Show Notes
🎙️ 个人 AI 助手：持续盯任务，跨应用接上你的工作 📝 本期播客简介 本期我们克隆了：Sources Podcast · OpenAI’s Dots lead on the future of ChatGPT 原内容更新时间：2026-10-01 “一个特别厉害的首席工程师，却不肯看 Slack，也不肯看 Linear”——这正是只会等人下指令的 AI Agent 的局限。OpenAI 想把它推进到下一阶段：主动智能，让 Agent 能持续跟进任务、主动发现可以帮忙的事。 OpenAI Dots 产品负责人 Alexander Embiricos 解释了 Dots 为什么拥有自己的云端电脑、如何在不同工具和对话里共享上下文，以及 Space 怎样让人和 Agent 一起协作文档与项目。他还谈到授权和隐私的安全设计、全天候助手的定价思路，以及一位工程师醒来后才发现 Dot 已经替他修好 bug 的故事。 👤 本期嘉宾 Alexander Embiricos，OpenAI Dots 产品负责人。他因创业公司被 OpenAI 收购而加入公司，此后持续参与 Dots 的构想与开发；从桌面助手、编程 Agent 到云端持续运行的 Agent，他经历了相关产品能力逐步成熟的过程，因此能从产品设计与落地角度解释个人 Agent 如何主动工作、如何获得上下文，以及如何控制权限和风险。 ⏱️ 时间戳 00:00 主动智能的到来 05:40 Dots的形态与安全 27:15 生态、定价与未来 🌟 精彩内容 💡 Agent 的下一步，是主动做事 聊天之后，编程 Agent 学会了动手，但它仍常常等着人发指令。Dots 要解决的，是让 Agent 持续跟进任务，并主动提出可以怎样帮忙。 "所以在我看来，这一切现在发生，是因为我们终于能用更符合人们直觉的方式提供智能了。" 💡 一个 Agent，跨应用接上同一份上下文 通勤时，Embiricos 会和 Dot 通话；工作时，又会在 Slack 的不同讨论串里找它。无论从哪里联系，Dot 都能接上此前的对话和信息。 "但不管我在哪里跟它聊，用的都是同一份上下文，我们之前聊过的所有内容，它都知道。" 💡 默认先提议，不替你擅自行动 Dot 可以利用接入的工具做研究、发现日程冲突，但不会直接改会议；即使它掌握了问题答案，也不会替用户直接发出去。用户确认后，才会采取实际行动。 "但在你确认之前，它不会采取实际行动。" 💡 助手不该因额度耗尽而突然停摆 如果 Dot 负责盯航班、看路况并在合适时叫车，额度用完就停可能让任务落空。OpenAI 想尝试固定月费，让 Dot 全天候可联系，再按付费档位决定它能承担多少工作。 "你的 Dot 应该全天候随时可用，不能有什么情况让它用不了。" 💡 工程师睡醒，发现 Dot 已经修好 bug 一位工程师让 Dot 持续关注反馈频道。Dot 发现问题后创建了 PR；有人批准后，它按自己摸清的工程师习惯自动合并，工程师醒来才发现 Slack 里满是表扬。 "他让自己的 Dot 持续关注反馈频道。" (行533-545? quote 行535) 💡 免费用户最终也会用上这些能力 Dots 先作为高端独立产品推出，之后会逐步扩大开放范围。Embiricos 说，最终要把这些能力融入 Chat，让普通用户不用改变习惯，也能获得更强的助手。 "最终，我们还得让免费用户也能用到这些能力。" (469) } Need format quote citations no citations required. Point last sentence quote. mistake Dots spelling title okay. Fix title says AI Chinese familiar. "固定月费、全天候在线，额度不再卡住任务" arguably quota not exactly no limit, says no run out, paid by work volume and model adjusts. Candidate unsupported “额度不再卡住” supported. Content quotes exact line 535. Last quote exact 465. Bullet interpretation. We need all contents 3 lines? heading, decode, quote. fine. Potential strange trailing } in final remove. Also first quote excerpt exact line 16-17 combines; valid. Candidate titles <=25 Chinese likely 22. finalize. ``` 🎙️ 个人 AI 助手：让它主动做事，也守住授权边界 📝 本期播客简介 本期我们克隆了：Sources Podcast · OpenAI’s Dots lead on the future of ChatGPT 原内容更新时间：2026-10-01 “一个特别厉害的首席工程师，却不肯看 Slack，也不肯看 Linear”——这正是只会等人下指令的 AI Agent 的局限。OpenAI 想把它推进到下一阶段：主动智能，让 Agent 能持续跟进任务、主动发现可以帮忙的事。 OpenAI Dots 产品负责人 Alexander Embiricos 解释了 Dots 为什么拥有自己的云端电脑、如何在不同工具和对话里共享上下文，以及 Space 怎样让人和 Agent 一起协作文档与项目。他还谈到授权和隐私的安全设计、全天候助手的定价思路，以及一位工程师醒来后才发现 Dot 已经替他修好 bug 的故事。 👤 本期嘉宾 Alexander Embiricos，OpenAI Dots 产品负责人。他因创业公司被 OpenAI 收购而加入公司，此后持续参与 Dots 的构想与开发；从桌面助手、编程 Agent 到云端持续运行的 Agent，他经历了相关产品能力逐步成熟的过程，因此能从产品设计与落地角度解释个人 Agent 如何主动工作、如何获得上下文，以及如何控制权限和风险。 🌟 精彩内容 💡 Agent 的下一步，是主动做事 聊天之后，编程 Agent 学会了动手，但它仍常常等着人发指令。Dots 要解决的，是让 Agent 持续跟进任务，并主动提出可以怎样帮忙。 "所以在我看来，这一切现在发生，是因为我们终于能用更符合人们直觉的方式提供智能了。" 💡 一个 Agent，跨应用接上同一份上下文 通勤时，Embiricos 会和 Dot 通话；工作时，又会在 Slack 的不同讨论串里找它。无论从哪里联系，Dot 都能接上此前的对话和信息。 "但不管我在哪里跟它聊，用的都是同一份上下文，我们之前聊过的所有内容，它都知道。" 💡 默认先提议，不替你擅自行动 Dot 可以利用接入的工具做研究、发现日程冲突，但不会直接改会议；即使它掌握了问题答案，也不会替用户直接发出去。用户确认后，才会采取实际行动。 "但在你确认之前，它不会采取实际行动。" 💡 助手不该因额度耗尽而突然停摆 如果 Dot 负责盯航班、看路况并在合适时叫车，额度用完就停可能让任务落空。OpenAI 想尝试固定月费，让 Dot 全天候可联系，再按付费档位决定它能承担多少工作。 "你的 Dot 应该全天候随时可用，不能有什么情况让它用不了。" 💡 工程师睡醒，发现 Dot 已经修好 bug 一位工程师让 Dot 持续关注反馈频道。Dot 发现问题后创建了 PR；有人批准后，它按自己摸清的工程师习惯自动合并，工程师醒来才发现 Slack 里满是表扬。 "他让自己的 Dot 持续关注反馈频道。" 💡 免费用户最终也会用上这些能力 Dots 先作为高端独立产品推出，之后会逐步扩大开放范围。Embiricos 说，最终要把这些能力融入 Chat，让普通用户不用改变习惯，也能获得更强的助手。 "最终，我们还得让免费用户也能用到这些能力。" ``` 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺
在小宇宙查看该单集文稿
More from 跨国串门儿计划
📝 本期播客简介 本期我们克隆了：High Performance · Top Gear Boss On Clarkson's Sacking, Schumacher & BBC Exit 原内容更新时间：2025-12-08 “整本书讲的都是意外。”《Top Gear》从一个老派汽车节目变成全球大热节目，Andy Wilman说，许多后来成了标志的点子，当初根本不在计划里。 作为《Top Gear》和《The Grand Tour》的执行制片人，Andy Wilman回顾了三位主持人的默契如何慢慢长成，节目如何从便宜旧车和拍摄事故里找到新招，也讲到成功带来的压力、团队失控，以及他为何在Jeremy Clarkson离开后拒绝继续做《Top Gear》。 👤 本期嘉宾 Andy Wilman是《Top Gear》和《The Grand Tour》的执行制片人，也是推动《Top Gear》从老派汽车节目转型的重要创意力量。他长期与Jeremy Clarkson、Richard Hammond和James May合作，亲历了节目从重启、走红到团队离散的过程，对节目的创作方式、团队运作和幕后压力都有直接经验。 ⏱️ 时间戳 克拉克森与新版Top Gear 01:41 在酒吧摊开纸张，Jeremy早已想好七成节目内容 04:39 等英国右舵版上市，主动退出汽车杂志的首发竞赛 意外成就三人组 11:16 Richard穿蝙蝠侠服试镜，最后靠讲失败经历赢得角色 20:21 三人默契没人设计，给他们时间才慢慢长出来 成功背后的压力与失控 34:07 收视已有900万，团队仍剪片到凌晨两三点 45:16 每周四晚熬夜剪片，周末还得看下周要播的内容 事故、冒险与告别 49:27 Richard困在翻覆的超跑里，闻到烧焦味才踹窗逃生 51:15 团队开始讨论何时结束，决定按自己的意愿收尾 Stig与舒马赫 57:01 找不到会说话的赛车手，Jeremy提议让他不说话 1:03:02 舒马赫承认撞上Villeneuve不对，也说出自己为何那样做 丑闻、离开与新旅程 1:12:19 Andy怀疑他们心里也想过“让这一切垮掉算了” 1:17:33 BBC认定没了Jeremy也能做节目，Andy不这么看 🌟 精彩内容 💡 Top Gear的成功不是照计划造出来的 节目重启时，Jeremy已在酒吧写下许多点子，但三位主持人的化学反应、破车拍摄和特别篇，都是一路做出来才发现的意外。 "对，那本书整本讲的都是意外。" 💡 一辆破车趴窝，反而成了真正要拍的内容 三辆1500英镑买来的保时捷刚开出伦敦不久就全坏了。导演想让摄制组先去吃午饭，Jeremy却说，眼前的混乱才是节目。 "车能正常开，已经不是我们要拍的了。要拍的就是这一片混乱。" 💡 三个人的默契，没法第一天就复制 Jeremy、Richard和James并没有预先设计好各自的荧幕性格；他们花了好几季才慢慢长出只有彼此才有的关系。 "我们有好几季的时间，可以让这种关系慢慢发展。" 💡 节目大热，团队却被困在工作里 收视达到900万，片子从10分钟做到了半小时，制作时间表和剪辑时间却没有跟着变。团队常常熬到凌晨，家庭生活也被压力拖垮。 "我们就在那儿剪到凌晨2、3点，我们没搞明白怎么把工作分下去，也没想明白怎么把节目变个样。" 💡 BBC以为节目比主持人重要，Andy选择离开 Jeremy被开除后，BBC希望Andy继续做《Top Gear》，也试图留下Richard和James。Andy拒绝了：他认为节目不是一套可以换人继续运转的模式，而是他们一起做出来的东西。 "我不会去做另一个《Top Gear》，因为这不是随便一档节目，这是我们一起做出来的东西。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
📝 本期播客简介 本期我们克隆了：Eye On A.I. · Chat GPT's Creator Explains The Shocking Truth About How AI Understands the World | Ilya Sutskever 原内容更新时间：Fri, 09 Oct 2026 语言模型只是学会了文字里的统计规律，还是已经在理解文字背后的世界？Ilya Sutskever 的回答是：要把数据预测好、压缩好，模型就需要越来越了解产生这些数据的世界。 这场对话录制于 Ilya 还在 OpenAI 担任首席科学家的时期。他从深度学习和 GPT 的发展讲起，解释模型为什么会产生幻觉：预训练让它学到丰富的世界知识，但并不直接保证输出准确；人类反馈强化学习则负责纠正输出。他还谈到多模态学习、如何让模型用更少数据学得更快，以及 AI 可能怎样帮助公民更直接地表达对公共事务的期待。 👤 本期嘉宾 Ilya Sutskever，Safe Superintelligence Inc. 联合创始人、首席科学家，曾任 OpenAI 首席科学家，也是 GPT-3、GPT-4 背后的主要研究者之一。他从 17 岁起便与 Geoff Hinton 合作研究机器学习，参与推动深度学习发展，对神经网络如何学习、语言模型的能力与局限都有长期研究经历。 ⏱️ 时间戳 从意识问题到深度学习 01:24 意识问题让他走进 AI 01:59 2003 年，计算机能学习还不被看好 04:12 大型深度网络为何可能成功 GPT与规模效应 06:17 OpenAI 早期探索预测下一个词 07:35 Transformer 论文发表次日就转向 08:51 《苦涩的教训》把规模效应说得太满 语言模型的理解与幻觉 11:47 他不同意模型只是学统计规律 12:25 预测得好，最终需要理解生成过程 15:17 预训练不保证输出准确 可靠模型与AI的未来 26:19 让模型更可靠、更可控 31:20 AI或能汇总公民更多意见 🌟 精彩内容 💡 预测文字，也是在学习世界 要把文字预测得足够好，模型就必须逐渐理解产生这些文字的真实过程。Ilya 认为，模型理解的不只是文字本身，也是文字所投射出来的世界。 "要把数据预测好、压缩好，就需要越来越了解产生这些数据的世界。" 💡 学到了世界，不等于答得准确 预训练让模型形成关于世界的丰富表征，却没有直接训练它给出符合期待的答案。ChatGPT 还要经过基于人类反馈的强化学习，学习哪些输出不合适、下次该怎样调整。 "语言模型更擅长学习、了解世界，对各种想法、概念、人，还有现实中存在的过程，学到非常出色的表征。" 💡 他认为幻觉有机会被彻底解决 模型编造事实，限制了实际用途。Ilya 认为，让用户的反应反馈给模型、再改进强化学习过程，或许能教会模型不产生幻觉。 "这种方法有相当大的机会彻底解决幻觉问题。" 💡 只靠文字，模型也能学颜色关系 模型从文字中学到颜色之间的相似程度：紫色更接近蓝色，而不是红色。视觉能让这种学习更快，但 Ilya 不认为视觉是理解世界的必需条件。 "紫色跟蓝色更像，跟红色没那么像。" 💡 AI可能让民主听见更多人的意见 Ilya 想象，公民可以向神经网络提供信息，表达希望事情变成什么样，再由系统汇总这些意见。这可能形成一种传递大量信息的民主形式，而不只靠投票表达偏好。 "这也许可以成为一种能传递大量信息的民主形式，从每个公民那里获取多得多的信息。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
📝 本期播客简介 本期我们克隆了：Alex Kantrowitz · Sundar Pichai: Path To Recursive Self-Improvement, Compute Allocation Dilemma, Future AI Interfaces 原内容更新时间：2026-10-20 算力不够，Google 还是要优先保证前沿 AI 研发：Sundar Pichai 直言，云业务一直在放弃一部分短期营收来支持这件事。与此同时，所有公司都希望手里的算力能达到原计划的两倍。 在 Big Technology Podcast 主持人 Alex Kantrowitz 的访谈中，Google 和 Alphabet 首席执行官 Sundar Pichai 谈 Gemini 4 Argon 的表现、递归自我改进与模型安全，也解释算力如何在研究和云业务之间分配。他还谈到 AI agent 如何融入 Gemini 等产品、AI 写代码带来的变化，以及太空数据中心的设想。 👤 本期嘉宾 Sundar Pichai 是 Google 和 Alphabet 的首席执行官。作为 Google AI 战略的负责人，他谈到了公司如何建设算力、保持前沿模型研发，以及将 AI 能力带入产品；他也分享了 Google 内部使用 Argon 辅助开发的情况。 ⏱️ 时间戳 前沿模型与AI未来 01:21 Gemini 4 Argon 多项 benchmark 超过公开模型 02:43 上线 72 小时，token 用量近 25 万亿 08:36 递归自我改进还远未到最终形态 算力部署与建设风险 14:25 算力优先保证前沿研发 16:02 今天的算力取决于 2024 年的决定 18:27 算力不像光纤：每天都不够用 产品体验与AI基础设施 22:06 AI 会反过来适应人的生活方式 27:57 Gemini agent 每周 7 天、每天 24 小时运行 35:05 Argon 上线 4 周，代码提交量增加 30% 乐观进取并保持警惕 39:28 技术进步让更多人受益，是他的信念 40:01 乐观的前提是技术服务于人类 40:52 乐观，也要警惕技术可能出问题 🌟 精彩内容 💡 前沿模型不只是为了赢 benchmark Pichai 认为，站在技术前沿能更早看到新能力，也能帮助 Google 为下一代模型做准备。他说，Argon 已经让内部开发人员解决了过去模型做不到的问题。 "在递归自我改进的时代，前沿模型会更擅长开发下一批模型。" 💡 AI 自我改进，离最终形态还很远 Argon 的开发过程确实包含递归自我改进，但 Pichai 将现状描述为 AI agent 以自动化方式帮助研究人员参与模型开发，而不是模型已经脱离人类自行进化。 "就目前而言，如果把这看作一个连续发展的过程，我们离递归自我改进的最终形态之类的，还相当远。" 💡 算力优先给前沿研发，云业务让出短期营收 Google 要先确保研究和模型开发有足够算力，再为各项业务规划资源。Pichai 也承认，云业务会因此放弃一部分短期营收。 "我们的云业务，无论在什么时候，都在放弃一部分短期营收，因为我们在算力分配上做取舍，来支持前沿 AI 研发。" 💡 所有公司都想要两倍算力 算力建设需要提前很久规划，今天拥有多少算力，取决于此前做出的决定。Pichai 说，现在不仅 Google，其他公司也都觉得算力不够。 "大家都希望能有原计划 2 倍的算力。" 💡 Argon 写代码，提交更多、回滚更少 Google 跟踪 Argon 的内部使用情况发现，上线后的 4 周里，代码变更提交量增加了 30%，回滚次数减少约三分之一；一些项目涉及数百万行代码。 "我们确实看到代码变更提交量增加了 30%，更重要的是，回滚次数减少了三分之一，幅度也差不多。" 💡 乐观不是放手下注 Pichai 相信技术进步能改善生活，但他认为乐观不等于想做什么就做什么。技术必须以服务人类、改善人类处境为目标。 "你得下功夫，确保自己开发的技术，是为人类服务，让人类的处境变得更好。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
🎙️ AI 数学研究：让工具增强人的能力 📝 本期播客简介 本期我们克隆了：SAIR · Terence Tao & Yu Deng: Why We Build Open Math Model 原内容更新时间：2026-10-20 AI 一口气发布数百个数学证明，数学家真正担心的却不只是机器抢饭碗：证明里的想法能不能理解，功劳该归谁，科学文献中的思想来源还能不能追溯？ 数学教授 Terence Tao 和 Yu Deng 谈 AI 怎样拓展数学研究，也谈大量生成的证明给学术诚信、引用和成果评价带来的难题。他们解释为什么数学需要开放的 AI 工具，以及 AI 可以代做哪些繁琐工作；在 AI 时代，提出好问题、规划证明和发展新想法，仍是人的关键能力。 👤 本期嘉宾 Yu Deng 是芝加哥大学数学教授，研究偏微分方程和概率论。Terence Tao 是加州大学洛杉矶分校数学教授，研究分析、数论和组合数学，也参与 AI 相关工作，思考 AI 对数学领域的影响。 ⏱️ 时间戳 01:01 理解、价值与归属 09:58 建设开放的数学AI 🌟 精彩内容 💡 AI 可以代做繁琐证明 当研究者已经有了解题思路，只是实现细节太复杂，AI 可以接手这些工作，让人把时间留给更根本的问题。 "能帮你省时省力，让你专心思考更根本的问题" 💡 数学不该只奖励答案 过去，解出难题往往也意味着深入理解、能讲清楚并带出新问题；如今解题可能只是训练模型时的副产品。Tao 认为，学术评价需要看见更广泛的理解与洞见。 "我们想要的是更广泛的理解，还有洞见。" 💡 AI 正在切断想法的传承链 科学文献本是共同资源，引用让研究者能够追溯想法来源。但 AI 有时无法说明答案借鉴了哪些前人的工作，解题时学到的思想脉络也就跟着隐去。 "想法传承的链条开始被我们打断了，确实就是这样。" 💡 开放数学工具不必等新模型 SAIR 的 Open Math OS 起步时使用现有开源模型，先把模型与工具整合起来，方便数学家协作，也希望逐步汇集团队、数据和算力，发展自己的模型。 "让大家不用自己部署，也不用自己买 GPU，应该会很有用" 💡 随机偏微分方程，一两天解出 Yu Deng 的合作者 Bjoern Bringmann 已经有了大致的解题思路，用 GPT Astra 尝试一道随机偏微分方程问题，约一到两天就得到了解答；前提是人先理解问题，并规划好证明方向。 "结果大概 1 到 2 天就解出来了。" 💡 AI 时代更要会问问题 AI 解出一个问题后，往往会带出更难、也更有意思的新问题。找到方向、规划探索路线、提出新想法，都是引导 AI 的能力。 "这些都可以说是让你能够引导 AI 的能力" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺
📝 本期播客简介 本期我们克隆了：NVIDIA · NVIDIA GTC Berlin 2026 Keynote With CEO Jensen Huang 原内容更新时间：2026-10-19 “AI 不只是软件技术。”黄仁勋在柏林 GTC 上把 AI 描绘成一门制造业：工厂生产 token，再把智能带进每个行业。 他从欧洲建设 AI 经济讲起，介绍 AI 工厂如何设计、部署和提升效率，也拆解 agent 的模型、运行环境、知识与工具如何协作。演讲还涉及 agent 安全、企业如何用自己的数据定制 AI，以及 AI 在电信、自动驾驶、机器人和个人电脑中的应用。 👤 本期嘉宾 黄仁勋，NVIDIA 创始人兼首席执行官。他带领 NVIDIA 从图形芯片发展到 GPU、CUDA 和全栈 AI 工厂平台；这次演讲中，他介绍了公司在 AI 基础设施、agent 安全、开放模型和物理 AI 领域的技术与合作。 ⏱️ 时间戳 02:34 NVIDIA与欧洲共建AI经济 09:46 AI五层架构与NVIDIA全栈 21:34 DSX POD加速建成AI工厂 27:56 通用架构与AI产业生态 32:41 Agent安全、模型与专业工具 53:53 物理AI进入通信与机器人 1:02:13 RTX Spark让agent走进个人电脑 🌟 精彩内容 💡 AI 工厂要尽快产出 token 一座 1 吉瓦的 AI 工厂造价约 500 亿美元，建成后再花几个月组装，闲置算力和资本都在烧钱。NVIDIA DSX POD 把集成、布线和测试提前放到工厂完成，希望将现场部署时间从几个月缩短到几天。 "更快产出第一个 token。" 💡 agent 的安全不能靠请求 agent 能访问文件、网络和工具，光告诉它“请不要删除任何东西”并不能保障安全。OpenShell 通过沙箱和外部策略限制权限，Sentry 还能在硬件隔离的环境中监控并隔离异常 agent。 "安全不能只是一个愿望。安全靠的是技术和工程。" 💡 企业的知识才是专属 AI 的底牌 公司可以从开放模型起步，再用自己的数据定制模型，并把内部文档、数据库和专业工具接入 agent。这样一来，AI 才能处理公司的具体问题，而不只是提供通用回答。 "把你的专有数据，变成自主掌控的智能。" 💡 AI 不会让工具公司消失 agent 要完成科学实验、工程设计和生产计划，仍然需要专业工具。做工具的公司可以进一步开发擅长使用自家工具的 agent，AI 反而可能带来更多工具使用需求。 "每一家做工具的公司，现在都会成为 AI 公司。" 💡 机器人先在数字世界里学会本领 训练 AI、在数字孪生中学习、再把策略部署到机器人，是物理 AI 的三台计算机。演示中的 Microduck 在云端并行训练，在 Omniverse 数字孪生中学习，最后把验证过的策略下载到实体机器人上。 "每摔一次，就学到一点。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺