英伟达GTC现场直击：6位蓝驰家族成员演讲分享，拆解AI落地的6个技术难题

NVIDIA GTC大会正在圣何塞进行。在黄仁勋展示的「AI原生企业」名单中，AI for Robots领域出现了智元机器人，Frontier Model Builders中出现了Kimi。 这两家企业，都来自蓝驰家族成员。

图片来源：英伟达

不止如此，在这届GTC上，蓝驰已投企业成员——月之暗面Kimi创始人杨植麟、Genspark联合创始人&CTO朱凯华、银河通用机器人创始人王鹤、智元机器人仿真负责人吴墨、至简动力CEO贾鹏、理想汽车基座模型负责人詹锟，分别发表了演讲。

这六家公司面对的，是AI从技术走向应用过程中六个真实存在的结构性问题。它们的路径各不相同，但都指向同一个方向：在技术落地的那一端，真正稀缺的不是概念，而是对问题的定义能力和对架构的选择能力。 以下是蓝驰家族GTC一线速递。作为一家早期投资机构，我们持续关注这些问题的定义者和解构者。期待更多的创业者一起上船~

图片来源：甲子光年

🧙分享企业：月之暗面Kimi

**❓难题描述：**Scaling Law撞墙了？当业界热议大模型还能不能继续"大力出奇迹"时，Kimi创始人杨植麟给出一个硬核判断：瓶颈不在算力，而在那些"默认正确"的老技术。

**🗺️创新解法：**Kimi团队干了一件极客范儿十足的事，把优化器、注意力机制、残差连接这些多年前的产物拆开重写。

• 给优化器"动手术"： 用更高效的Muon优化器替代"老将"Adam。当遇到训练不稳定的难题时，Kimi团队研发并开源了MuonClip优化器，在解决Logits爆炸问题的同时，实现了2倍于传统AdamW的计算效率。
• 挑战注意力机制的"金标准"： 打破"所有层必须用全注意力"的惯例，提出混合线性注意力架构Kimi Linear，在超长上下文中把解码速度提升5到6倍。
• 改造残差连接： 引入Attention Residuals方案，解决了深层网络信息稀释的顽疾。这项工作甚至引发了前OpenAI联合创始人Karpathy和xAI创始人马斯克的公开赞叹。

🔑Takeaway： 当"大力出奇迹"的路径变窄，回过头去**优化那些"默认正确"的基础架构，**或许正是开启下一阶段智能增长的钥匙。

🧙分享企业：Genspark

❓难题描述： 当大多数用户还在和AI进行短时间的对话时，Genspark联合创始人&CTO朱凯华抛出一个更硬核的问题：你的AI，能连续工作几天吗？

**🗺️创新解法：**AI系统会经历AI 搜索、异步工作流、智能体以及长程智能体这些阶段，每个阶段都需要找到适合的架构模式，并作出技术权衡：

• 把复杂任务"拆开做对"： 在多步骤、长时运行的任务中，掌握应用模型路由和工具执行的技巧。
• 识别失效模式，避免"越做越错"： 识别长程智能体中常见的失效模式，包括部分执行（只做了一半）和复合误差（错误叠加）。
• 怎么防止AI"跑偏"： 给AI加上"检查节点"和"纠错机制"，确保智能体轨迹在大规模运行中不偏离预定轨道。

🔑Takeaway： 当AI开始处理长周期任务，"靠谱"比"聪明"更稀缺。

「预告：朱凯华的分享将于北京时间3月20日（周五）凌晨3:00进行，敬请期待。」

🧙分享企业：银河通用机器人

❓难题描述： "今天具身智能的一大困难，就是真实数据采集贵。"银河通用机器人创始人王鹤一针见血。无论是遥操还是动捕，采集规模都极其有限。面对通用智能所需的上万亿条数据，完全靠真实采集，永远走不出实验室。

🗺️创新解法： 王鹤的解法是一座 "数据金字塔"。这座金字塔的底层是互联网视频文本数据，中层是人类行为数据，核心层是多本体合成仿真数据，回流层是真实世界数据。有了这套数据金字塔支撑，银河通用训练出全球首个"大小脑一体"的端到端具身大模型——银河星脑。

这套打法最妙的地方在于，它专治各种过去机器人搞不定的"麻烦事"：

• 春晚炫技背后是硬功夫：机器人能双手盘核桃、穿烤串，靠的不是遥操，而是先在仿真世界里把"手感"练好。
• 专治各种"不服"： 面对柔软的衣服、透明的药盒，都在仿真中生成海量随机场景，让模型"见多识广"，再到真实世界做到零样本泛化。
• 实打实的落地：覆盖全国24城的智慧药房（已送近百万盒药）、上百个景区零售舱（日均服务超2000人）、与博世合资推出能搬百斤重物的重载机器人——仿真数据驱动，并非纸上谈兵。

🔑Takeaway： 与其在宏大叙事中内卷，不如先锚定一个真实痛点， 用仿真数据把事做透。

🧙分享企业：智元机器人

❓难题描述： 机器人进厂干活，难的不是硬件，而是仿真里跑得溜，一到现实就"水土不服"。这是行业"最后一公里"难题。智元机器人的解法是：用数字孪生先"预演"，让真机一次通关。智元机器人仿真负责人吴墨在GTC上揭秘了Genie Sim 3.0仿真平台，这个平台有一套完整的仿真落地工具箱：

🗺️创新解法：

• **用嘴建场景：自然语言指令驱动，几分钟生成海量泛化场景，支持反复编辑。
• **场景神还原：3D高斯重建+视觉生成+物理引擎，实现视觉与物理双高保真，环拍60秒即可生成仿真资产。
• **AI考官：**VLM/LLM自动评测，多维度给模型画像，仿真与真机评测差异<10%，可替代昂贵真机测试。

🔑Takeaway： 仿真不是替代真实，而是让真实世界的那一次尝试，必须成功。

🧙分享企业：至简动力

❓难题描述： 当过理想汽车智驾技术研发负责人、在英伟达和IBM工作过的贾鹏，创业后感受到了行业的路线之争——双系统、VLA、世界模型……各路技术路线讨论不休。但落到工厂里，要的只有一件事：100%的成功率。至简动力CEO贾鹏提到："通用能力的不足与用户的高要求之间存在着巨大鸿沟，这也是具身智能发展至今仍未大规模落地的真正原因。"

🗺️创新解法： 贾鹏的解法是做 "减法"，把所有能力塞进一个统一的简单架构里：

• 大一统模型： 他认为未来属于"大一统"模型，这种模型能把多模态理解与生成、快慢思考、策略与价值评估全部集成。用MoT架构低成本融合不同模态，训练出基座模型LaST₀，把VLA和世界模型的优点合二为一。
• 效率惊人： 推理速度提升14倍；在大多数下游任务中，20分钟内就能达到具备泛化能力的100%成功率，这意味着换个位置、换个角度，机器人照样一次成功。
• 数据"瘦身"： 多模态建模产生的大量Token曾引发业界担忧，但贾鹏发现一个反常识的结论：每个模态其实只需要一个Token就够用了。

🔑Takeaway： 面对复杂的物理世界，与其在多条技术路线上左右横跳，不如回归本质，用一个足够简单、统一的底层架构，去承载那些真正核心的能力。

🧙分享企业：理想汽车

❓难题描述： 如果你的认知还停留在"理想汽车发布了一个更聪明的自动驾驶模型"，可能低估了他们的野心。理想汽车基座模型负责人詹锟在GTC上发布的MindVLA-o1，不仅服务于汽车，也可扩展至机器人及各种物理系统。对理想汽车而言，**车是最大号的机器人，**其本质是在构建硅基生命体的躯干与大脑。

🗺️创新解法： 这个大脑通过五大技术创新，让自动驾驶看得更远、想得更深、行得更稳、进化更快、部署更高效：

• 3D空间理解： 用视觉+激光雷达点云，让模型看懂立体世界。
• 多模态思考： 引入"预测式隐世界模型"，让AI不仅能理解当下，还能在隐空间中提前"想象"并推演未来几秒的场景变化。
• 统一行为生成： 通过VLA-MoE架构和并行解码，让生成的驾驶轨迹既精准又符合车辆动力学，开车更"老司机"。
• 闭环强化学习： 在世界模拟器中疯狂"刷题"试错，模型迭代速度起飞，训练成本反而降低约75%。
• 软硬件协同设计： 在近2000种模型架构中快速找到模型精度与推理延迟之间的平衡点，将架构探索时间从数月缩短至数天。

🔑Takeaway： 当头部车企开始用造"数字生命"的思维来打造自动驾驶模型，技术的想象空间，可能远比我们看到的要大。

给你一小时，能用OpenClaw做出什么？ | 蓝驰「虾客松」现场实验

2026年AI变局：OpenClaw如何影响AI创业？模型和应用有哪些新变化？| 蓝驰AI年度观察

蓝驰AI年度观察：中国AI创业者的生存、进化与叙事 | Booming Talk