具身智能数据产业链揭秘:从采集员到独角兽,数据复售模式能走多远?

人工智能产业链基本介绍,人工智能技术划为哪几部分? 人工智能作为当下科技领域最热门的技术,吸引了众多行内和行外人士的关注。但是,每天我们关注的信息多是人工智能领域的投融资行情、人工智能独角兽企业的动态、科技巨头对人工智能领域的布局、人工智能领域的技术研发情况等,很少静下来心来对人工智能产业链进行梳理,但是若要对人工智能有更深入更长远的关注,首先就要对人工智能产业链进行清晰的梳理。 人工智能产业链,包括AI技术、底层硬件(AI芯片、视觉传感器)、应用... 阅读详情

产业链全景:四层结构,谁在哪个位置?

具身智能数据产业链可拆成四层。最底层是采集层,主要有居家采集员(新闻报道里的宝妈们戴夹爪设备在自家客厅叠衣服、擦桌子,宣传时薪30元,实际有效时薪约17元,月收入3000 - 4000元)、场地采集员(在数据采集中心全职工作的大专毕业生,穿戴动捕设备,日薪180 - 250元,折算时薪22 - 31元)、真机遥操作员(专业技术人员穿戴力反馈手套,手把手教机器人完成精密操作,日薪300元以上,时薪75元以上,这是精度最高、成本也最高的采集方式)、UMI采集员(穿戴鹿明FastUMI Pro这类无本体采集设备,不需机器人本体参与,成本降至遥操作的1/5,适合更精细化的数据采集)四类人采集提供物理动作基础数据。第二层是平台层,作为连接采集员和数据公司的中间商,核心角色是组织者,连接供需、管理流程,甚至提供物理空间和操作场景,并从中抽成。今年5月,京东在宿迁建了全国首个具身智能数据采集社区,计划发动10万 + 员工和50万行业人员,此外还有数不清的第三方外包团队和小型组织者。外包平台从数据公司接单,分包给采集员,中间抽取30% - 50%的差价。除外包平台外,产业链运作还需基础设施建设者,如鹿明机器人、觅蜂科技、凌云光等设备提供商研发生产硬件,一套动捕设备10 - 50万元,一套UMI设备约2800元,利润模式是设备租赁/售卖。第三层是数据层,代表企业是光轮智能、智域基石、它石智航、觅蜂科技,这些公司把底层采集来的原始数据,经过清洗、标注、对齐、仿真增强,打包成可训练的数据产品,卖给下游客户。第四层是应用层,掏钱买数据的金主代表企业有三类:人形机器人本体公司(如宇树、优必选、智元、银河通用、特斯拉等,需要真机数据训练模型)、世界模型/大模型团队(典型企业如Google DeepMind、NVIDIA、World Labs,需要人类行为数据理解物理世界)、产业应用方(如工厂、物流、医疗,需要场景适配数据)。具身智能数据产业链是经典的“金字塔模型”,底层是大量廉价劳动力,中层是抽成的平台和卖设备的公司,顶层是掌握数据资产和复售能力的数据公司,采集员是整个链条的燃料。

数据售卖模式:从17元到300元的鸿沟

先算采集成本,居家采集员有效时薪17元;场地采集员日薪180 - 250元,按8小时算,时薪22 - 31元;UMI采集方案成本是传统遥操作的1/5,鹿明的FastUMI Pro将单条数据采集时间从50秒压缩到10秒,估算时薪成本约55元;真机遥操作成本最高,单小时有效数据成本在规模化运营后约275元(设备折旧 + 人工 + 场景),小规模采集时可达数千元。再算售价,澎湃新闻2025年5月调查给出行业定价区间,具身智能数据总体定价在200 - 500元/小时,其中真机数据最贵,市场价500 - 1000元/小时。觅蜂科技CEO姚卯青透露,不依赖特定机器人本体的无本体数据,价格最终会收敛到真机数据的二分之一到三分之一,即300 - 400元/小时。采集方式越“低端”,差价倍数越大,真机遥操作员拿到275元,终端售价800元,只有2.9倍;居家采集员拿到17元,数据公司能以300元卖出,有17.6倍的利差。这17元时薪和300元售价之间,283元的差额被平台抽成、数据公司的技术处理、设备折旧、以及数据资产的复售溢价等层层分走,但这还不是数据公司真正的利润来源。

光轮智能的魔法:不是卖一次,是卖十次

光轮智能是这个层级的标杆企业,成立后短短三年迅速融资壮大,成为今年新晋独角兽企业,估值超10亿美元。截至2026年初,它累计交付超150万小时高质量人类数据,覆盖2.5万个环境节点、10万种任务类型,2026年第一季度新增订单5.5亿元。粗算平均售价约367元/小时,看起来是行业水平,利润率也不是很高。但这种算法假设数据只能卖一次,实际上光轮智能将“数据复售率”概括为单位小时的数据能够服务多少个不同客户和任务需求,其联合创始人杨海波说:“在优质场景的数据,复售率已经能够超过10倍。” 同一份数据可卖给宇树、优必选、智元、银河通用等,每多卖一次,边际成本几乎为零(只需要做一些格式转换和场景适配),但收入是实打实的。这才是数据公司真正的商业模式,一次性投入采集成本,然后通过复售无限摊薄边际成本。数据本质和软件一样,复制成本趋近于零,每多卖一次,毛利率就往上跳一截。这个逻辑解释了资本市场给光轮智能100亿元估值的原因,不是因为它有150万小时的数据,而是因为这150万小时的数据可能被卖1500万次。

千亿市场规模下,数据售卖可持续吗?

2026年中国具身智能市场规模预计突破1万亿元,其中数据服务占比超15%,市场规模约达1500亿元。但第三方数据复售模式占比多少尚不得而知,且这类商业模式存在隐忧。头部机器人厂商早已意识到数据建设重要性,开始搭建自研中心,如智元机器人2026年成立具身智能数据平台觅蜂科技,宇树科技此次IPO招股募资将自主搭建大规模真实数据集,其对第三方数据的采购需求会下降。此外,一些成熟数据逐渐被头部企业、科研机构免费开放,冲击数据售卖模式,例如今年3月底,宇树科技宣布人形机器人高质量全身遥操作真机数据集UnifoLM - WBT - Dataset正式开源,覆盖340小时、合计189万条动作轨迹数据。不过目前全球开源数据体量仍较少,未形成规模化效应。第三方数据服务商核心竞争力源于覆盖多场景的数据积累,但具身智能要在复杂工业场景落地,需要真实工业现场数据,若头部机器人通过合作可直接获取工厂真机交互、动态场景的第一手数据,第三方数据的性价比优势会被弱化。未来第三方数据售卖模式可能向两个方向收缩:一是服务没有能力自研数据的中小机器人厂商,二是提供自身难以覆盖的小众细分场景数据。

缺陷检测:使用PatchCore训练自己的数据集 必须包含有训练图片(无缺陷图片)、测试图片(缺陷图片)和ground_truth,并且ground_truth必须与对应图片的名称相同。同上一篇结果一样,我的输出为原始图片大小,但是不知道是不是因为图片不是正方形的,导致训练结果不好。编写一个脚本,重新规划数据集的路径规则,但是我稍微写复杂了一点,使用了类来操作。第二种(复杂):编写一个自己的Dataset,参考。第一种(简单):将数据集路径规则改成项目中。返回的必须是一个字典类型,可以阅读。本人此次使用的是第一种方法。运行时,参数部分直接输入。 阅读详情

相关推荐

计量经济学tempdisagg的python库:年度时序变月度

计量经济学tempdisagg的python库:年度时序变月度

素质云笔记 1535

具身智能数据采集热潮来袭:全民参与、设备迭代与算法转向背后暗藏哪些机遇?

采集软件发布各类任务,张月每天领取任务,寻找合适场景,打开App一边录像一边用夹爪做家务,每天拍摄不少于8小时,每段视频不少于2分钟,拍摄完成后批量上传,一天收入约120元。何鸿凌表示,众包数据质量难保证,存在动作不流畅、任务理解错误等问题,且培训成本高、人员流失难控制。智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青称,大需求方对数据是“有多少要多少,什么时候有马上要”的状态,具身智能大脑公司、本体厂商、多模态大模型与世界模型公司都需要数据,目前市场可采购数据集几十万小时,高质量数据严重供不应求。

IT界那些事儿 404

OpenCV透视变换实战:5分钟搞定歪斜证件照矫正(附完整代码)

本文详细介绍了如何使用OpenCV的透视变换技术快速矫正歪斜证件照,包含完整的Python代码实现。通过特征检测、坐标计算和矩阵变换三个核心步骤,5分钟内即可将手机拍摄的歪斜图像自动矫正为专业级证件照,大幅提升图像处理效率。

weixin_29094979的博客 483

具身智能数据产业链揭秘:采集员与独角兽的差距,数据复售模式能否持续?

具身智能数据产业链是一个经典的“金字塔模型”:底层是大量的廉价劳动力,中层是抽成的平台和卖设备的公司,顶层是掌握数据资产和复售能力的数据公司,而采集员是整个链条的燃料。第三方数据服务商的核心竞争力源于覆盖多场景的数据积累,但具身智能要在复杂的工业场景落地,需要的是真实工业现场数据,假如头部机器人通过合作可以直接获取工厂真机交互、动态场景的第一手数据,第三方数据的性价比优势会被不断弱化。现在算差价,采集方式越“低端”,差价倍数越大。第三层是数据层,是整个产业链的核心玩家,堪称“炼金师”,把数据转化为资产。

IT界那些事儿 146

Seedance 2.5、HappyHorse 1.1与豆包Seed 2.1:一周内三大模型技术参数分析

音频生成延续原生音画同步架构,将文本、画面、音频统一序列建模,生成过程同步产出匹配口型的原声音频,支持中、英、日、韩、德、法、阿拉伯7种语言唇形对齐,无需二次调音。从行业趋势看,30秒直出、4K分辨率、7语种唇形同步正在成为视频生成的标配,编程Agent化和多模态理解正在成为语言模型的标配。技术狂奔的同时,监管在同步收紧。我理解这里的关键在于,视频生成模型的商业化落地不仅取决于生成质量,更取决于推理效率——生成一段15秒1080P视频需要多少秒、消耗多少算力,直接决定了模型的商用可行性。

lichunchuan1的博客 329

阻抗控制器实现机器人关节运动控制

本文先对做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章如:PID反馈控制器、前馈控制器、前馈+反馈控制器等等如:机械臂模型(几何解算)控制器、小车底盘运动学模型(几何解算)的控制器、四足机器人模型(预测迭代)的控制器等等如:微分平坦(无人机的轨迹跟随)等等如:MPC优化控制算法如:线性二次调节器(LQR)是基于模型的控制器,使用车辆状态来使误差最小化,Apollo使用LQR进行横向控制。横向控制包含四个组件:横向误差、横向误差的变化率、朝向误差和朝向的变化率。

qq_35635374的博客 366

[具身智能-168]:具身智能产业链与主要的国内外厂家

如果你关注。

文火冰糖(王文兵)的博客 990

2026 企查查/天眼查:IP频率限制 + 验证码策略,企业工商数据采集实战

企业工商数据采集技术解析与解决方案 本文深度剖析了2026年企查查和天眼查平台的反爬机制与技术对抗方案。主要内容包括: 反爬机制分析: 采用JA4+ TLS指纹识别、极验v6验证码等多层防护 IP限制策略严格区分未登录/普通/VIP账号 精准识别并封禁数据中心IP 核心解决方案: 构建高可用住宅代理池,动态轮换真实用户IP 基于YOLOv8的验证码缺口识别技术(准确率99%) 分布式架构设计,支持千万级数据采集 多账号池管理与行为模拟技术 技术亮点: 动态住宅IP池实现1%以下封禁率 Playwright浏

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1329

独角兽孵化“小独角兽”,投谁谁火的智元搅动中国具身智能产业链

天眼查统计显示,智元对外投资41例,除却成立的智元分公司,直接持股投资的企业有32家,间接持股公司有20家,持股比例在0.5%-50%之间。以智元机器人为例,其对外投资高达41例,除却对智元分公司的投资之外,有32例的对外投资,被投的企业涵盖了具身智能产业链的上中下游。另一边是以宇树科技为代表的“产品派”,专注本体研发、工程优化与量产交付,高效率的单兵作战路线。他满脸的羡慕,但羡慕有限,因为他们虽然没有拿到智元的投资,但搭上了具身智能这个正在腾空的火箭,郑影他们并不缺钱,资本一直在追着投。

网易智能 174

C#面试题及详细答案120道(01-10)-- 基础语法与数据类型

C#与.NET部分重点解析了7个核心问题:1)C#与.NET的依存关系;2)值类型与引用类型的内存差异;3)装箱拆箱的性能损耗;4)string/String与int/Int32的实质等价性;5)const与readonly的初始化区别;6)可空类型的应用场景;7)ref与out关键字的参数传递机制。内容包含原理对比、代码示例和优化建议,适合开发者系统掌握C#核心概念。(1

大剑师兰特的GIS世界 1966

LeRobot 入门教程(七)数据集

LeRobot Dataset v3.0 是机器人学习数据的标准化格式,支持多模态时间序列数据和视频的统一访问。该版本通过基于文件的存储(Parquet/MP4)、关联元数据和Hub原生流式处理等新特性,显著提升了性能并降低了存储开销。文档详细介绍了格式设计、安装使用、数据记录与加载方法,以及从v2.1迁移到v3.0的步骤,特别针对大型数据集(如DROID 1.0.1)的处理提供了SLURM集群移植方案。v3.0通过优化文件组织和元数据管理,实现了更快的加载速度、更高的内存效率和更好的可扩展性。

2506_90492529的博客 2055

具身智能数据规模化元年——谁在“卖铲子“赚钱

行文至此,做几个大胆的预测:第一,2026年下半年,数据价格战开打。光轮智能、无问智科、弈人科技等头部玩家的产能正在快速释放,仿真数据和基础采集数据的价格会进一步下探。没有差异化优势的服务商会被淘汰出局。第二,真实物理数据成为硬通货。随着仿真数据的局限性被充分认识,具备真实场景采集能力的团队会越来越吃香。京东的60万众包网络、中国移动的营业厅采集体系,本质上都在争夺这个稀缺资源。第三,数据服务商开始分化。一部分会向上游延伸,做机器人本体;另一部分会向下游延伸,做具身智能应用解决方案。

ok_vince的博客 467

UI自动化控制PC端微信获取当前群聊的群友列表

在一个月前,某个群友在获取整个群的群友信息时遇到了一点问题: 对整个群进行群友数据获取经测试确实有点棘手,下面我将我的解决过程公布给大家。 基础教程详见: https://blog.youkuaiyun.com/as604049322/article/details/121391639 人工打开要抓取的群聊窗口后,首先获取微信窗口并点击聊天信息按钮: import uiautomation as auto auto.uiautomation.SetGlobalSearchTimeout(1) wechatWind

小小明-代码实体的专栏 3万+

具身智能数据元年:数据采集竞赛与产业话语权争夺

2025年的“量产元年”更像是本体厂商的宣传口号,而2026年的“数据元年”则是本体和模型厂商必须解决的产业结构性矛盾。数据饥渴的本质并非“缺数据”,而是“缺有用的数据”,重点应是“找到正确路径”。但数据的话语权应交给掌握硬件的一方,数据采集离不开硬件的三大核心支撑:数据维度、数据质量和数据处理成本。以灵巧智能的DexCap系统为例,它具备这三大核心支撑,能采集多维度数据,确保虚拟操控与真实动作1:1映射,数据质量稳定,输出格式统一,有助于构建高质量数据集。具身智能数据元年,数据生产成为核心能力。

IT界那些事儿 442

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

2026 年具身智能资本化拐点已至:热钱涌入头部、独角兽批量诞生,泡沫隐现?

美元融资的转折点在 2025 年,平均单笔融资金额从 2024 年的 0.72 亿美元升至 1.19 亿美元,剔除大额融资后,2025 年单笔均值回落至 0.76 亿美元,2024 年为 0.37 亿美元。融资最密集的是估值位于中部区间的企业,例如自变量机器人、极佳视界、众擎机器人等,其中致力于打造“物理 AGI”的极佳视界融资次数最多,从 2023 年 3 月至今完成了 11 次融资,最新一次为 B + 轮。在此背景下,创始人的技术积累、工程经验和过往履历,代替了商业数据,成为资本的定价核心。

IT界那些事儿 176

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

深圳:由“独角兽”们构建起的硬核科技之城

文 | 曾响铃 来源 | 科技向令说(xiangling0815) 前不久,在深圳特区建立40周年之际,官媒每日财经新闻联合富途证券等第三方评审机构共同打造了“特区40年:深圳独角兽TOP40”榜单,来自海内外众多投资界人士及相关机构共同参与了本次评选活动。 这份榜单充分体现了深圳特区的产业集聚优势,即涵盖了大众熟知的大疆创新、柔宇科技、一加等“硬核”企业,也有菜鸟网络、丰巢科技、顺丰快运等服务型平台,又或者像百果园、喜茶一样的C端喜爱的消费品牌以及GiGadgets这种科技产品出海服务品牌。..

1216

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

寻找独角兽首场品牌发布会,艺术态度决定潮玩高度

  7月10日,知名潮玩公司寻找独角兽(FINDING UNICORN)首次品牌发布会亮相深圳,以“Nonsense make sense”主题开启今夏潮玩大赏,旗下FARMER BOB、RiCO、ShinWoo等诸多热门IP齐聚现场,行业上下游的生态伙伴联袂出席,用“不盲从,有态度”拥抱潮玩,共同一探潮流艺术新机遇。  如今的潮玩行业正处于高速增长期。如何更多元地挖掘IP潜力,避免产品同质化,打造专业完备的全产业链能力,将成为行业玩家长远发展与价值提升的重点关卡。作为潮流艺术文化的探索者及颠覆者,后起之秀

lq14780833277的博客 545

向新而生,与AI俱进——2026 产业独角兽评选启动

今年,蓝鲨将继续评出《2026消费产业独角兽TOP30》、《2026消费产业未来独角兽TOP100》两大榜单,继续发掘消费产业独角兽(截至2026年11月20日,最新估值10亿美元及以上,行业领先的消费企业)、未来独角兽(从估值、赛道、团队、产品、营销、渠道、供应链等维度分析,寻找具备高速成长潜力、有望在未来几年内成为独角兽的消费企业)。京东集团、字节跳动、阿里集团、腾讯控股、蚂蚁集团、百度、中国移动、商汤科技、金山办公、五一视界等AI赋能产业服务商,也跟行业龙头企业共创出越来越多的AI+产业标杆案例。

蓝鲨财经社是一家追求最新的AI技术与财经商业领域结合的自媒体。通过灵活使用人工智能技术,提供专业、独到、有料的财经资讯和资源,涵盖硬科技、金融、教育、医药等领域。 142

2026 年上半年 19 家机器人独角兽诞生,背后资本网络大揭秘!

19 家中至少 16 家获地方政府或国资基金投资,这是 2026 年机器人融资潮显著特征,地方政府直接“掏真金白银”,仅昆仑行等 3 家暂无地方国资身影。政府投资资金分三个层级:1. 国家级基金:6 家独角兽拿到,如智平方、自变量等,介入标准高,标的需有“战略意义”。2. 省级/区域级产业基金:是最活跃国资类别,不同地区基金投资不同企业,呈现“地域绑定”逻辑,智平方和自变量等少数企业跨区域国资覆盖是估值天花板信号。2. 华为通过哈勃投资入场,投千寻智能和极佳视界,纳入战略版图,能力不止财务投资。

IT界那些事儿 46

大厂开源、独角兽争闭环,具身智能“大脑”能否兑现通用溢价?

进,可吸引本体厂商接口适配,形成跨硬件复用的算法能力,争夺“公共大脑”位置;2008年,谷歌将安卓免费“送”给全球手机厂商和开发者,通过统一软硬件接口,改变了应用分发、数据和服务的价值排序,掌握“灵魂”定义权的玩家攫取了硬件核心价值。自变量“外开内收”,放大模型通用性,吸引开发者,拓展业务场景,但面临数据回流挑战。具身企业重视“大脑”发展,“大脑”承载通用想象,吸引投资者。如今,AI云供给形态生变,大厂将资源投向开源具身模型。但具身数据难流动,具身智能缺乏统一计量方式,简单复制大语言模型路径难复现增长。

IT界那些事儿 28

ABeam走访深圳机器人谷与具身感知“独角兽”帕西尼,探索具身智能产业发展新机遇

ABeam依托覆盖全球的业务网络、中国市场的长期深耕经验以及技术实施能力,可提供产业研究、市场调研、合作伙伴筛选、产业尽职调查等服务,帮助客户更深入地理解中国具身智能产业的发展现状、技术路线及市场机会,识别具有潜力的合作伙伴与投资标的。依托丰富的制造业场景、完整的产业链体系以及快速迭代的创新生态,中国具身智能产业正逐步形成“场景驱动数据、数据驱动模型、模型反哺场景”的发展闭环。其中,中国凭借完善的制造业体系、丰富的应用场景以及快速迭代的创新生态,已成为全球具身智能产业发展的重要创新高地。

luluningmeng1的博客 183

2020中国独角兽报告(附榜单)

导读:独角兽企业代表着新经济的活力,行业的大趋势,国家的竞争力。2019年全球经济复苏动能减弱、融资环境趋紧,投资人为独角兽企业慷慨融资的时代已经结束。2020年新冠肺炎大流行,全球独角...

数据分析 4487

重磅!又一超级独角兽杀出:在深圳,全球第二

泳池清洁机器人是一种自动化设备,通过智能导航、多传感器融合及高效清洁系统,实现对泳池水面、池壁、底部的全方位清洁,可替代人工完成吸污、过滤杂质、杀菌消毒等任务,适用于家庭、酒店、公共泳池等场景。过去4年,它的AIper品牌实现近10倍增长,成为全球泳池行业增长最快的品牌之一,进驻欧美市场超过 7000 家门店,全球市占率第二,线上渠道市占率超过 40%。核心零部件话语权较强,如高性能的传感器、智能芯片和先进的伺服电机等,技术门槛较高,掌握在少数几家国际知名企业手中,他们在市场上具有较强的议价能力。

weixin_51316642的博客 1655

2026 年上半年 67 家新独角兽涌现,中国独角兽增长进入 AI 和机器人驱动的新一轮周期

从全部在榜的公司对比看,517 家独角兽中 50 亿以上 62 家(12%),500 亿以上仅 5 家。从估值结构看,呈典型的金字塔分布——57.3%集中在 10 至 20 亿美元区间,30.8%在 20 至 50 亿美元,50 亿以上 62 家(12.0%),其中 500 亿美元以上的超级独角兽仅 5 家:字节跳动(6000 亿美元)、蚂蚁集团(877 亿美元)、SHEIN(660 亿美元)、DeepSeek(615 亿美元)和小红书(500 亿美元),头部 5 家贡献了全盘约 36%的估值。

IT界那些事儿 61

物联网巨头时代下细分市场独角兽图鉴

巨头纷纷进驻物联网行业,围绕巨头布局细分领域,将成为独角兽成长的重要模式。 物联网普及的进程正在加速。这已经不是嘴上说说的概念,而是落实为产品与营收的事实。近期,就有不少互联网巨头与独角兽亮出了自己在物联网领域的成绩单。 8月中旬,在重庆举办的首届中国国际智能产业博览会,人气爆棚,互联网一线巨头悉数到场。现场观点碰撞创新不断,更是签约了高达6100亿的投资智能产业项目。 在大会上,李彦宏指出...

HiddlestonCloud的博客 881

2024年十大信创独角兽企业之首:华为海思半导体

海思半导体已成功掌握了7nm、5nm等先进制程工艺,为芯片的性能提升和功耗降低提供了有力保障

Lalolander的博客 1761
上一篇: Anthropic两款模型发布:Mythos 5性能炸裂,AI协作范式与行业规则迎变革!
下一篇: AI编码进展飞速,生物领域却频频翻车,gget virus能否拯救困局?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值