block_fancy

过去两年，AI 最像魔法的时候，往往发生在屏幕里。
你输入一句话，它写出一篇文章。你给一张图，它生成一段视频。你丢一段代码，它帮你改 bug。所有这些都很震撼，但它们大多还停留在信息世界。
GTC Taipei 这次把另一个方向推到了台前，physical AI，机器人，数字孪生，智能工厂。
这个方向没那么容易做演示。
因为物理世界不讲情面。
文字生成错了，可以重写。图片生成歪了，可以再来一张。机器人在工厂里拿错零件、撞到设备、漏检瑕疵，代价就不一样了。物理世界有重量，有摩擦，有遮挡，有噪声，有安全责任。
所以我觉得，Physical AI 是 AI 行业真正从聪明走向可靠的一道关。
NVIDIA 官方 GTC Taipei 页面把 physical AI and robotics 放在重点主题里，博客里也提到了 Isaac GR00T、Isaac Teleop、机器人训练、工厂仿真、Omniverse、Cosmos、Metropolis 等组合。你把这些词连起来看，会发现英伟达想做的不是单个机器人。
它想做一套从虚拟到现实的训练系统。
这件事为什么重要？
因为机器人最缺的不是一个会说话的大脑，而是大量可用的训练数据和可靠的场景验证。人类小孩学会拿杯子，可以摔几次、试几次。工业机器人不能这样，它需要在上线前尽量知道各种情况怎么处理。
现实世界的数据很贵。
你要搭场地，要装传感器，要安排人操作，要处理安全风险，还要把大量视频和动作数据标注出来。更麻烦的是，很多罕见故障你很难等它自然发生，但真正上线时它偏偏会发生。
数字孪生和仿真的价值就在这里。
你可以在虚拟工厂里生成场景，制造瑕疵，改变光照，模拟设备移动，训练机器人面对各种边角情况。然后再把模型拿到真实工厂里测试，真实反馈再回到仿真环境里修正。
这就是 Physical AI 的闭环。
仿真不是游戏画面。
它是机器人进入现实之前的训练场。
如果这个闭环跑通，AI 行业会打开一个比聊天机器人更大的市场。制造、物流、医疗、农业、自动驾驶、仓储、能源巡检，这些行业都有大量物理任务。它们不需要一个只会写漂亮答案的 AI，它们需要一个能看、能判断、能行动、能承担后果的系统。
这会让 AI 公司的能力结构发生变化。
以前做 AI 产品，很多团队只需要模型、前端、后端、数据。做 Physical AI，你要懂传感器、控制、仿真、机器人硬件、现场流程、安全规范。软件和硬件会重新缠在一起。
这也是为什么英伟达在这里有天然优势。
它不只是有 GPU。它有 Omniverse 做仿真，有 Isaac 做机器人开发，有 Jetson 做边缘计算，有数据中心训练，有工业合作伙伴。它可以把机器人从训练到部署的链条尽量打通。
当然，不能把这件事想得太顺。
Physical AI 的落地速度不会像聊天机器人那么快。因为它要进入工厂，进入医院，进入仓库，进入道路。每个场景都有自己的规则，每个客户都有自己的设备，每个流程都有自己的历史包袱。AI 在屏幕里犯错，用户可能笑一笑。在物理世界里犯错，企业要承担损失。
所以这个行业不会一夜爆发。
但它一旦进入，壁垒也会很高。
一个机器人系统如果真的在工厂里跑起来，它积累的不只是模型参数，还有现场数据、流程经验、设备适配、工人协作、异常处理。这些东西很难被一个新模型轻易复制。
这对 AI 行业的深远影响，是把竞争从模型 API 扩展到真实世界的操作系统。
谁能把仿真、数据、模型、机器人和现场反馈连成闭环，谁就不只是卖软件，而是在重写行业流程。制造业里一个小瑕疵检测，一个换线流程，一个搬运动作，如果被 AI 稳定优化，背后都是成本、效率和质量的变化。
很多人问 AI 下一个杀手级应用是什么。
我有时候觉得，不一定是一个消费者 App。
可能是一条更聪明的产线。
可能是一个能学习的仓库。
可能是一家医院里不再只会送药，而是能理解流程的机器人。
这些东西不会像聊天机器人那样让每个人立刻上手，但它们一旦成立，会改变产业的底层成本。
GTC Taipei 把机器人和数字孪生放到台前，其实是在提醒我们，AI 不是只会改变屏幕里的工作，也会改变现实里的工作。
屏幕里的 AI 比的是表达。
物理世界里的 AI 比的是可靠。
更深一层看，Physical AI 还会改变 AI 公司和传统行业公司的关系。
过去很多 AI 公司卖的是能力，给你一个 API，给你一个模型，剩下的事情交给客户自己想办法。可到了工厂、仓库、医院、港口，客户买的不是能力演示，而是停机时间减少了没有，良率提高了没有，安全事故下降了没有，人员培训成本降了没有。
这会逼 AI 公司从卖模型，转向卖结果。
卖结果就难了。你要懂现场，要能派工程师，要能和客户原有系统磨合，要能承认模型有边界。很多轻飘飘的 AI 叙事到这里都会掉下来，因为现实世界不接受模糊承诺。
但也正因为这样，Physical AI 一旦跑通，会形成更深的护城河。一个在真实工厂里迭代过一千次的机器人系统，背后有太多场景细节。那些细节写不进发布会 PPT，却会决定产品到底能不能活下来。
我觉得这可能是 AI 下半场最值得耐心看的地方。
不够热闹，但足够硬。
而可靠，恰恰是最贵、最慢、也最有壁垒的东西。

AI PC 这几个字，过去一年多有点尴尬。
你去看电脑发布会，厂商会告诉你这是一台 AI 电脑。然后呢？多一个按键，多一个助手，多几个本地小功能。听起来都对，但很多人心里会默默问一句，我为什么要为它换机？
这不是消费者不懂 AI。
是过去很多 AI PC 没有把问题讲清楚。
GTC Taipei 上，英伟达把这个问题往前推了一步。NVIDIA 博客里提到 RTX Spark，把 Blackwell RTX GPU、Grace CPU、Windows、MediaTek 合作、本地个人 Agent 放到一起讲。最重要的不是 1 petaflop 这个数字本身，而是它把个人电脑重新定义成 Agent 的居住空间。
这句话可能比参数更重要。
过去电脑是人的工具。你打开 Photoshop，打开浏览器，打开 VS Code，打开 Excel。应用是主角，操作系统负责调度，人负责点击。
如果个人 Agent 真的成立，电脑就会变成另一种东西。它不只是等你打开应用，而是在你授权的边界里，持续理解你的文件、项目、日程、邮件、素材和工作习惯。它不只是回答问题，而是帮你把一件事从资料、执行到检查串起来。
这时候云端 AI 和本地 AI 的分工就变得很关键。
云端模型更强，更新更快，适合复杂推理和大规模能力。但个人数据、私密文件、低延迟操作、离线场景，不可能全部交给云端。一个真正好用的个人 Agent，必须知道你电脑里的东西，必须能和本地应用打交道，必须在很多微小任务上几乎没有等待。
这就是本地推理的价值。
不是为了证明电脑也能跑模型。
是为了让 Agent 能贴近人的日常。
你可以想象一个很普通的下午。你桌面上有一堆会议纪要，浏览器里开着十几个网页，微信里有人催你改方案，硬盘里还有上个月做过的一版 PPT。一个云端聊天机器人当然可以帮你写东西，但它不知道你电脑里哪些文件是最新的，不知道你刚刚改了哪一页，不知道某个客户更在意哪句话。
如果本地 Agent 能在授权下理解这些上下文，它就不只是一个问答框。
它会变成电脑的新入口。
这也是英伟达进军 Windows PC 的行业影响。AI PC 不是 PC 行业给自己找的新卖点，而是 AI 应用从云端服务走向个人工作空间的一次下沉。谁掌握这个入口，谁就有机会重新定义用户每天怎么和 AI 相处。
过去移动互联网最大的入口是手机。手机为什么厉害？不是因为它算力最强，而是因为它贴身、常开、知道你的位置和行为。AI 时代的个人电脑如果要重新重要起来，也不是靠跑分，而是靠它能不能成为个人智能体的长期容器。
这件事会影响很多行业。
对软件公司来说，应用可能要重新架构。NVIDIA 博客里提到 Adobe 为 RTX Spark 重新设计 Photoshop 和 Premiere 的 AI 与图形性能。这个细节很值得看，因为它说明 AI PC 不是硬件厂商单方面喊口号，真正的价值要通过应用重构释放出来。
如果应用不改，本地算力只是躺在那里。
如果应用改了，事情就不一样。剪辑软件可以把本地素材理解、生成、预览、渲染串起来。设计软件可以让 Agent 在你的项目文件里做建议。开发工具可以在本地代码库里理解上下文。办公软件可以把文档、表格、邮件、日程连起来。
这就是 AI PC 最真实的机会。
它不是让你多一个聊天窗口。
它是让电脑上的每个应用都变成 Agent 可以进入的工作场景。
当然，这里面也有很多难题。
本地 Agent 怎么授权？它能不能读我的文件？读到什么程度？它犯错了谁负责？它能不能自动发邮件、改文档、提交代码？如果它一直在后台运行，隐私和安全怎么保障？如果模型在本地变聪明，软件厂商和硬件厂商怎么分收益？
这些问题没有一个轻松。
但正因为难，才说明 AI PC 不是贴标签能解决的。
我自己觉得，AI PC 真正的分水岭不是第一批硬件有多强，而是接下来一两年会不会出现几个非它不可的使用场景。比如本地代码 Agent、本地视频剪辑 Agent、本地企业文档 Agent、本地设计 Agent。只要有一个场景让用户觉得，没有本地算力就明显不舒服，换机逻辑就会成立。
否则它还是营销词。
GTC Taipei 的深远影响在于，英伟达把个人电脑重新放回 AI 产业链的中心位置。过去大家觉得 AI 的未来在云里，在数据中心，在超大集群。现在它说，个人设备也要有自己的智能工厂，小一点，但离你更近。
这个判断如果成立，AI 行业会从云端 API 竞争，进入云端加本地的混合竞争。
模型公司要考虑模型如何在本地降尺寸、降延迟。软件公司要考虑应用如何开放给 Agent。硬件公司要考虑本地算力怎么被用户真正感知。操作系统公司要考虑权限、上下文、记忆和安全怎么设计。
你看，AI PC 终于不只是 PC 的事了。
它变成了个人 AI 入口之争。
以后我们买电脑，可能不再只问屏幕、续航、重量和性能。还会问，这台机器能不能放下我的个人 Agent，能不能安全地理解我的资料，能不能在我每天的工作里省掉那些反复的小动作。
那时候 AI PC 才算真正摆脱贴标签。

Essas palavras 'PC AI' têm sido um pouco embaraçosas no último ano e meio.
Você vai ver a apresentação do computador, e os fabricantes vão te dizer que é um computador AI. E daí? Um botão a mais, um assistente a mais, algumas funcionalidades locais a mais. Parece tudo certo, mas muita gente vai se perguntar em silêncio: por que eu deveria trocar de máquina?
Não é que os consumidores não entendam AI.
O problema é que muitos PCs AI não explicaram a questão claramente.
Na GTC Taipei, a NVIDIA deu um passo à frente nesse problema. No blog da NVIDIA, mencionaram o RTX Spark, juntando a Blackwell RTX GPU, a Grace CPU, Windows, a colaboração com a MediaTek e o agente pessoal local. O mais importante não é o número de 1 petaflop em si, mas como isso redefine o computador pessoal como um espaço de habitação para agentes.

Antigamente, quando assistia a conferências de hardware, cometia um erro comum.
Quando vejo uma nova plataforma, logo penso nos parâmetros: quantas GPUs, quanta largura de banda, quanto de aumento de performance, e quanto de throughput por watt.
Isso, sem dúvida, é útil.
Mas desta vez, na GTC Taipei, o mais interessante sobre a Vera Rubin não está nos números individuais, mas no fato de que a NVIDIA a descreve como uma fábrica.
Não é apenas um servidor.
É uma fábrica de IA.
Essa afirmação é crucial. O termo 'fábrica' carrega naturalmente a ideia de produção, taxa de rendimento, cadeia de suprimentos, capacidade, e custo por unidade. Você não vai perguntar apenas se uma máquina é boa, mas sim quanto uma linha inteira consegue produzir por dia, se pode ser consertada se quebrar, se o consumo de energia é aceitável, se as peças estão disponíveis, e se os produtos gerados podem ser vendidos.

O que eu achei mais interessante na apresentação do GTC Taipei não foi o quanto algum parâmetro subiu, nem quão incrível é um determinado servidor.
Foi o Huang Renxun que mencionou sobre a Vera CPU, dizendo que no passado as CPUs eram para uso humano, mas no futuro teremos bilhões de agentes, e esses Agentes vão usar a CPU de forma extremamente impaciente.
Essa frase soa como uma citação de palco, mas se você pensar bem, é um pouco assustadora.
Antes, discutimos sobre IA, e na maioria das vezes, assumimos que o usuário é humano. Uma pessoa abre o ChatGPT, faz uma pergunta, espera alguns segundos, copia o resultado e vaza. Mesmo que seja um assistente de IA dentro de uma empresa, no fundo, ainda é uma pessoa que inicia a ação. O humano é o mestre do ritmo, enquanto a IA é o ajudante que é chamado.

过去聊 AI 模型，大家最爱问一个问题，谁最聪明。
谁推理更强，谁代码更好，谁数学更稳，谁多模态更惊艳。
这个问题当然重要。
但到了应用商业化阶段，它不再是唯一的问题，甚至很多时候不是最先要问的问题。
真正该问的是，够不够用，快不快，便不便宜，能不能稳定跑在你的业务里。
这就是便宜模型变强以后，AI 竞争开始发生的变化。
以前大模型像奢侈发动机。你把它装进产品里，演示效果很好，但只要用户量上来，成本就开始咬人。一次调用看起来不贵，成千上万次调用叠起来，毛利就会被吃掉。
而且很多真实任务，并不需要最聪明的模型。
客服分流、固定格式摘要、表格抽取、工单分类、标题改写、短文本翻译、知识库检索后的回答，这些任务需要的是稳定、快速、便宜、可控。
如果一个小模型能把这些事做得八九不离十，它就很有商业价值。
因为产品最终不是在比赛模型排行榜。
产品是在算一笔账。
每次用户操作花多少钱。
响应要等几秒。
出错后谁来兜底。
能不能部署到客户自己的环境。
数据能不能少出门。
这些问题，比谁在通用测试里多赢几分更接近生意。
便宜模型变强以后，AI 应用会出现一个很重要的分工。
简单任务交给小模型。
复杂判断交给大模型。
高频流程交给低成本模型。
关键节点再调用更强模型。
这听起来像技术架构，其实是商业架构。
因为它决定一个 AI 产品能不能从试用走向规模化。
很多 AI 应用死在一个地方，演示阶段没有成本压力，正式上线才发现每一次用户使用都是亏的。产品经理只看生成效果，财务看的是毛利，客户看的是稳定，用户看的是等待时间。
低成本模型的意义就在这里。
它不是替代所有强模型。
它是让 AI 从一个炫技功能，变成可以被嵌进业务流程里的日常能力。
再说延迟。
很多人低估了速度对产品的影响。
如果用户在聊天窗口里等 8 秒，他会觉得你在思考。
如果用户在办公软件里每个动作都等 8 秒，他会觉得你坏了。
AI 一旦进入工作流，就不能只看最终答案质量，还要看交互节奏。
写作助手可以慢一点。
客服助手不能慢。
实时翻译不能慢。
销售跟进建议不能每次让人等半天。
本地办公、端侧助手、移动设备上的 AI 功能，更是如此。
低延迟让 AI 从一个被动调用的工具，变成一个随手可用的界面层。
这会改变产品设计。
过去我们设计 AI 功能，常常是一个按钮，点一下，等生成。
未来更多 AI 功能会像自动补全、实时建议、即时归类、边写边改。它不再占据一个独立页面，而是贴在工作过程里。
这时候最强模型未必最合适。
最合适的模型，是那个在质量、成本、速度和可控性之间达到平衡的模型。
所以 AI 的下一场竞争，不是简单的谁最聪明。
而是谁更会调度模型。
产品里可能同时有大模型、小模型、规则系统、检索系统、缓存、人工复核。用户看不到这些东西，但它们决定产品能不能稳定交付。
这对创业团队反而是机会。
因为如果竞争只剩最强模型，中小团队没有太多话语权。
但如果竞争转向模型编排、场景理解、成本控制和产品体验，小团队就有空间。
一个垂直场景里，最有价值的不一定是最贵的模型。
可能是一个小模型，加上一套干净的数据结构，一组高质量样例，一个清楚的验收流程。
这也是为什么便宜模型变强以后，AI 应用会更像软件生意。
你要算成本。
你要做分层。
你要定义任务。
你要知道哪些错误可以接受，哪些错误必须人工复核。
你要把模型能力藏在产品背后，而不是让用户每次都面对一个万能输入框。
最后给产品团队一份清单。
第一，把功能拆成高频低风险、低频高风险、需要强推理、只需要格式处理四类。
第二，高频低风险任务优先尝试低成本模型。
第三，对用户体验敏感的场景，把延迟当成核心指标。
第四，不要只看模型单次效果，要看稳定性、失败率和返工成本。
第五，把强模型留给关键判断，不要让它处理所有重复劳动。
第六，记录每个任务的单位成本，别等用户量起来才算账。
第七，把模型选择做成产品能力，而不是临时技术决策。
便宜模型变强，不会让强模型失去价值。
它会让 AI 产品真正开始分工。
而一旦开始分工，竞争就从模型智商，转向产品基本功。

Por que o Bitcoin caiu tanto?#btc #Near
Primeiro, o maior gatilho emocional foi a estratégia rara de vender BTC. A estratégia sempre foi vista pelo mercado como um âncora de fé em Bitcoin de "só comprar e não vender", e agora revelou a venda de 32 BTC. Embora o valor seja relativamente pequeno em relação à sua posição, isso abalou a psicologia do mercado: até mesmo a narrativa mais forte de HODL começou a rachar, e os traders de curto prazo naturalmente saíram correndo.
Segundo, a saída de capital do ETF de BTC à vista afetou o suporte principal que sustentava o BTC. Relatos recentes mencionaram que o BTC caiu abaixo de 70.000 dólares, enquanto o mercado observa a pressão que a saída líquida do ETF exerce sobre o preço; dados indicam que em 1º de junho, a saída líquida do ETF à vista foi de cerca de 484 milhões de dólares em um único dia.

As notícias recentes sobre a Anthropic são como se pegassem o termo 'startup de IA' e o colocassem sobre a mesa para uma reavaliação.
Uma empresa fundada em 2021, que se destacou no setor de modelos grandes com a Claude, elevou sua avaliação para quase 965 bilhões de dólares em uma nova rodada de financiamento. Esse número já não é apenas grande no contexto de startups, parece mais uma pergunta.
As empresas de IA ainda podem ser consideradas startups?
Se continuarmos a olhar para isso com a mentalidade de startups SaaS do passado, parecerá absurdo. As antigas empresas de software tinham seu charme na leveza de capital, altas margens e baixos custos marginais. Primeiro, desenvolviam o produto e depois provavam seu valor com crescimento e renovações.

> Autor: Organizado | 11 de março de 2026 | Baseado em Huang Renxun 2026.03.10 Blog oficial da Nvidia
Um, o que realmente diz o bolo de cinco camadas
Em 10 de março de 2026, o CEO da Nvidia, Huang Renxun, publicou seu sétimo longo artigo público desde 2016. Este não é um simples observação da indústria, mas um mapa sistemático da indústria. Ele usou a metáfora simples do "bolo de cinco camadas" para redefinir a essência do AI.
A estrutura de cinco camadas, do fundo para o topo, é:
Energia → Chips → Infraestrutura → Modelos → Aplicações
Cada aplicação de sucesso puxa para baixo todos os níveis, até a usina de energia que a alimenta na base.

Recentemente, estou estudando o Fabric Protocol da @FabricFND e, quanto mais olho, mais sinto que este projeto está fazendo algo verdadeiramente valioso.
A narrativa sobre Agentes de IA já está saturada, mas há poucos projetos que realmente conseguem implementar e executar modelos econômicos. O que a Fabric Foundation está fazendo é diferente — está construindo uma infraestrutura que permite que os Agentes de IA operem de forma autônoma na blockchain, e $ROBO é o núcleo desse sistema.
Por que eu estou otimista com #ROBO?
O problema dos protocolos DeFi tradicionais é que precisam de intervenção humana, o que resulta em baixa eficiência e lentidão na resposta. A ideia da Fabric é deixar que os Agentes de IA assumam essas operações repetitivas na blockchain — executando estratégias automaticamente, gerenciando posições e otimizando retornos. Isso não é um conceito, é uma infraestrutura real em funcionamento.

Boa tarde, pessoal da praça. Hoje quero compartilhar com vocês um projeto que considero muito promissor que combina IA + robótica + blockchain — o Fabric Protocol lançado pela @FabricFND.
Fabric Protocol é uma fundação de infraestrutura descentralizada dedicada a construir a próxima geração da economia robótica. Eles utilizam tecnologia blockchain para conferir identidade on-chain, carteira soberana e um sistema econômico completo a robôs inteligentes autônomos e agentes de IA. Isso significa que os robôs do futuro não serão apenas ferramentas, mas sim 'cidadãos digitais' que podem participar independentemente de atividades econômicas, completar tarefas e obter lucros.