秉持“科技善念，数智共享”的理念，北电数智始终把人的需求放在技术研发的首位，立足于人、贴近民生，做有温度的AI，绘制民生发展中最动人的数字底色。

1、开云线上 ”脉脉创始人兼CEO林凡告诉《中国企业家》。

他把数学工作分成两类，解决问题（problem-solving）和构建理论（theory-building）。开云线上△AI生成 光看数字多少还是有点抽象。

2、总决赛前瞻：如果尼克斯夺冠，将彻底颠覆我对NBA的认知！

Agent轨迹写入参数后，单次执行从9.0秒降到2.7秒。

3、CBA最新消息！山东欲签外援杰曼，山西确定23+4+6新外援，上海山西报价了胡金秋

结果？ 半小时适配一个新环境。

4、真被高估了？美媒评五大被高估球员，22年状元上榜，三球不被认可

更让人大跌眼镜的是，这两个项目都是他只花了10天Vibe Coding出来的。

5、大疆正式发布Pocket 4P，多支国产新镜头登场｜势力新鲜报

看得清、想得明白、下得去手 这些不同形态的机器人，能在不同场景下丝滑工作，靠的都是背后同一套“眼脑手”。

VLA和世界模型，谁代表机器人的未来？行业曾为此分裂成鲜明两派。

做了一两个BD之后，越来越有信心，我们有家投资企业就是这样，创始人算了一下，在美国做临床大概只要五千万美元，于是决定自己做。

6、iPhone Air2完整参数曝光！A20 Pro+双4800万影像，7999元起贵吗？

Macaron-V1，就是这些积累的一次集中亮相。

人看到一个湿滑的杯子，会下意识知道需要轻一点拿。

7、深度太厚！卡斯尔、菜鸟哈珀少年老成，马刺板凳席还藏着一员猛将

他也在不断尝试原创节目的商业化路径。

按照他在现场披露的结果，其中约10篇有机会进入Findings或主会，两篇论文获得3.67分，评分高于约95%的人类投稿。

8、克妈点评丝袜低迷状态：渴望成功成执念，场上全都透露着不自信？

《中国企业家》查询哈根达斯小程序发现，截至6月4日，目前在营业的门店仅163家，分布在中国内地54个城市，其中，成都、武汉、太原、合肥、西安、南昌等31个城市只剩下一家门店。

试想，当「魔镜」式的实时虚拟试穿接入电商 App，用户不再需要对着静态模特图脑补上身效果，摄像头前的你就是模特。

这种Knowhow需要在一个完整的业务场景里跑通闭环，经历足够多的案例才能积累。

9、全锦赛结局太意外！马龙许昕横扫夺冠，莎头爆冷，蒯曼成最大赢家

企业使用大模型时面临一个现实的问题，就是模型越来越强，运行成本也越来越高。

2026年，被行业反复称为“具身数据元年”。

10、起底直播间「霸王契约」，「巴图们」在收割谁？

更深层的问题在于社区参与意愿。

毕竟当前优质医生资源仍然有限、医疗资源区域分布不均、医院能力受物理空间限制的问题，还无法被零散的AI能力所解决。

1、更衣室作用相当突出！马刺又用一年底薪签回了这位替补控卫？

部署规模扩大，真实场景增加，数据不断回流，模型能力提升，机器人适应更多场景，进一步扩大部署。

2、队报：穆帅希望像当年执教C罗那样，把姆巴佩打造成超级核心

应该用什么标准来判断具身智能公司？它石智航的壁垒在哪里？ 丁文超：早期判断的信噪比确实比较低，但我预测2026年底到2027年可能会出现分水岭。

3、独家对话特斯拉中国总裁王昊：特斯拉始终成本定价，不会改变

一群来自上海交大、哈佛、CMU、芝加哥大学、清华、UC Berkeley、JHU、复旦、UCL等名校的年轻人，创办Shadoweave（织影）团队，自研了HolographicMemorySystem全息记忆系统，正是沿着这套思路在工程上落地。8小时票房破1178万！周星驰走面儿成功，韩红再迎两个“坏消息”但这个比喻背后，藏着一个更大的判断——元认知的能力。

4、英超新赛季前瞻二：格拉斯纳诺丁汉森林，杯赛或成新赛季突破口！

而偏微分方程则是邓煜的研究核心所在。

5、两战轰76分11助！中国男篮生死战真需要他 归化难真是钱的问题吗

一套架构是否可行，最终要看实测结果。

6、荣誉之路，新星闪耀！2023HEAD超新星冠军赛北京站收官

就在行业以为「元」字热已经退去时，没想到，2026年，它却出现在了医疗行业。

当前已进入灰度测试阶段的微信AI助手「小微」，其核心模型能力由WeLM提供。

这个数字意味着什么？ 如果每天花掉100万美元，够花长达3288年（下下下下下辈子都花不完…）。

7、一场104-102的爆冷，让马刺暴露短板，文班很失望，森林狼大黑马

那么具身智能时代的「Windows」是什么样？ 日冕提出的方向，是WMoS（World Model as OS），世界模型即操作系统。

比如消除照片中误入的路人并美化图片啦、或者是根据当下心情创作一首打油诗啦……GPT都会努力帮你做到。

8、宇树王兴兴：机器人会翻跟头了，真正干活还要等多久？

拓元通过混合位置索引合成的长上下文偏好训练方法，以及记忆引导的重读机制，在远小于同类方法的训练数据量下实现了显著效果提升。

现在，他们只需花几分钟，用大白话给「财务·报销管家」写一段话： StaffDeck就会自动将这段话转译为一个精密的流程图： 当员工发起请求： 报销管家（AI Agent）就会自动执行操作： 识别出其中的两个任务，先进入报销流程，熟练地收集行程与金额—— 在这个过程中，面对员工突然插入的提问（「等一下，上海的餐补标准是多少来着？」），它暂停手头的活，去OKF知识库精准检索，附上文件链接和出处告知员工； 随后，自动拉着员工的手回到刚才中断的表格前，继续填写，并在最后调用企业接口，丝滑地顺手查出额度—— 遇到制度未覆盖的盲区，Agent也不会强行敷衍，而是礼貌地把整个上下文打包呈给财务主管。

这听起来像办公软件的基本要求，却正是许多AI生成工具最容易翻车的地方。

而这种默认设置，只能落在一个靠分享和种草运转的地方。