建”。
四、对图形学科研的启示：聚焦Infra与新场景
针对在校生，作者建议避开已被Astra覆盖的“简单3D建模”方向，转向更具潜力的领域：
• GPU/AI Infra：结合图形学对GPU的底层理解，开发Kernel Design Agent等基础设施，适配Hopper/Blackwell等新架构；
• 实时视频与神经渲染：探索下一代图形管线，解决开放世界低延迟生成问题；
• 3D打印设计算法：解决3000万台3D打印机的内容稀缺痛点，让大众可创作个性化设计；
• 几何/仿真底层研究：虽短期难出成果，但能锻炼数理与编程基本功，为行业培养核心人才。
核心结论：Astra本质是“智能层”的进化，而3D行业的“体验层”（如高保真生成、实时交互、娱乐内容）仍需专用模型。Meshy的“AI for Fun”使命不仅未受冲击，反而因Astra释放的生产力而获得更大发展空间——智能与体验，终将由不同模型分而治之。
一、Astra的核心突破：GUI操作自动化
Astra的最大价值在于将AI能力从CLI（命令行）延伸至GUI（图形界面），可自动化完成订餐、填税表、DMV预约等依赖图形界面的日常任务，同时通过Coding能力提升软件开发效率，空间理解能力强化3D场景逻辑，本质是推动“计算机操作全面自动化”的进程。
二、与Meshy等3D生成产品的关系：互补而非替代
外界误认为Astra会取代3D生成工具，实则是混淆了“理解能力”与“生成能力”：
• Astra擅长通过Coding和Agent能力解决参数化建模、CAD零件生成、低模/机械资产创建等结构化任务，但缺乏对细节（如布料纹理、角色表情精度）的精准还原能力；
• Meshy等工具基于Diffusion/Flow Model，专注于高保真3D模型生成（如7.1版本的4K mesh可还原布料纹理），推理效率更高（分钟级vs Astra的十几分钟），两者技术范式不同。
未来更可能的协作模式是：Astra作为“理解层”驱动Meshy的API，生成复杂场景的骨架，再由Meshy完成细节填充。
三、对Mora架构的利好：需求与技术双驱动
Mora作为“AI for Fun”的开放世界实时架构，受益于Astra的两方面进展：
• 需求端：Astra加速AGI落地预期（作者预测400天内实现），凸显“人类工作被替代后，娱乐体验需求升级”的趋势，强化Meshy“AI for Fun”的使命价值；
• 技术端：Astra的Coding与空间理解能力可提升Mora的3D关卡生成效率，助力实现“低延迟、高可控的虚拟世界构建”。
四、对图形学科研的启示：聚焦Infra与新场景
针对在校生，作者建议避开已被Astra覆盖的“简单3D建模”方向，转向更具潜力的领域：
• GPU/AI Infra：结合图形学对GPU的底层理解，开发Kernel Design Agent等基础设施，适配Hopper/Blackwell等新架构；
• 实时视频与神经渲染：探索下一代图形管线，解决开放世界低延迟生成问题；
• 3D打印设计算法：解决3000万台3D打印机的内容稀缺痛点，让大众可创作个性化设计；
• 几何/仿真底层研究：虽短期难出成果，但能锻炼数理与编程基本功，为行业培养核心人才。
核心结论：Astra本质是“智能层”的进化，而3D行业的“体验层”（如高保真生成、实时交互、娱乐内容）仍需专用模型。Meshy的“AI for Fun”使命不仅未受冲击，反而因Astra释放的生产力而获得更大发展空间——智能与体验，终将由不同模型分而治之。
GPT-6 Astra 对 3D AI 产学研意味着什么？
19 15
Waymo联合CEO Dmitri Dolgov在YC Startup School 2026大会上系统复盘了自动驾驶近二十年的研发经验，核心围绕物理AI与数字AI的本质差异展开，提出物理AI落地需跨越四大鸿沟，并分享了七条关键技术经验。
一、物理AI与数字AI的四大鸿沟
Dolgov指出，AI从数字世界进入物理世界（如自动驾驶、机器人）时，必须摒弃“快速行动，打破常规”的互联网逻辑，转向“快速行动，安全发布”，因为物理错误无法像生成式AI那样“重新生成”。两者核心差异体现在四个维度：
1. 试错成本鸿沟：数字AI的错误仅消耗Token，物理AI的错误直接关联人命，无“撤销”按钮。
2. 实时延迟鸿沟：数字AI可容忍数秒至数分钟的响应延迟，物理AI（如高速行驶的汽车）需毫秒级决策，且计算需部署在车载终端而非云端。
3. 数据获取鸿沟：数字AI可依托互联网海量标注数据训练，物理世界缺乏天然的数字化数据集，需通过真实场景积累。
4. 安全验证鸿沟：数字AI可先发布“足够好”的版本，靠用户反馈迭代；物理AI必须在首次部署前就具备极高安全确定性，无法依赖“试错式迭代”。
二、Waymo的七条技术经验
1. 产品演示≠真实产品：可靠性需“指数级”投入
• 演示仅需实现1%的功能（Waymo首个自动驾驶演示仅用18个月），但规模化产品需解决长尾场景，可靠性每提升一个“9”（如从99%到99.9%），难度呈10倍增长。
• Waymo从演示到规模化服务耗时15年，累计完成超2亿英里自动驾驶里程，每周50万次出行，安全记录超人类驾驶员17倍。
2. 技术路线需匹配可靠性目标
• 避免“早期性能陷阱”：选择技术时需预判其长期上限，而非仅看初期提升速度（如传感器方案，弱配置会导致安全性能过早趋于平缓）。
• Waymo采用多传感器融合（摄像头+激光雷达+毫米波雷达），每种传感器对应独立编码器，融合生成统一环境视图，兼顾性能与冗余（如沙尘暴、夜间场景激光雷达可弥补摄像头缺陷）。
3. 乘技术浪潮，更要简化技术栈
• 每一波AI突破（CNN、Transformer、视觉语言模型）都需重构系统，但核心难点是将前沿研究转化为生产级部署，且不增加系统复杂性。
• Waymo推出“基础模型”策略：多模态世界动作语言模型，融合传感输入、理解物理规律、预测动作并与语言对齐，采用“快思考（毫秒级安全决策）+慢思考（语义推理）”双路径架构，统一驱动不同硬件平台（捷豹、现代等），降低车载专用层复杂度。
4. 结构增强型端到端：平衡通用性与安全性
• 纯端到端模型虽易训练，但难以满足物理AI的高可靠性需求；需引入物理规律、交通规则等结构化信息，形成“结构增强型端到端”。
• 优势：支持实时安全验证、混合训练评估（结构化空间+端到端空间）、强化学习反馈，提升Scaling能力。
5. 高保真模拟器是物理AI的“虚拟游乐场”
• 闭环模拟（而非开环被动观察）是物理AI训练与评估的核心，需构建“生成式世界模型”，同时模拟物理规律与传感数据（如Waymo结合DeepMind Genie 3生成极端场景：高速公路飞机降落、金门大桥下雪等）。
• 模拟器与基础模型共享推理能力，可生成现实中罕见的边缘场景，加速AI迭代。
6. 构建“AI Agent+模拟器+评估器”生态系统
• 单一模型不足以支撑物理AI，需三者协同：AI Agent在真实世界产生数据→数据反哺模拟器提升逼真度→模拟器生成边缘场景供评估器评分→评估器指导AI Agent优化，形成正向飞轮。
7. 评估体系是核心竞争力
• 模型只是“入场券”，评估指标与验证框架才是长期护城河。物理AI需覆盖从物理层到车载行为层的全链路验证（如Waymo的“安全与就绪框架”）。
• 信任来自公开可验证的长期数据（Waymo公开超2.2亿英里安全数据），而非单次演示。
三、行业趋势判断
Dolgov认为，过去十年AI爆发于数字世界，未来十年将向物理世界延伸。物理AI的机遇在于：生成式世界模型成熟、算力与传感成本下降、Scaling Law验证有效，而核心挑战仍是如何在“快速迭代”与“安全底线”间找到平衡。最终，物理AI的价值不仅是技术指标，更是“让亲人安全回家”的现实意义。
一、物理AI与数字AI的四大鸿沟
Dolgov指出，AI从数字世界进入物理世界（如自动驾驶、机器人）时，必须摒弃“快速行动，打破常规”的互联网逻辑，转向“快速行动，安全发布”，因为物理错误无法像生成式AI那样“重新生成”。两者核心差异体现在四个维度：
1. 试错成本鸿沟：数字AI的错误仅消耗Token，物理AI的错误直接关联人命，无“撤销”按钮。
2. 实时延迟鸿沟：数字AI可容忍数秒至数分钟的响应延迟，物理AI（如高速行驶的汽车）需毫秒级决策，且计算需部署在车载终端而非云端。
3. 数据获取鸿沟：数字AI可依托互联网海量标注数据训练，物理世界缺乏天然的数字化数据集，需通过真实场景积累。
4. 安全验证鸿沟：数字AI可先发布“足够好”的版本，靠用户反馈迭代；物理AI必须在首次部署前就具备极高安全确定性，无法依赖“试错式迭代”。
二、Waymo的七条技术经验
1. 产品演示≠真实产品：可靠性需“指数级”投入
• 演示仅需实现1%的功能（Waymo首个自动驾驶演示仅用18个月），但规模化产品需解决长尾场景，可靠性每提升一个“9”（如从99%到99.9%），难度呈10倍增长。
• Waymo从演示到规模化服务耗时15年，累计完成超2亿英里自动驾驶里程，每周50万次出行，安全记录超人类驾驶员17倍。
2. 技术路线需匹配可靠性目标
• 避免“早期性能陷阱”：选择技术时需预判其长期上限，而非仅看初期提升速度（如传感器方案，弱配置会导致安全性能过早趋于平缓）。
• Waymo采用多传感器融合（摄像头+激光雷达+毫米波雷达），每种传感器对应独立编码器，融合生成统一环境视图，兼顾性能与冗余（如沙尘暴、夜间场景激光雷达可弥补摄像头缺陷）。
3. 乘技术浪潮，更要简化技术栈
• 每一波AI突破（CNN、Transformer、视觉语言模型）都需重构系统，但核心难点是将前沿研究转化为生产级部署，且不增加系统复杂性。
• Waymo推出“基础模型”策略：多模态世界动作语言模型，融合传感输入、理解物理规律、预测动作并与语言对齐，采用“快思考（毫秒级安全决策）+慢思考（语义推理）”双路径架构，统一驱动不同硬件平台（捷豹、现代等），降低车载专用层复杂度。
4. 结构增强型端到端：平衡通用性与安全性
• 纯端到端模型虽易训练，但难以满足物理AI的高可靠性需求；需引入物理规律、交通规则等结构化信息，形成“结构增强型端到端”。
• 优势：支持实时安全验证、混合训练评估（结构化空间+端到端空间）、强化学习反馈，提升Scaling能力。
5. 高保真模拟器是物理AI的“虚拟游乐场”
• 闭环模拟（而非开环被动观察）是物理AI训练与评估的核心，需构建“生成式世界模型”，同时模拟物理规律与传感数据（如Waymo结合DeepMind Genie 3生成极端场景：高速公路飞机降落、金门大桥下雪等）。
• 模拟器与基础模型共享推理能力，可生成现实中罕见的边缘场景，加速AI迭代。
6. 构建“AI Agent+模拟器+评估器”生态系统
• 单一模型不足以支撑物理AI，需三者协同：AI Agent在真实世界产生数据→数据反哺模拟器提升逼真度→模拟器生成边缘场景供评估器评分→评估器指导AI Agent优化，形成正向飞轮。
7. 评估体系是核心竞争力
• 模型只是“入场券”，评估指标与验证框架才是长期护城河。物理AI需覆盖从物理层到车载行为层的全链路验证（如Waymo的“安全与就绪框架”）。
• 信任来自公开可验证的长期数据（Waymo公开超2.2亿英里安全数据），而非单次演示。
三、行业趋势判断
Dolgov认为，过去十年AI爆发于数字世界，未来十年将向物理世界延伸。物理AI的机遇在于：生成式世界模型成熟、算力与传感成本下降、Scaling Law验证有效，而核心挑战仍是如何在“快速迭代”与“安全底线”间找到平衡。最终，物理AI的价值不仅是技术指标，更是“让亲人安全回家”的现实意义。
6 02
三年前，当我一个人在阴冷冰冻的柏林待了一整个冬天的时候，全城只有两家难吃的 wencheng 𰻝𰻝面，当时我就在想，如果有兰州拉面就好了
于是我就和之前见过的陈香贵牛肉面的老板发微信，告诉他这里完全没有好的汤面，缺乏竞争！
没想到，后来他们真的开到了柏林来，而且成为了当地的排队王
今天再次现场来吃，百感交集，口味纯真，刚去了 vabali 桑拿玩过来吃一口热汤面，真的太舒服了！
于是我就和之前见过的陈香贵牛肉面的老板发微信，告诉他这里完全没有好的汤面，缺乏竞争！
没想到，后来他们真的开到了柏林来，而且成为了当地的排队王
今天再次现场来吃，百感交集，口味纯真，刚去了 vabali 桑拿玩过来吃一口热汤面，真的太舒服了！
46 20