#模型时代# 李飞飞：人形机器人未必是机器人落地最经济的起点

来一期李飞飞的，不过这个是将产业技术的。

2026年7月28日，a16z合伙人Martin Casado对话World Labs联合创始人兼CEO李飞飞，以及SceniX联合创始人、哥伦比亚大学助理教授李云珠（Yunzhu Li）做了一期播客。一周前的7月21日，World Labs宣布收购机器人仿真公司SceniX。这场访谈讨论了收购背后的技术逻辑：如何让机器人获得可以持续扩张的训练经验和评测环境。

语言模型可以从互联网获得海量文本，机器人需要的经验却来自一次次行动。机器人看到什么、采取什么动作、环境怎样变化、任务是否成功，都要记录下来。在真实环境中，每次尝试都会占用硬件，还需要人工复位。李飞飞把这一限制与规模定律联系起来：机器人若要随着数据和计算规模扩大而持续进步，需要先找到可规模化的经验来源。

SceniX开发的Real-to-Sim-to-Real流程，即“真实—模拟—真实”，先把真实机器人及其任务重建为模拟环境，再让机器人模型在其中训练和评测。所谓与现实对齐，是机器人在模拟和现实中执行同一动作时，物体运动和任务结果应当接近。系统可以改变物体位置、摩擦力、光照和机器人状态，让一个现实任务产生大量不同的模拟实验。仿真还可以比较不同模型的表现，筛选出更值得进入真实硬件测试的版本。

World Labs为这套流程补充生成式世界模型和3D重建能力。其基础模型Marble可以根据文字或少量图像生成具有几何一致性的3D世界，SceniX则带来机器人学习、物理仿真和真实任务对齐经验。双方结合后，希望把数字世界变成可以反复使用的机器人训练与评测环境。…

这也把World Labs所说的空间智能，从生成3D世界推进到让机器人在世界中行动和学习。

一、SceniX最初只是Marble的客户

1、World Labs的空间智能同时面向虚拟世界和物理世界

World Labs成立约两年，定位为前沿模型实验室。空间智能的“行动”并不只指机器人。在视觉特效、游戏和设计等创意场景中，人已经可以进入虚拟空间，创建物体并改变环境。李飞飞把这些空间视为可以由技术生成和操作的“多重世界”。

机器人对应的是空间智能的物理应用。它需要感知周围空间，理解物体会怎样移动和相互作用，预测自身动作的后果，并在现实环境中可靠执行。李飞飞称，这是未来AI最重要、也最令人兴奋的能力之一。

2、Marble把文字或图像变成具有几何一致性的3D世界

Marble是World Labs基础模型的代号。当前公开版本可以接收一段文字、一张图或少量图片，生成具有几何一致性的世界，并以Gaussian splat或mesh等形式表示。Gaussian splat可译为3D高斯泼溅，它用大量带有位置、颜色和透明度信息的三维点重建场景；mesh是多边形网格，用相互连接的多边形表示物体表面。

Marble最先面向创意工作流。World Labs当时还没有能力承接机器人公司的需求，却已经收到从早期机器人创业公司到具体行业应用方的询问。

3、双方的关系从一次普通注册开始

2025年11月至12月左右，World Labs发布第一版Marble。SceniX像普通客户一样注册使用。李飞飞起初不知道这家公司与李云珠有关，后来看到公司信息，才发现创始人是自己在斯坦福带过的博士后。

她给李云珠打了电话，双方随后发现技术栈高度互补。这个细节也解释了收购的起点：World Labs并非先制定一份机器人并购计划，再寻找标的；SceniX在真实使用Marble的过程中验证了两边能力可以衔接。

4、两支团队补的是彼此已有技术栈中的缺口

李云珠从机器人建模、学习算法一直做到硬件，是全栈机器人研究者。SceniX联合创始人Changxi Zheng长期研究物理仿真，也有视觉特效、腾讯和创业经历；另一位联合创始人Xiaochen “Sonny” Hu有计算机视觉和工程管理经验，曾供职于一家被亚马逊收购的创业公司。SceniX因此拥有机器人、仿真、渲染和工程落地能力。

World Labs的优势集中在生成模型、计算机视觉和3D重建。SceniX原有的环境重建过程较重，Marble及World Labs的稀疏重建和生成能力有机会降低重建成本，提高建模速度。双方合并后，可以把世界生成、物理仿真、机器人学习和真实部署接成更完整的系统。

二、Real-to-Sim-to-Real的工作链条

1、先把真实任务变成可以交互的数字世界

SceniX把自己的技术路线称为real-to-sim-to-real，简称R2S2R，中文可以直译为“真实—模拟—真实”。第一步是将现实中的机器人、场地、物体和任务重建到数字环境中。重建内容包括三层：

外观，即机器人通过相机等传感器会看到什么；

几何，即物体的形状、位置和空间关系；

动力学，即机器人施加动作后，物体和环境会怎样变化。

SceniX把这种对应关系称为alignment，中文通常译为“对齐”。若一套策略在数字世界中成功或失败，部署到真实环境后也应表现出相近趋势。达到这种对齐后，许多昂贵、缓慢或危险的真实训练与测试就能转移到数字世界。

2、动作是机器人基础模型不可缺少的模态

Martin Casado追问，World Labs是否会推出机器人基础模型。李飞飞没有给出明确产品承诺，但表示World Labs本来就在训练基础模型，也没有排除把动作纳入模型。

李云珠进一步解释，机器人基础模型需要处理视频帧、文字、图像、深度信息和动作等多种输入。动作在模型中有两种位置：

动作作为输入时，模型相当于forward simulator，也就是前向模拟器。它预测机器人采取某个动作后，环境会变成什么样。

动作作为输出时，模型相当于policy model，也就是策略模型。它根据当前状态和任务目标，决定下一步应执行什么动作。

“策略”在机器人领域指一套从感知和目标映射到控制动作的模型。这样的多模态模型既可以学习环境如何变化，也可以学习怎样行动，还能作为底座，针对某类机器人和任务继续微调。

3、视频模型预测后续画面，SceniX构建可操作的数字环境

Casado提到，不少机器人公司正在用视频模型学习世界。这类模型根据当前画面，有时还会加入机器人动作，预测接下来可能出现的视频。

SceniX关注的是另一层能力。它先把真实任务重建成可以交互的3D环境，保留物体的外观、几何位置和动力学关系。机器人在其中推动一个杯子，系统需要计算杯子会移动多远、是否碰到其他物体，以及动作最终有没有成功。开发者还可以改变杯子的位置、摩擦力或光照，反复测试同一个机器人模型。

这种差别会直接影响评测。视频看起来合理，无法单独证明机器人正确完成了任务；仿真环境可以记录物体状态和任务结果，用来比较不同模型检查点的成功率。

两条路线仍会融合。SceniX可以用几何和物理规则建立初始环境，再用真实数据训练的视频模型或世界模型修正仿真偏差。最终系统会同时使用物理约束和数据学习。

三、模拟不必复制现实中的每一片雪

1、机器人需要任务相关的真实度

Casado提出，在创意场景中，生成偏差有时会被当作风格；机器人任务对误差更敏感。李云珠的回答是，环境模型无需在所有细节上完美，它需要捕捉决定任务成败的结构。

飞机、无人机、扫地机器人、四足和双足机器人长期依赖模型与仿真完成开发。四足机器人可以在雪地或灌木中行走，训练它们的模拟器并没有精确复刻每一片雪和每根枝条。开发者会保留影响运动的关键约束，再随机改变大量环境参数。

SceniX需要继续回答一个工程问题：对于不同机器人和任务，外观、几何、接触和动力学分别要达到多高的保真度，才能让数字世界中训练的系统迁移到现实。

2、仿真偏差与真实数据并不构成二选一

Casado引用机器人学者Sergey Levine的观点追问：模拟最终总会偏离物理世界，真实数据采集仍然不可缺少，那么以模拟为核心是否可行？

李云珠认为，两条路线可以进入同一数据飞轮。仿真的本质是预测动作发生后环境如何变化，模型可以同时使用物理规律和学习方法。项目早期的数据较少，系统会更多依赖物理、几何和一致性约束；随着真实执行数据和客户数据增加，学习型建模的比重可以提高。

这里的关键任务是让仿真提供足以支持训练、筛选模型和定位失败的信号。真实环境仍负责校准模型，并检验最终效果。

3、模拟能够生成现实中没有发生过的经验

李飞飞从人类认知补充了仿真的作用。Counterfactual reasoning通常译为反事实推理，指人在脑中预演尚未发生的情形。一支球队制定比赛策略时，会在白板、视频或数字系统里推演不同战术。运动员无需先在正式比赛中经历每一种局面，才能学习怎样应对。

机器人同样不可能在现实中收集所有极端情况。李飞飞以自动驾驶为例，称Waymo使用了数十亿小时的模拟训练（Waymo官方当前披露的口径为累计超过200亿英里仿真里程）。她还说，自动驾驶汽车属于形态相对简单的机器人。通用机器人面对的物体、接触方式和环境变化更多，对仿真的需求也更强。

4、仿真同时解决覆盖率和执行速度

可靠性来自对状态空间的系统覆盖。模拟环境可以控制照明、摩擦力、物体几何和种类，并调整其他物理参数。开发者能够主动制造现实中少见但会导致失败的组合，观察机器人在什么边界上失效。

效率问题同样突出。许多机器人数据通过teleoperation采集，中文通常称为遥操作，即人远程操纵机器人完成任务并记录轨迹。李云珠说，一些遥操作设备收集数据的速度甚至低于人直接完成任务的速度，而客户希望机器人的生产效率高于人。

现实中直接把机器人动作加速会改变动力学风险，重力等条件不会随播放速度一起变化。模拟环境可以系统地提高动作速度，同时计算由速度变化带来的动力学影响。机器人由此可以学习在更高节拍下工作。

四、机器人的评测瓶颈，可能比训练更容易被低估

1、评测（evaluation简称为eval）回答的是某个模型检查点究竟有多可靠

Evaluation用于测量某个模型版本在指定任务上的表现，例如成功率是95%还是99.9%。这种在训练过程中保存下来的模型版本叫checkpoint，中文常译为检查点。

工业团队真正关心的一项指标，是需要多少现实时间，才能区分成功率90%的检查点与成功率92%的检查点。若全部依赖真实机器人，就要反复布置场景、运行硬件、处理失败并重新复位，统计差异需要很长时间。

2、机器人评测的迭代速度比语言模型慢多个数量级

语言模型可以并行运行大量测试集。机器人评测必须让实体在空间中移动。Casado用一句玩笑概括了差异：“原子真的得动起来，物理定律也得参与。”

真实评测还伴随硬件损耗、人员成本和安全风险。节目谈到，许多机器人演示视频需要以8倍或10倍速度播放，因为真实动作很慢。SceniX客户希望利用数字环境扩大评测规模，更快比较不同检查点。

3、有用的模拟评测不必复刻绝对成功率

SceniX关注模拟结果与现实结果之间的相关性。若检查点A在模拟中优于检查点B，它在真实环境中也应大概率保持优势。这样的环境可以先筛掉明显较差的模型，将有限的硬件测试留给更有希望的版本。

因此，模拟评测首先要支持与真实世界一致的工程决策：哪个检查点更好，性能提升是否已经停滞，哪些场景会触发失败。绝对成功率完全相同并非唯一标准。

4、训练需要可控的数据分布

真实采集受机器人数量、遥操作设备数量和现场运维能力限制，也很难系统组合不同光照、摩擦、物体类型和初始状态。数字环境能够明确控制这些变量，并记录训练究竟覆盖了怎样的数据分布。

这项能力让团队可以更具体地表述模型边界：在已经覆盖的分布范围内，机器人达到何种可靠性；超出该范围时，还缺少哪些数据。失败场景随后又能指导下一轮数据生成和训练。

五、World Labs的产品边界：提供训练场，不制造机器人

1、产品定位是机器人学习和评测基础设施

Casado特意澄清，World Labs进入机器人领域，不代表公司会打印零部件、制造整机，再给机器人装上“大脑”。SceniX提供的是数字世界及其软件基础设施。其他公司把自己的机器人、控制模型和任务放入其中训练与评测。

平台在两个维度保持中立。第一是embodiment-agnostic，也就是不绑定某种机器人形态。它可以接入单臂、双足、固定机械臂、移动操作机器人，以及不同夹爪和末端执行器。末端执行器指机械臂最前端直接接触物体的工具，例如夹爪或吸盘。

第二是model-agnostic，也就是不绑定某一种模型。客户可以从头训练自己的模型，也可以继续训练现有机器人基础模型，例如Vision-Language-Action Model，简称VLA，中文是视觉—语言—动作模型；或World-Action Model，简称WAM，中文是世界—动作模型。

2、李云珠的北极星：让机器人在现实中工作

Casado问李云珠是否也有一套类似李飞飞“空间智能”的哲学目标。李云珠回答：“我的北极星就是让机器人真正工作，在现实环境中工作。”

他在斯坦福与李飞飞合作期间，曾向公众征集希望机器人代劳的任务。团队收到了约1000项任务，其中约三分之一与清洁有关。清洁因此成为他希望机器人解决的典型任务。

SceniX从创业早期就直接与行业设计伙伴和客户合作，场景包括实验室、仓库和电子装配。李飞飞说，这种从真实任务和客户约束出发的方式，让她对合作感到兴奋。

3、客户可以只使用一段流程，也可以使用完整闭环

部分客户只需要real-to-sim：把现有任务数字化，用来评测自己的机器人系统。另一些客户需要完整的real-to-sim-to-real流程，希望在数字环境中训练策略，最后把策略运行在自己的硬件上。

SceniX目前接触的客户多已接近部署阶段，任务能够在自动化后立即创造价值。有些客户拥有数十甚至数百个待自动化场景。

六、人形机器人还要经过半结构化环境这一关

1、机器人商业化通常从可控环境向开放环境推进

李云珠把现实场景分成三类。完全结构化环境的配置已知且可控，汽车工厂等场景已经自动化多年。半结构化环境包括仓库、餐厅和酒店，企业能调整一部分布局和流程，但衣物、包裹及人员活动仍会造成变化。家庭属于非结构化环境，物品、宠物和人的行为都很难预先控制。

机器人可靠性依赖训练数据对潜在场景的覆盖。半结构化环境的变化范围更窄，也更容易通过工程改造降低难度。SceniX近期会优先处理这类环境，再逐步走向家庭等开放场景。

2、人形身体追求通用性，专用形态可能更适合早期任务

李飞飞解释，人类身体是在非结构化环境中演化出的通用方案。手指和双腿能完成很多任务，但不一定是任何单项工作的最优工具。如果一个物种只需爬树，它的身体很可能会形成另一种结构。

人形机器人面对的是“通用身体加开放环境”的组合，技术难度最高，商业上也未必是最经济的起点。针对窄任务设计专用机器人，往往更容易达到可靠性和成本目标。SceniX平台需要保持形态无关，才能服务不同专用机器人和人形机器人。

3、达到人类的能效和通用能力仍需很长时间

Casado从经济性追问。他以投资人的口径估计，语言模型生成文章或代码的速度可能达到人的约1万倍，成本也更低；人类身体在三维移动和抓取方面已经极其高效。机器人何时能以接近人的能耗完成基础劳动，五年内可行，还是永远无法实现？

李云珠没有给出年份。他判断这会需要很长时间，因为现实中的机器人始终是一套完整系统。硬件、软件、控制模型需要协同，连手指材料的摩擦系数都会影响最终效果。行业进步速度持续超过他的预期，但这不足以支持一个激进的时间承诺。

李飞飞说，今天做AI最难的是保持measured optimism，也就是保持乐观，但预测要有分寸。她提醒，人脑功耗约30瓦，语言模型的能效也没有接近人脑。在图像生成或软件工程等窄任务上，模型的单位能耗产出可能更接近人类；机器人仍有明显距离。

4、机器人部署比语言模型更难容忍低可靠性

语言模型订机票或酒店时，人还可以检查输出，再决定是否提交。实体机器人进入现场后，动作会直接作用于设备、物体和人，系统必须在交付时就达到较高可靠性。

当前机器人行业既缺足够的数据，也缺少支撑大规模评测的基础设施。李云珠认为，可扩展的数字世界能够减少昂贵和不安全的真实试验，让训练与评测更接近软件系统的迭代方式。

七、收购后的整合会有意放慢

1、团队和代码不会立即全面合并

SceniX拥有相对完整的技术栈、客户和产品。李飞飞表示，两边不会急着把团队和代码库全部混在一起。她用“把团队拌成一盆沙拉”形容自己希望避免的做法。

双方已经在仿真、基础模型和action-conditioned model等方向展开合作。Action-conditioned model中文可译为动作条件模型，指根据给定动作预测环境变化的模型。SceniX也继续以内部客户身份使用Marble。双方会逐步确定具体的整合方式。

2、World Labs将成为横跨美国东西海岸的公司

李云珠将搬到旧金山。World Labs总部仍在旧金山湾区，同时会保留纽约办公室，以吸引东海岸人才。公司还计划在两地都部署机器人，用来测试远程操作和工程系统。这项能力也是服务客户时必须具备的。

3、两年后的成功标准是少量真实行业客户

Casado要求李飞飞给出一个具体的两年目标。她的回答没有落在“通用机器人”或某项实验室基准上。World Labs希望在少数重要垂直场景中获得经过验证的客户，证明其系统确实改善了客户的自动化项目。

李飞飞给出的判断标准，是在少数垂直场景中获得经过验证的客户，并证明基础设施确实有助于自动化。若这些客户进一步成为可复制的标杆案例，World Labs就有机会扩大业务。

http://t.cn/AXSGINRk我的评分：⭐⭐⭐⭐⭐ #电影正当夏##我在微博聊电影##微博二创视频创作季#真的不容易，荷兰弟版蜘蛛侠，拍了10年，漫威才想起来脚踏实地好好讲故事《蜘蛛侠：崭新之日》绝对是荷兰虫目前表现最好的一部了

其实荷兰弟版的《蜘蛛侠》一直以来都有一个主题，就是成长，只不过在之前的几部出于对商业性的考量，漫威总喜欢安排一位前辈护着小虫，虽然电影也很好看，有打斗、有剧情，还有情怀，但当我们认真回顾彼得·帕克这个角色本身，总给人一种好像成长了，但没长明白的感觉而在这部中，我们能明显得感觉到彼得·帕克是真的成长了，无论是从文本方面，还是荷兰弟本人方面，这个角色都在这一部中丰满了起来

首先我们要明白，在这部中彼得面对的是一个怎样的世界，全世界都忘记了彼得·帕克大家只认识蜘蛛侠，曾经在《英雄无归》中信誓旦旦的那句承诺“我一定会去找你们”，最终也沦为了爱而不得式的守护没有了斯塔克工业，没有了前辈的保护，没有了MJ，没有死党内德，更没有任何家人，对于小虫而言这不仅仅是生活的变故，而是他整个世界都坍塌了，所以找回曾经生活的一丝影子，便成了小虫在电影前期的一种执念

所以我们在电影前期会看到，他总忍不住去跟踪内德，总忍不住想要创造机会接近MJ，但他又明白，自己的出现会给对方带来潜在的威胁，于是他就陷入了一种极度自我矛盾的状态…

其实在漫威放出第一支预告片的时候，提到蜘蛛侠会进一步变异，我真的以为最后会出现六臂蜘蛛侠，“如果那样的话可太酷了”，我当时是这样想的但当我们看完整部电影会发现，漫威并没有这么做，这个所谓变异就仅仅是能力的增强，拥有有机蛛丝、感官增强、力量增强在观感上看起来像是彼得又获得了某种能力，像极了托比版的《蜘蛛侠1》，也算是暗暗呼应了一下《崭新之日》这个标题，而我们细究一下就不难发现，这个所谓的变异，其实也是对彼得个人成长的隐喻，他对过去的执念越深，就越容易失控，这个设定有点类似于咱们的“走火入魔”一样

所以这部电影除了表象的剧情外，其实所探讨的还有“放下执念”，这个理念就和《三大队》中的“我执”很类似

“放下执念”，说起来简简单单四个字，但真真能做到“放下”，则需要经历一个很“痛”的过程，这也是这部电影最扎心的部分，比失去一切更令人心痛的，是近在咫尺却触碰不到这时的触碰不到不再是小虫自发的守护，而是MJ的主动将小虫推出去，他以为他保持距离就能让对方生活得更好，但她告诉他，她根本没有care过很庆幸小虫在经历了一系列的事情后，终于放下了执念，在影片末尾我们看到彼得和内德熟练地对拳，那内德的那句“彼得”究竟是什么意思？

这时的小虫我想也已经不在乎了他过去的执念是想把生活尽可能恢复一些原来的样子，而现在的他已经完全接受了现在的样子，内德想起来也好，没想起来也罢，他都不再纠结

所以这个放下过去执念的结尾，又一次呼应了《崭新之日》这个片名而到此，荷兰弟版蜘蛛侠终于完成了一次真正意义上的成长，他不再依附于谁的保护，也不再寄希望于某个超能组织，他终于成长为了一个独立的蜘蛛侠，但这个成长的代价真的太大太痛了

我也从没想过漫威居然会在一部《蜘蛛侠》电影里加入如此深刻的内核探讨，这很不爆米花，这也很不好莱坞

所以可能会有观众吐槽“文戏过多”，确实这部《崭新之日》相较于传统的超英叙事，更强调对内核的呈现，但其实对于“超英”部分的激烈打斗，水准依然是在线的这次由成家班担任动作指导，我们可以明显看到成家班为小虫量身打造了全新的打斗风格，比如成家班非常擅长的狭小空间巷战，还有各种“道具战”，整体动作非常流畅，并且采用了与以往漫威作品不同的拍摄方式，打斗不再只靠剪辑来提升动感，而是保留了一部分真打的成分，很多镜头甚至能让我们看到港式动作片的影子并且除了小蜘蛛，其实很多的配角也有精心设计打斗动作，就比如蝎子像类似蝎子这种有明显攻击武器的角色，传统好莱坞动作设计会着重强调这个武器，但在成家班看来，这就是武器，角色除了武器还有拳脚，在这样的理念下我们可以看到蝎子的动作设计，也格外流畅

这部《崭新之日》无论从内核探讨，还是动作设计，对比于荷兰弟的《蜘蛛侠》系列都达到了大跨度的升级，而且是足以引发质变的程度，小蜘蛛也终于成长为了能独当一面的蜘蛛侠，一路看荷兰弟系列的朋友们应该也更能体会到小虫这一路的艰辛

http://t.cn/AXSGINRk我的评分：⭐⭐⭐⭐⭐ #电影正当夏##我在微博聊电影##微博二创视频创作季#真的不容易，荷兰弟版蜘蛛侠，拍了10年，漫威才想起来脚踏实地好好讲故事《蜘蛛侠：崭新之日》绝对是荷兰虫目前表现最好的一部了

其实荷兰弟版的《蜘蛛侠》一直以来都有一个主题，就是成长，只不过在之前的几部出于对商业性的考量，漫威总喜欢安排一位前辈护着小虫，虽然电影也很好看，有打斗、有剧情，还有情怀，但当我们认真回顾彼得·帕克这个角色本身，总给人一种好像成长了，但没长明白的感觉而在这部中，我们能明显得感觉到彼得·帕克是真的成长了，无论是从文本方面，还是荷兰弟本人方面，这个角色都在这一部中丰满了起来

首先我们要明白，在这部中彼得面对的是一个怎样的世界，全世界都忘记了彼得·帕克大家只认识蜘蛛侠，曾经在《英雄无归》中信誓旦旦的那句承诺“我一定会去找你们”，最终也沦为了爱而不得式的守护没有了斯塔克工业，没有了前辈的保护，没有了MJ，没有死党内德，更没有任何家人，对于小虫而言这不仅仅是生活的变故，而是他整个世界都坍塌了，所以找回曾经生活的一丝影子，便成了小虫在电影前期的一种执念

所以我们在电影前期会看到，他总忍不住去跟踪内德，总忍不住想要创造机会接近MJ，但他又明白，自己的出现会给对方带来潜在的威胁，于是他就陷入了一种极度自我矛盾的状态…

其实在漫威放出第一支预告片的时候，提到蜘蛛侠会进一步变异，我真的以为最后会出现六臂蜘蛛侠，“如果那样的话可太酷了”，我当时是这样想的但当我们看完整部电影会发现，漫威并没有这么做，这个所谓变异就仅仅是能力的增强，拥有有机蛛丝、感官增强、力量增强在观感上看起来像是彼得又获得了某种能力，像极了托比版的《蜘蛛侠1》，也算是暗暗呼应了一下《崭新之日》这个标题，而我们细究一下就不难发现，这个所谓的变异，其实也是对彼得个人成长的隐喻，他对过去的执念越深，就越容易失控，这个设定有点类似于咱们的“走火入魔”一样

所以这部电影除了表象的剧情外，其实所探讨的还有“放下执念”，这个理念就和《三大队》中的“我执”很类似

“放下执念”，说起来简简单单四个字，但真真能做到“放下”，则需要经历一个很“痛”的过程，这也是这部电影最扎心的部分，比失去一切更令人心痛的，是近在咫尺却触碰不到这时的触碰不到不再是小虫自发的守护，而是MJ的主动将小虫推出去，他以为他保持距离就能让对方生活得更好，但她告诉他，她根本没有care过很庆幸小虫在经历了一系列的事情后，终于放下了执念，在影片末尾我们看到彼得和内德熟练地对拳，那内德的那句“彼得”究竟是什么意思？

这时的小虫我想也已经不在乎了他过去的执念是想把生活尽可能恢复一些原来的样子，而现在的他已经完全接受了现在的样子，内德想起来也好，没想起来也罢，他都不再纠结

所以这个放下过去执念的结尾，又一次呼应了《崭新之日》这个片名而到此，荷兰弟版蜘蛛侠终于完成了一次真正意义上的成长，他不再依附于谁的保护，也不再寄希望于某个超能组织，他终于成长为了一个独立的蜘蛛侠，但这个成长的代价真的太大太痛了

我也从没想过漫威居然会在一部《蜘蛛侠》电影里加入如此深刻的内核探讨，这很不爆米花，这也很不好莱坞

所以可能会有观众吐槽“文戏过多”，确实这部《崭新之日》相较于传统的超英叙事，更强调对内核的呈现，但其实对于“超英”部分的激烈打斗，水准依然是在线的这次由成家班担任动作指导，我们可以明显看到成家班为小虫量身打造了全新的打斗风格，比如成家班非常擅长的狭小空间巷战，还有各种“道具战”，整体动作非常流畅，并且采用了与以往漫威作品不同的拍摄方式，打斗不再只靠剪辑来提升动感，而是保留了一部分真打的成分，很多镜头甚至能让我们看到港式动作片的影子并且除了小蜘蛛，其实很多的配角也有精心设计打斗动作，就比如蝎子像类似蝎子这种有明显攻击武器的角色，传统好莱坞动作设计会着重强调这个武器，但在成家班看来，这就是武器，角色除了武器还有拳脚，在这样的理念下我们可以看到蝎子的动作设计，也格外流畅

这部《崭新之日》无论从内核探讨，还是动作设计，对比于荷兰弟的《蜘蛛侠》系列都达到了大跨度的升级，而且是足以引发质变的程度，小蜘蛛也终于成长为了能独当一面的蜘蛛侠，一路看荷兰弟系列的朋友们应该也更能体会到小虫这一路的艰辛

#印度韩国突然宣称有媲美DeepSeek大模型#这并不奇怪，做出开源大模型难度降低了很多，也能有个别亮点。日本也做了

韩国这个是真的做出来了，有些自己的东西。

Motif-3-Beta是韩国AI基础设施公司 Moreh的子公司Motif开发的。团队2025年 2月才成立，仅约 30人，B轮融资约1600万美元。韩国政府直接提供了约 700多块英伟达 B200 GPU，5个月弄出来了一些东西。

Motif-3是稀疏混合专家模型（MoE），总参数314B，激活约 13B参数，384个专家，8活跃1共享。上下文窗256K，专门用约 106GB韩语语料预训练，主打韩语 NLP。Motif强调这是完全独立的韩国架构，没有基于任何外国开源模型做微调。这完全可能，从头训练是可以的，机构和技术借鉴。据说在开源模型中排全球第三，仅次于 Kimi K3和 GLM-5.2，这个水平是可以的，但是还需要具体评测。之前已经做了Motif-2，发展轨迹清楚。中国开源以后，学习难度低了很多。

印度这家Sarvam AI是班加罗尔的初创公司，公司成立仅两年多，团队 114人，最近完成了印度初创企业史上最大 B轮融资，高达2.34亿美元，估值 15亿美元。

Sarvam声称构建 3个模型的累计计算成本约 2000万美元，比 DeepSeek还低。关键是2025年 4月，印度政府在 60家申请机构中选中 Sarvam承接主权大模型项目，提供 4096块英伟达 H100，使用期 6个月，政府补贴部分算力费用，换取 Sarvam股权。要求模型必须从零训练，完成后开源。印度政府也怕开发者忽悠钱。

三个大模型，Sarvam-30B，预训练用了约 16万亿 token，32K上下文，MoE架构每次推理只激活约 10亿参数。…

Sarvam-105B是128K超长上下文，声称在多项推理基准上超过了 DeepSeek-R1。

开源后行家看配置文件，发现架构是DeepSeek的山寨缩水版，借鉴了 DeepSeek的 Multi-head Latent Attention和 MoE设计。应该是从零训练的，这技术不算难。

日本也有好几个企业做的大模型，但是没有很出名的，水平都一般。

韩国印度的模型基本都是个别性能训练得有些亮点，就拿出来说。但是实际使用幻觉严重，综合指标不行。

最近我遇到了一位老同学。她来自受教育程度很高的移民家庭，读书很多，表达能力也强，基本素质很好。但在过去的共事中，我逐渐发现，她有一种很鲜明的倾向：她不仅非常重视自己的感受，还默认周围的人有责任以极高精度照料这些感受。别人做到七十分、八十分甚至九十分，似乎仍然不够。理解必须准确，支持必须及时，语气必须妥帖，最好连对方自己的情绪、立场和局限也暂时退场，把全部注意力放在她身上。

她并不顺利。

我想写，是因为我觉得现在这种思维方式的人超多的，我指高度精细理解世界以后，要求世界围着自己转。我认为这篇文章不会伤害到这位同学，是因为她读到这篇文章的概率无限趋近为零。

这次见面，她又向我倾诉当年在我们学校读书的经历。她说：“学校里没一个好人，那些老白男教授全是垃圾。他们不是来支持你、帮助你的，而是来羞辱你、打压你的。比如我当时的导师和委员会成员，在论文讨论会上争吵，争的全是自己的ego。拜托，那是我的论文，所有人的注意力都应该放在我身上。我，我，我！”事情已经过去很多年，她说起这些仍然十分激动。

假如我不认识那些教授，我大概会觉得她的控诉非常合理。学术权力当然可能伤害学生，教授也可能傲慢、冷漠，把学生的会议当作展示权威或处理私人恩怨的场所。学生在答辩或论文会议中感到无助，觉得自己的声音被压过去，也并不罕见。她当时感受到的紧张、愤怒和羞辱，很可能都是真的。

但问题在于，我认识这些人。

我知道他们各自都有很明显的沟通风格。有些人的确算不上温柔，宜人性也不高，但他们大体上仍然是在提供学术判断、指出研究问题，并试图把学生的工作推得更扎实。其中有几位是我一生中遇到的最好的老师们。

导师和委员会成员会不会因为学术立场、个人积怨，甚至纯粹的ego而争吵？当然会，而且非常常见。…

但他们在争吵，不等于他们说的话没有价值；他们没有把学生的感受照顾得足够周全，也不等于他们没有提供帮助。

这里可能存在一种角色期待的错位。

学生容易把论文会议理解成一个围绕自己展开的支持空间，而教授更可能把它理解成一个围绕论文质量展开的专业场域。在前一种理解里，委员会成员最重要的职责是让学生感到安全、受到肯定；在后一种理解里，他们的职责是提出判断、暴露分歧，甚至当场争论哪一种理论、方法或解释更站得住脚。

双方对支持的理解不同，同一场会议就可能被体验成完全不同的事件。

从情感上说，她希望所有人的注意力都放在自己身上，并不难理解。那是她的论文、她的学位，也是她最脆弱的时刻，她当然希望所有人优先考虑她的处境。

但从制度上说，委员会并不是一个纯粹的情感支持小组。它既要支持学生，也要对论文质量负责；既要帮助学生完成学位，也要维护专业标准。成员之间的分歧可能令人不适，却未必意味着他们背叛了学生。有时恰恰因为他们认真对待这篇论文，才会争论什么才是更好的研究。

人在强烈不适时，很容易把感受直接当作对现实的解释。我感到被羞辱，便进一步推导出，他们就是在羞辱我；这场争论让我失去安全感，于是这场争论的目的就是打压我。

感受当然是真的，但感受对事件意义的解释未必完整。它能够告诉我们一个人经历了什么，却不能自动证明其他人怀着怎样的动机。

另一种常见的错位，是把支持理解成一种无限责任。只要学生感到受伤，就说明老师没有尽责；只要老师表达得不够温和，就说明帮助本身不存在。可现实中的支持很少这样纯粹。一个人可能语气生硬，却指出了真正重要的问题；也可能态度亲切，却没有给出任何有价值的建议。专业关系中的善意，不总以让人舒服的形式出现；而让人不舒服，也不必然说明对方怀有恶意。

我自己的委员会里也有过严重不和。成员之间确实存在冲突，在一些问题上甚至互不认同。但他们没有坑我，也都在各自的能力范围内帮助了我。对我来说，最有用的做法并不是判断他们谁更高级、谁更讨厌，而是分辨哪些意见与我的研究有关，哪些只是他们之间的旧账、风格差异或学术分歧。能吸收的就吸收，与我无关的噪音就屏蔽，搞不定的就装死—反正他们会搞定对方，搞不定对方怎么可能死磕几十年，其中一方早就出局了。

这也是学术训练中很少被正式教授的一部分。学生不仅要学习理论和研究方法，也要学习如何在不完美的制度和不完美的人之间完成自己的工作。导师可能不够体贴，委员会成员可能互相较劲，院系里也可能存在复杂的权力关系。一个人当然需要识别真正的伤害，也应该在别人越界时保护自己。但与此同时，也要学会区分伤害、摩擦、不适和意见分歧。

假如所有让自己难受的表达都被理解成恶意，所有不以自己为中心的互动都被理解成忽视，那么一个人最终会生活在一个敌意密度极高的世界里。这样的叙事确实能够保护自尊，却也可能夺走一个人的自由。

这并不是要求学生逆来顺受，也不是替权力更大的人开脱。恰恰相反，只有准确区分真正的滥权和普通的不愉快，批评才会有尺度，也才更有力量。如果说话不好听、学术意见不同、没有充分安抚我，以及羞辱、打压、伤害，全部被装进同一个口袋，那么真正严重的问题反而会被稀释。学术生活里当然有坏人，也确实存在恶意和权力压迫。但更多时候，我们面对的是性格不够宜人、表达不够温柔、彼此并不喜欢，却仍然可以在专业上提供帮助的人。一个人需要学习的，也许不是如何找到一个永远不会冒犯自己的环境，而是如何判断哪些话值得听，哪些不适只是成长过程中难以避免的摩擦。

不为别人，只为自己。毕竟，如果每天都在反复计算谁没有充分理解我、谁的语气让我不舒服、谁没有把我放在第一位，那么无论身处什么环境，幸福和快乐都会变得非常困难。