软件先容

2026年世界杯国外买球使用指南

第一步：导入文件

翻开软件，，，，
，点击"?添加 2026年世界杯国外买球"按钮，，，，
，从电脑中选择《2026年世界杯国外买球》文件，，，，
，或直接将其拖拽至软件界面中。。。。
。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，，，
，您可凭证界面提醒选择所需的生涯路径或下载名堂。。。。
。

第三步：最先下载

确认无误后，，，，
，点击"最先下载/处理"按钮。。。。
。期待进度条读取完毕，，，，
，即可在设定的文件夹中审查下载好的正版文件。。。。
。

李飞飞学生提倡国际具身人类数据标准，，，，
，光轮智能成唯一加入中国企业，，，，
，2026年世界杯国外买球

诺亚 发自 凹非寺量子位 | 公众号 QbitAI

2009年，，，，
，李飞飞团队正式宣布ImageNet。。。。
。

随后，，，，
，以ImageNet为基础形成的大规模视觉识别使命，，，，
，让差别机构第一次能够围绕配合的数据集、种别系统和评测指标训练模子、较量效果。。。。
。

得益于这套可以一连扩展、统一较量的数据与评测基础设施，，，，
，图像识别和深度学习最先快速生长。。。。
。

17年后，，，，
，李飞飞的博士生Danfei Xu，，，，
，最先为机械人学习寻找类似的协作基础设施。。。。
。

Danfei Xu现在担当佐治亚理工学院交互盘算学院助理教授，，，，
，也是机械人学习与推理实验室（RL2）的认真人。。。。
。他在斯坦福大学攻读博士时代，，，，
，由李飞飞和Silvio Savarese配合指导。。。。
。已往几年，，，，
，他一连研究一个问题：机械人怎样从人类演示中学习，，，，
，并将这些履历迁徙赴任别使命、情形和机械人本体上。。。。
。

这条研究线，，，，
，最终汇入了EgoVerse——“第一视角人类操作数据生态”。。。。
。

EgoVerse是一套一连增添的第一视角人类操作数据生态与标准。。。。
。EgoVerse最新果真的同盟同伴中，，，，
，除了佐治亚理工、斯坦福、苏黎世联邦理工和UC San Diego等学术机构，，，，
，还包括Meta、Scale AI、光轮智能、Mecka AI、MicroAGI、Trace Labs等公司。。。。
。

最值得的关注是，，，，
，光轮智能作为唯逐一家中国公司，，，，
，泛起在这个顶级大佬云集的全球标准牌桌上。。。。
。

EgoVerse：Danfei想做的不但是一个数据集

机械人学习恒久面临一个显着的数据悖论。。。。
。

现在机械人训练仍然依赖真机遥操作，，，，
，每增添一条演示，，，，
，都需要机械人硬件、操作职员、实验园地和复位流程。。。。
。收罗速率慢、本钱高，，，，
，能够笼罩的使命和场景也很有限。。。。
。

而人类的种种行为自然包括富厚的视觉信息、行动历程、物体交互和使命战略，，，，
，显着是机械人更好的先生。。。。
。

第一视角人类数据提供了新的蹊径：先纪录人怎样在真真相形中完成使命，，，，
，再把这些履历迁徙给差别机械人。。。。
。

但已往的人类数据集大多是一次性项目。。。。
。

差别团队使用各自的收罗装备、坐标系统、行动标签和使命界说，，，，
，数据宣布后也很难一连扩张。。。。
。纵然两家机构都收罗了“把杯子放到碟子上”，，，，
，两份数据也未必能够直接放在一起训练。。。。
。

Danfei及其相助者因此没有把EgoVerse设计成又一份静态数据集，，，，
，而是做成了一套“活”的协作框架。。。。
。

EgoVerse目今果真版本包括1362小时人类演示数据、约8万个episode、1965项使命、240个场景和2087名收罗者。。。。
。数据不但包括第一视角视频，，，，
，还提供相机位姿、三维手部信息以及细粒度语言形貌，，，，
，并在差别实验室、差别使命和差别机械人本体上验证人类数据的迁徙效果。。。。
。

一套事实标准形成之前，，，，
，往往要先完成几件事：

让加入者接纳配合的数据结构，，，，
，遵守配合的使命语义，，，，
，生产可以相互兼容的数据，，，，
，并用统一要领磨练这些数据是否真的有用。。。。
。

EgoVerse正在做的，，，，
，正是这一步：先让全球具身数据最先凭证统一套“语言系统”流动。。。。
。

EgoVerse的焦点共建方，，，，
，都是什么配景？？？？？

具身人类数据并不是戴上一副眼镜、录一段视频，，，，
，再加几个标签那么简朴。。。。
。完整收罗流程至少包括研究问题界说、收罗硬件、行动迁徙、规；；；；擞⑹荼曜⒑突等搜橹ぁ！！。
。任何一家机构，，，，
，都很难单独完成所有环节。。。。
。

EgoVerse召集了具身领域里最头部的高校、学者、机构举行全球协作，，，，
，配合界说具有划时代意义的数据标准。。。。
。

佐治亚理工Danfei Xu教授：具身人类数据收罗蹊径标记性代表，，，，
，EgoVerse的提倡人

佐治亚理工肩负的是EgoVerse的组织中枢和研究框架角色。。。。
。Danfei Xu与RL2团队恒久关注机械人怎样从人类数据中学习。。。。
。到了EgoVerse，，，，
，问题不再只是“某一批人类视频能不可改善某一台机械人”，，，，
，而是进一步升级为：人类数据的效果能否跨实验室复现？？？？？能否跨机械人本体建设？？？？？数据规模增添时，，，，
，能力是否稳固增添？？？？？哪些类型的数据才真正具有迁徙价值？？？？？

EgoVerse让差别实验室在共享协议下重复实验。。。。
。佐治亚理工学院认真的代表使命是object-in-container，，，，
，斯坦福大学认真双臂细腻操作，，，，
，UC San Diego和ETH Zurich则加入长时序双臂使命验证。。。。
。由此，，，，
，Danfei搭起一种新的协作方式，，，，
，使已往互不兼容的数据、算法、机械人和实验室，，，，
，最先在共享协议下回覆统一组问题。。。。
。

斯坦福Shuran Song教授：UMI发明人，，，，
，让人类操作履历能够迁徙给机械人

人类有柔软无邪的双手，，，，
，机械人可能只有两指夹爪；；；；人可以依赖触觉、履历和身体协调完成使命，，，，
，机械人却需要明确的视察和行动体现。。。。
。因此，，，，
，人类数据并不会自然酿成机械人能力，，，，
，中心横着一道“具身鸿沟”。。。。
。

Shuran Song向导的斯坦福REAL Lab，，，，
，是买通这条路径的代表团队之一。。。。
。其团队开创的UMI——Universal Manipulation Interface，，，，
，使用便携式手持夹爪收罗真真相形中的人类操作，，，，
，再将这些演示转化为可安排的机械人战略。。。。
。

UMI的要害价值，，，，
，是让数据收罗挣脱牢靠机械人和实验室。。。。
。人可以带着装备进入真真相形举行重大长时序使命，，，，
，学习获得的战略还能迁徙赴任别机械人平台。。。。
。

简朴说，，，，
，斯坦福要解决的是：让人类履历酿成机械人能执行的行动。。。。
。

Meta：为EgoVerse提供专用数据收罗眼镜

第一视角数据收罗首先需要一双及格的“眼睛”。。。。
。Meta研发的Project Aria，，，，
，是行业首个专为“大规；；；；∧Ｗ印鄙杓频淖ㄓ檬菔章抻布，，，，
，可以纪录第一视角视频、手部行动、相机位姿和空间信息。。。。
。装备包括面向前方的RGB相机，，，，
，以及用于SLAM和手部追踪的同步场景相机。。。。
。没有这类空间感知能力，，，，
，第一视角数据很容易只是一段“看起来像人在干活”的视频。。。。
。Meta解决的是怎样把“人看到了什么”，，，，
，升级为“人在三维天下中怎样行动”。。。。
。

Mecka：人类数据先驱，，，，
，把数据收罗从专用眼镜普及到手机

若是一套人类数据生态只能依赖少数专用硬件，，，，
，它能够笼罩的收罗者与真真相形就始终有限。。。。
。

Mecka AI推动了一条更便携的收罗蹊径：使用iPhone与轻量化头戴装置完成第一视角收罗，，，，
，再通过云端处理恢复头部轨迹与双手三维要害点。。。。
。

这一方案让第一视角数据不再只来自少数机械人实验室，，，，
，而能够进入家庭、市肆、事情场合和更多真实使命情形。。。。
。

Mecka AI所解决的，，，，
，是怎样让人类数据收罗从专用装备走向更低门槛、更广笼罩的生产方式。。。。
。

Scale AI：人类数据的规；；；；圃旃こ

数据采回来之后，，，，
，还要履历洗濯、标注、质检、结构化和版本治理。。。。
。

Scale AI从2016年起恒久从事AI数据基础设施建设，，，，
，最早以自动驾驶等场景中的大规模数据处理能力著名。。。。
。进入Physical AI阶段后，，，，
，它又把数据工厂数据扩展到机械人数据收罗、标注、人工反馈和模子验证。。。。
。

Scale更善于把数据生产酿成一套成熟的运营和处理系统，，，，
，从而在人类演示从几百条酿成几万小时后，，，，
，把大规模、异构的原始收罗效果，，，，
，转化为稳固可用的数据产品。。。。
。

光轮智能：在规；；；；奶跫下，，，，
，构建人类数据最高质量标准

当具身数据生产真正迈向万万级小时，，，，
，单单依赖收罗工具和后处理，，，，
，无法知足规；；；；碌氖葜柿啃枨蟆！！。
。同时，，，，
，收罗装备越多、收罗职员越多、场景越重大的趋势下，，，，
，视角偏移、行动遗漏、使命中止、装备异常和标注纷歧致等问题也会被同步放大。。。。
。

数据可以快速增添，，，，
，但真正能被机械人学习的有用信息，，，，
，并纷歧定同步增添。。。。
。

而光轮智能补上的，，，，
，是一套贯串端侧收罗、云端处理和仿真验证的质量控制系统。。。。
。

与绑定某一款眼镜或收罗装备的方案差别，，，，
，光轮智能的目的是让数据管线兼容差别硬件。。。。
。无论原始数据来自Aria、iPhone、头戴相机照旧其他多模态装备，，，，
，都可以进入统一的云端管线，，，，
，通过VIO、三维手部与Body标注、V7级行动语义标注，，，，
，被转化成统一质量标准下的训练资产。。。。
。

数据完成处理之后，，，，
，光轮智能还会使用物理仿真SimFoundry和模子评测能力RoboFinals，，，，
，进一步验证行动轨迹、物理关系和使命历程能否被合理还原，，，，
，并判断数据是否真正具有机械人学习价值。。。。
。通过一直的回环评价，，，，
，掌握最快速的质量反馈！！。
。，，，
，并且一直迭代，，，，
，引领标准。。。。
。

因此，，，，
，光轮在EgoVerse中的孝顺，，，，
，是让数据在规；；；；幸廊蛔龅皆赐房煽亍⒖缬布统一、价值可验证。。。。
。

别的，，，，
，MicroAGI也在探索漫衍式众包收罗，，，，
，通过让操作职员在真实家庭情形中自然完成使命，，，，
，将人类数据生产从实验项目转化为可一连运营的收罗网络。。。。
。

规；；；；螅，，，
，光轮智能怎样界说高质量人类数据

古板数据质量控制，，，，
，通常关注文件是否完整、名堂是否准确、轨迹是否缺失，，，，
，以及标注是否通过。。。。
。

但这些指标最多只能证实一条数据在生产流程上“及格”，，，，
，不可证实它真的值得机械人学习。。。。
。

一段视频可能拍摄完整，，，，
，行动轨迹却无法被机械人执行；；；；一条标注可能切合规范，，，，
，其中的使命历程却缺少要害方法；；；；一批数据看起来数目重大，，，，
，现实笼罩的人群、场景与行动漫衍却高度重复。。。。
。

光轮智能将人类数据质量拆成三个一连环节。。。。
。

首先，，，，
，用Agent驱动数据收罗质量与数据漫衍。。。。
。

在光轮智能看来，，，，
，具身数据最大的质量风险，，，，
，经常爆发在收罗现场。。。。
。

要害行动是否进入画面？？？？？手与物体的交互是否被遮挡？？？？？使命起点和终点是否完整？？？？？收罗者是否偏离操作要求？？？？？一个episode虽然录制完成，，，，
，是否真正包括完整的学习历程？？？？？

若是这些问题比及数据上传后才被发明，，，，
，往往只能整段作废，，，，
，或者重新组织职员补采。。。。
。

光轮智能的Agent驱动收罗系统，，，，
，会围绕装备状态、使命流程、行动完整性和有用视角举行实时检查，，，，
，并在发明风险时推动现场纠偏或补采。。。。
。

更主要的是，，，，
，Agent不但认真单条数据质检，，，，
，也可以凭证已有数据漫衍，，，，
，调控下一轮需要收罗的人群、场景、使命与行动类型，，，，
，阻止数据规模增添后泛起大宗重复样本。。。。
。

这使数据质量从事后抽检，，，，
，转化为生产历程控制。。。。
。

其次，，，，
，通过兼容多种收罗硬件的云端平台，，，，
，实现统一的数据标准。。。。
。

无论原始数据来自眼镜、手机、头戴相机照旧其他多模态装备，，，，
，都需要经由云端统一的处理和质量控制，，，，
，才华进入统一个训练系统。。。。
。

光轮的处理流程包括视觉惯性里程计，，，，
，也就是VIO，，，，
，用于恢复相机在空间中的运动；；；；三维手部与Body标注，，，，
，用于还原人的身体行动和手物交互；；；；以及V7级行动标注，，，，
，把一段一连视频进一步切分为可以与使命历程对齐的行动语义。。。。
。

光轮智能的人类数据解决方案EgoSuite，，，，
，能够在生产规模上提供三维手部、三维全身姿态和帧级语义标注，，，，
，并强调在遮挡和近距离物体交互情形下维持稳固追踪。。。。
。其平台也果真强调对差别商业装备、研究型眼镜、行动相机和定制收罗系统的兼容能力。。。。
。

这套思绪可以用一句话概括：硬件可以多元，，，，
，进入模子之前的数据标准必需一致。。。。
。

最后，，，，
，用仿真与评测磨练数据价值。。。。
。

数据处理完成后，，，，
，还要回覆一个更要害的问题：这些数据，，，，
，是否真的值得机械人学习？？？？？

光轮智能将自研仿真平台SimFoundry与工业级评测平台RoboFinals接入人类数据质量闭环。。。。
。SimFoundry将人类数据中的行动轨迹、物体关系和使命流程，，，，
，转化为机械人可执行、可复现的仿真使命；；；；RoboFinals则通过标准化评测，，，，
，验证这些数据事实提升了哪些使命，，，，
，又会在哪些机械人本体、场景和物理条件下失效。。。。
。

因此，，，，
，数据价值不再由生产方自行界说，，，，
，而是由机械人训练和评测效果配合验证。。。。
。评测历程中发明的失败案例，，，，
，也会进一步反馈给收罗端，，，，
，指导下一轮需要增补哪些数据、扩大哪些漫衍、修正哪些收罗规则，，，，
，形成一连优化的数据闭环。。。。
。

最终，，，，
，高质量具身人类数据形成一条完整的数据质量闭环：

端侧Agent实时控制收罗质量 → 多种收罗硬件统一接入云端 → VIO、手部、Body Pose与行动语义标准化处理 → SimFoundry将人类数据转化为机械人可执行使命 → RoboFinals验证数据学习价值并定位失败模式 → 评测效果反馈下一轮数据收罗。。。。
。

唯一中国公司，，，，
，进入全球两大具身基础设施标准

随着具身智能从单点手艺验证走向规；；；；ぃ，，，
，行业竞争正在从模子能力，，，，
，进一步延伸究竟层基础设施与标准系统。。。。
。

其中，，，，
，两条要害主线正在形成。。。。
。

一条是以EgoVerse为代表的数据基础设施，，，，
，界说高质量具身人类数据怎样收罗、组织、处理、共享和一连迭代；；；；另一条是以Newton为代表的物理仿真基础设施，，，，
，界说机械人怎样在遵照真实物理纪律的仿真天下中完成训练、验证和评测。。。。
。

Newton由NVIDIA、Google DeepMind和Disney Research联合提倡，，，，
，由NVIDIA、Google DeepMind、Disney Research、光轮智能和Toyota Research Institute（TRI）五家企业配合组成手艺指导委员会（TSC），，，，
，一连界说机械人仿真与物理建模的手艺蹊径，，，，
，正逐渐成为全球具身智能的主要物理仿真基础设施。。。。
。

前者解决机械人从那里获得可规；；；；难奥睦，，，
，后者解决这些履历怎样在物理天下中被复现和验证。。。。
。数据与仿真，，，，
，配合组成物理AI走向规；；；；牧酱蟮鬃！！。
。

光轮智能成为现在唯一同时加入这两套国际标准系统的中国企业。。。。
。

在EgoVerse中，，，，
，光轮带入的是一套贯串人类数据生产全流程的质量系统：从端侧Agent治理收罗历程，，，，
，到多种硬件数据进入统一云端管线，，，，
，再到通过仿真与模子评考试证数据价值。。。。
。人类数据质量由此从依赖人工抽检和履历判断，，，，
，走向可界说、可较量、可验证、可一连优化的工程标准。。。。
。

在Newton中，，，，
，光轮加入物理求解、仿真资产、机械人训练与评测等焦点能力建设，，，，
，推动真实天下中的物体、使命和物理历程，，，，
，转化为机械人可以交互、训练和验证的仿真基础设施。。。。
。

这意味着，，，，
，光轮加入界说的不但是某一种数据名堂，，，，
，也不但是某一套仿真工具，，，，
，而是毗连真实天下数据、物理仿真、模子训练与能力验证的底层标准。。。。
。

若是说ImageNet为视觉AI建设了配合的数据基础设施，，，，
，那么EgoVerse与Newton则划分从数据和仿真两个偏向，，，，
，为物理AI建设新的全球基础设施。。。。
。

光轮同时进入EgoVerse与Newton，，，，
，加入建设的已经不但是今天的工具链，，，，
，而是未来全球具身智能工业配合遵照的底层基础设施。。。。
。这也意味着，，，，
，中国企业最先从标准的使用者，，，，
，走向全球物理 AI 基础设施规则的配合界说者。。。。
。