（来源：上观新闻）
但一年之后，这套💚🇬🇸叙事开🧽始出现裂缝🥈。实际上，通过早🎍年在Y Comb🥚👩❤️👩inat🕯or所累积的个人🐎🎑投资组合🐺，奥尔特曼的投资💦规模已可与大🇼🇫型创投公司🧪🐩媲美🛵🗝。融资这件事，天☔然携带🐕🔓治理结构、🎋退出路径🚪和时间约👅🇪🇦束🦚🇸🇪。
具体架👹🏬构要素：🇨🇱🎺 编码器🦝 E_θ：ViT💀-L/H✌🐯/g（🇧🇮🇧🇾300M–1B⛴ 参数📞📺），把视频切成 😖2×16×1👨👩👧👦6 的 t🌲🦙ubelet 预📖🇲🇴测器 P_φ：一🇲🇭📼个轻量 V🤟🙆♂️iT-🏙S（约 2👑📰2M）预🙇♐测被 mas⏱k 部分🕒的潜空✡间表征 使💌用 3D-Ro🇰🇼PE 位置编码（☔时间+H+W） ☣🇹🇲约 90% 的🔱🇸🇿高 m🏳️🌈ask 比率，🏟🔌L1 🏛损失，EMA t💓eac⏸her 防🚠🥯止表征坍塌 训🙆♂️🚧练数据 Vide⚙🦈oMix22M🔖 = 22👶00 万视频🐇 ≈ 100 万💫0️⃣小时互联🅱🧷网视频 在🇲🇹 Some🏈🎤thing-S🔼🇨🇽ometh🐏ing ⏸v2 取🇪🇹得 7🏐🔅7.3% t🍮↗op-1😥🏦（运动🏬👲理解），Epi☘c-Kitche⛪ns-100🇲🇶 动作预测 3🏅🖊9.7 R@5🦵（SOTA🤯🆒） 为什么像📘📜素重建不适合碰撞☢☦预测，而潜空➖间预测🈯适合？像素🧜♂️重建优化的是"下🦶一帧长什么😐样"（视觉保🈺真度），潜空🧯😰间预测😰优化的是"🇹🇦下一帧的抽🆒⏭象语义/物理🐗状态"（物理因🎳果）🧷🥦。
把数据、模👩🦲型、仿真、开发工🇩🇴🚘具串联🏄😠在一起🤯，共同支撑了Ⓜ具身智能🇧🇳在真正应用场💞🦹♀️景中的落地🇧🇸🧷。这个乐观判断👍🌕背后，💉智元认为自🇦🇱己已经蹚出了一条➗从技术到应用🇵🇭的路：包括如👩❤️💋👩💥何做好算🇪🇦🗑法开发，如➖何实现高效🤯迭代和低🌉门槛部署，如🚸何与合作👨🦲伙伴联合🇧🇹🐰做系统🇻🇦🍲的打通、适㊙🦌配和工艺的优🍪🇸🇲化〽➕。
