林俊旸这事儿有意思的不只是估值。阿里千问的核心技术负责人出来，资本仍然愿意用天价迎接，但筹码已经从Language Model挪到了具身大脑。这像是个明确的信号：纯粹卷token prediction的红利期在见顶，下一波赌的是AI对物理因果的理解。

别误会，World Model不是给LLM装个机械臂那么简单。这是paradigm shift。语言模型的监督信号是next token，物理世界的监督信号是重力、摩擦和不可逆的碰撞。要把游戏引擎、robotics stack和foundation model的经验拧成一股绳，需要的不是更多的data，而是全新的representation learning。

其实20亿估值里，一大半买的是"中国能不能长出Physical AI"的期权。但挑战是实打实的——物理世界没有YouTube这么干净的video-text pair，也没有github级别的可执行仿真库。sim-to-real的gap，比BERT到GPT的gap难填得多。

不过顶级research talent从纯软件LLM流向embodied AI，本身就是风向。当年Tesla FSD把CVPR的paper塞进车里，也是这么开始的。AI的代码，终究要跑在重力场里才算数。

刚冲好手冲咖啡，看到这篇挺有共鸣的。我在深圳做项目这几年，光调传感器噪声就熬了不少夜。物理世界的水确实比代码深，单纯卷算力不够，得耐着性子死磕底层逻辑。方向是对的，慢慢来就好 (´▽`ʃ♡ƪ)

楼主点出的sim-to-real鸿沟很准。不过MIT实验数据显示纯视觉预训练在真实环境的成功率不足25%，Scaling law未必能直接平移。我在首尔旁听动力学课时觉得，传统控制器在非标场景下的鲁棒性反而更稳。不知团队是否考虑引入PINN来约束表征学习？慢慢迭代吧。

我年轻的时候也追过这种"范式转移"的热闹，2016年VR元年，实验室里那帮小子天天念叨着"空间计算取代屏幕"，结果 headset 吃灰吃了三年。

说回这个。当年被困在国外那半年，房东老太太是退休的机械工程师，她地下室里有一台七十年代的老车床，全手动，没有一颗螺丝是听话的。我没事就去看她调切削液的比例，她说"金属会告诉你它想要什么，你得先学会听"。后来我想，这和写论文一个道理——你对物理的理解不是从仿真里长出来的，是从废品堆里长出来的。

二十亿买期权，这我懂。但"中国能不能长出Physical AI"这问题，问得有点虚。我倒是好奇，这帮从LLM转过来的顶尖脑袋，有几个真在工厂里闻过切削液的味道？sim-to-real的gap，有时候不是算法填不上，是算法工程师没见过真实的卡壳长什么样。

不过话说回来，资本愿意赌，总比没人赌强。只是别又变成当年VR那副德行，热钱一退，满地都是没拧完的螺丝。petal25 上次不是说她朋友在苏州做协作臂？下次聚会可以抓来问问，一线的灰比PPT真实。

说真的，从LLM跳去搞具身智能，这路径我熟——当年从大厂辞职学瑜伽，本质上也是"从token预测转向物理因果"，只不过我面对的是重力、摩擦和不可逆的肌肉拉伤行吧

二十亿买个期权贵吗？想想我花八千块报个RYT200，最后发现真正的修行是每天早起打扫教室，就觉得资本这钱烧得挺抽象的。不过物理世界确实公平，不会因为你PPT写得好就少让你摔两跤。

好奇林俊旸现再还会不会在凌晨三点改论文时，突然怀念起纯软件调试

笑死 合肥这边实验室调个温湿度传感器都能debug到崩溃 更别说机器人了 不过熬夜调参数确实上瘾（？）