一个新的数字秩序正在形成,人工智能正从工具扩展为完整的系统。AI驱动的机器人技术正从新奇事物转向基础设施,可编程资本正从投机转向现实世界的经济层面。
在theCUBE Pod最新一期节目中,theCUBE Research的执行分析师John Furrier和首席分析师Dave Vellante深入探讨了最近的发展动态,包括近期举办的theCUBE + NYSE Wired: Robotics & AI Infrastructure Leaders 2025活动的相关内容。据最新报告显示,亚马逊公司现在在其仓库中使用的机器人几乎比人类还多,这表明AI驱动的机器人技术已经在改变物流行业。
"它仍然很原始,"Furrier说道。"但你知道,它正在到来。"
在theCUBE + NYSE Wired: Robotics & AI Infrastructure Leaders 2025活动中,AI驱动机器人技术的发展方向得到了突出展示,从低于5万美元的通用型人形机器人愿景到更专注的单任务机器。这类机器人的目标价格将在1500美元以下。
"一个洗衣机器人,一个做饭机器人,一个割草机器人,它们每个都将低于1500美元,"Vellante说道。"我喜欢这种模式,因为我认为它比通用型模式有更高的成功概率,通用型模式要做很多事情。"
数字货币正在成形
上周,Furrier和Vellante在theCUBE + NYSE Wired Crypto Trailblazer NYC活动期间与一系列C级加密货币高管和创业愿景家进行了对话。稳定币正在快速获得发展势头,Circle Internet Group Inc.等公司正在寻求认证,并用高质量银行和现实世界资产支持其货币,为金融基础设施的重大转变奠定基础,Vellante表示。
"它现在真正开始为银行业社区提供关键基础设施,"他说道。"我预测你们将开始看到央行数字货币开始在数字世界中融合,现实世界资产变得数字化和Token化。我们正在进入一个全新的、真正令人兴奋的时代,这些资产变得更加可替代、更加可交易。"
据Furrier表示,随着数字货币变得越来越可编程,稳定币有望从根本上重塑全球金融系统。加密货币市场正开始回归其最初愿景,超越过去诈骗造成的干扰。
"区块链和去中心化基础设施现在将回归其根本,你开始看到基础设施。在国际结算市场中,稳定币将发挥作用,"Furrier说道。"然后,这将是一个主权机会。"
Meta与资金
上周,据报道Meta Platforms Inc.招募了四名前OpenAI研究人员加入其新成立的超级智能实验室。作为回应,OpenAI首席执行官Sam Altman据报道表示"传教士将击败雇佣兵"。
"扎克伯格向人们提供第一年一亿美元,三年内三亿美元,"Furrier说道。"你看到了一个巨大的资金系统在运作,Dave...这真是令人震惊。"
随着股市创下新高,越来越多的讨论围绕着互联网泡沫时代与今天AI热潮之间的相似性和差异性展开。在炒作周期、资本支出等方面确实存在明显相似性,Vellante表示。
"但也有很多不同之处,"Vellante说道。"资助这一切的公司要稳定得多。它们拥有比我们在Global Crossing、安然以及其他一些建设互联网基础设施的公司如MCI和WorldCom所看到的更加一致的现金流。"
未来几个月将为AI驱动机器人技术等领域带来更多洞察
随着theCUBE进入全球范围内繁忙的夏季日程安排,发展势头持续增强。巴黎Raise峰会的报道将于7月8日和9日启动。
"Raise将是一场精彩的会议;每个人都会参加,"Furrier说道。"它本质上将是一种国际性的技术、华尔街、硅谷、纽约技术场景,前往巴黎并与欧洲人整合。"
日程表上还有AWS Summit纽约站。无论哪个活动,未来几个月都承诺进一步阐明AI驱动机器人技术、可编程资本和不断发展的AI军备竞赛的发展轨迹。
"AI将有两个阵营,"Furrier说道。"有AI的构建者和AI的消费者。所以我认为在两个方面,都有一个工具和基础设施市场,也有应用层面。我认为应用AI将是用例。"
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。