与「PCゲーマー」相关的搜索结果

AI 这轮行情里最赚钱的，那必定是卖内存的。 美光 $MU 今晚盘后第四季度财报即将发布， 而华尔街预计本季度 $MU 每股收益（EPS） $31.82 ，营收 $514.7亿 ，营收将增长超过450%。 按照这个速度，内存什么时候才能跌下来？ 杰尼君去年写的游戏主机配置单，今年升值50%了， 然并卵，我当时配了MAC Studio没换PC主机……🤣

最近听完了张小珺和曾鸣这期两个多小时的对谈，推荐。 里面有很多很猛的判断：模型最终会越来越像基础设施；Agent 会产生新的入口；旧平台很难自然长成新平台；甚至今天习以为常的“公司”这种组织形式，都可能逐渐衰退。 但我听完最有感触的，其实不是 OpenAI、Anthropic 最后会不会成为赢家。 而是 AI 真正改变的，可能根本不是“一个人能不能把原来的工作做快 10 倍”，而是我们为什么还要按照原来的方式工作。 过去的公司是： 人 → 岗位 → 部门 → 层级 → 流程 但 AI 原生的组织越来越可能变成： 目标 → 任务 → 能力 → Agent / 人 → 执行 → 反馈 谁来完成任务，反而没有以前那么重要了。 这一点我最近体感特别强。 自己这段时间一直在折腾各种 AI Agent 和自动化工作流。最开始想的也是“怎么让 AI 帮我干活”，但越往后做，越发现真正有意思的不是给现有流程加 AI，而是很多原来的流程、岗位甚至组织方式，本身就没有继续存在的必要。 AI Native 可能不是「原来的公司 + AI」。 就像移动互联网原生产品，不是把 PC 网站缩到手机屏幕上一样。 我们现在可能还处在一个非常非常早的阶段。 这期值得完整听一遍。

豆包添加MCP SSH Server的方法是，先登录豆包电脑PC版，点左侧菜单第 4 项：「技能・连接器・伙伴」，右上角 「+ 新建」 → 下拉选 「新建自定义连接器」，传输类型选 STDIO（默认是 HTTP，要切换）—— 表单会变成：服务器名称、命令、参数、环境变量，参数每项点「+ 添加」逐个填入即可。

鹅，这两天不断有水友加我微，来问小红书爆款笔记和爆款商品数据怎么来的 其实，2年前我就借助 RPA + ChatGPT 开发好了。现在更简单： 1/ 给 Codex 充好 Pro 2/ 把安卓机连上 PC 3/ 给 Codex 下命令：把小红书半年内万赞笔记抓出来 好了，看电影去吧，约会去吧

QQ 是腾讯在 PC 互联网时代的船票， 微信是腾讯在移动互联网时代的船票， 说不定 WorkBuddy 是腾讯在 AI 时代的船票呢。 你觉得呢？欢迎在评论区留下看法🤗

拥抱泡沫＝拥抱争议 投资 crypto 的黄金窗口，恰是它争议最大的那几年。 当它还被视为“投机工具”和“监管灰区”时，多数人看到的是风险，少数人看到的，却是一个尚未被主流定价的新网络。 类似的故事并不少见： ▌iPhone 刚问世时，许多人认为手机只能用于通信，小屏幕不可能取代 PC ▌电动车长期被质疑续航短、成本高、补能难，特斯拉也一度被视为资本游戏 争议越大，认知差往往越大。等共识形成、叙事被证明正确，不对称机会通常已经所剩无几。 1/ 下一场争议：机器人 如今分歧最大的行业之一，是具身智能/机器人。 看多者认为，它将引发下一场劳动力革命；看空者则认为，这只是靠 PPT 造富的工业版共享单车。 质疑并非毫无根据： 硬件和维护成本高 人形未必是最优工程方案 高质量真实数据极度稀缺 应用场景分散，付费意愿有限 这些问题都指向同一个核心：物理世界的摩擦。 语言模型可以从互联网学习文本和图像，机器人却必须学习如何行动。 它不只要认出一只杯子，还要判断从哪儿抓、用多大力、怎么避开障碍、如何稳稳放下。一旦抓空、打滑，或者物体位置和预期不符，它还得知道怎么纠错。 这类数据，比互联网上的文本稀缺太多了。 2/ 机器人缺的不是故事，而是数据 具身智能行业正卡在一个明显的矛盾里。 一边，硬件、传感器、算力和模型都在飞速进步； 另一边，能让机器人在真实世界中泛化的数据，依然昂贵、缓慢、稀缺。 传统的数据采集高度依赖封闭实验室：搭建场景 → 安排操作员 → 遥控真机 → 工程师清洗、标注、训练。 这套模式的问题一目了然： ▌速度慢、成本高 ▌场景覆盖有限 ▌难以处理真实世界的大量长尾情况 ▌数据供给很难跟上模型迭代速度 所以行业真正的瓶颈，也许从来不是能不能造出机器人，而是能否以足够低的成本、足够快的速度，持续生产出让机器人变聪明的数据？ 这正是 @axisrobotics 的切入点。 3/ Axis Robotics：不造机器人，生产机器人数据 Axis Robotics 没有把重点放在再造一台人形机器人，而是选择了产业链中更基础、也更难规模化的一层：机器人训练数据。 它的路径分三步。 第一步：用浏览器，把仿真数据做成规模生意 用户不需要任何硬件，打开浏览器就能远程操作一台仿真机械臂，完成拿杯子、分拣物品、打开抽屉等任务。 每一次操作都会留下一条完整轨迹——关节状态、物体位姿、控制动作、任务元数据等，可直接用于基础策略的预训练。 第二步：用人工纠错，采集高价值的后训练数据 当策略开始自主执行任务时，人类只需在一旁监督。模型一出错，操作员立刻接管、纠正，然后把控制权交还给模型。 第三步：用手机，补上真实世界的那一块 手机可以捕捉第一人称的空间与动作信息，把日常人类行为直接转化为机器人可学习的样本，填补仿真难以覆盖的真实分布。 后台会对轨迹做回放、验证与清洗，再通过 Isaac Sim 扩展为大规模、照片级、域随机化的训练样本，用于训练泛化能力更强的模仿学习策略。 4/ 结语 具身智能能否像市场期待的那样快速落地，仍是未知数。但有一件事正在变得越来越清晰： 如果物理 AI 真正进入现实世界，数据将是无法绕过的基础设施。 Axis Robotics 传送 -

RTX PC Week — FREE PC DROP #5# 🔔 WIN this custom @STEIGERDYNAMICS build, powered by a GeForce RTX 5080 Founders Edition. A new rig is ready. Which game gets the first launch? Share your answer with #RTXPowersPlay# to enter!