YouTube AI - 2026-05-30¶
1. 人们在讨论什么¶
1.1 对 Google 搜索的反感已从小众抱怨走向主流共识 🡕¶
对搜索体验的不满，是 2026-05-30 YouTube AI 信息流中最清晰的讨论簇。排名前 6 的视频里有 4 个都在强调，Google 以 AI 为先的搜索改动正在削弱产品本身：TechLinked、SomeOrdinaryGamers、Deep Humor 和 Techlore。关键变化在于覆盖面：这已经不再是某个创作者靠反 Google 标题收割流量，而是横跨科技新闻、评论和隐私导向教程的跨频道模式。
TechLinked 让这一主题获得了最大触达。该视频把 Google 的搜索更新提到更广泛科技新闻汇总的首段，并直接给这条故事打上 google search dead、google ai search 和 agentic search 标签。它的独特角度不在隐私或资深用户的挫败感，而在于一个主流科技新闻频道把这次 AI 搜索转向视为足以撑起整期节目的产品失败（视频）。
SomeOrdinaryGamers 把这波反弹扩展到了更广泛的评论文化。Mutahar 把 Google 描述为“决定蚕食自己最大的产品”，因为它在 AI 上持续加码，并追问这家公司为什么不能放过一个本来就好用的东西。独特之处在于受众变化：对搜索的不满现在已经强到足以走出专业 AI 或隐私小圈层（视频）。
Techlore 把抱怨直接做成了迁移指南。视频称，Google 的新 AI 智能体可以替用户购物、读取 Gmail，并代替用户选择供应商，随后逐一介绍 DuckDuckGo、Brave、Startpage、Kagi、SearXNG 和 Mojeek，作为可行的出路。独特之处在于，这个频道把逃离路径和像 bangs 这样的可用性技巧视为真正的产品，而不只是批评 Google（视频）。
讨论要点： Deep Humor 把具体断点说得更尖锐：Google 的 AI 答案加上自动化浏览，让旧式以链接为先的体验像是已经消失了。纵观这批搜索讨论，核心抱怨是控制权和可见性，而不只是模型质量。
与前日对比： 与 2026-05-29 相比，搜索这条故事线规模更大，也更主流。昨天的反弹更多由教程驱动；今天则得到高触达科技新闻和评论频道的进一步强化。
1.2 AI 进展的叙事正从突破转向瓶颈 🡕¶
第二个主要讨论簇围绕隐性限制展开。至少有 3 条强信号支撑它：Economy Media 称 AI 数据中心计划正在被推迟或取消，AI News & Strategy Daily | Nate B Jones 说随着智能体扩张，平台团队会成为瓶颈，AI Engineer 则认为，当工程师把太多上下文默认不说出来时，智能体就会失灵。共同线索是，下一个约束更少关乎某个模型赢过另一个模型，而更多关乎随着采用扩张，底层先会在哪里断掉。
Economy Media 给出了这个故事最强的物理容量版本。视频称，数千亿美元已经投入 AI 基础设施，但数据中心项目正撞上电网容量限制、能源成本上升、关键电气部件短缺，以及 Nvidia 需求可能被高估的风险。独特之处在于，它把 AI 放缓框定为基础设施规划问题，而不是模型质量问题（视频）。
AI News & Strategy Daily | Nate B Jones 把瓶颈叙事带进了公司内部。视频简介称，应用团队和平台团队的推进速度并不一致，智能体会开始显得有些对抗性，而私有评测套件会成为熬过持续模型升级的必需品。独特之处在于组织负载：智能体也许会提高边缘环节的产出，却同时压垮负责保持平台稳定的团队（视频）。
AI Engineer 则把同样的想法落到界面设计层面。Philipp Schmid 认为，智能体看到的只有模式定义和文档字符串，看不到开发者默认掌握的隐性知识；他还补充说，评测会取代单元测试，而错误会变成输入，而不是重启条件。独特之处在于，瓶颈也是概念性的：当团队没有把足够多的上下文外显出来，让智能体安全且一致地行动时，智能体系统就会失败（视频）。
讨论要点： 这 3 条内容分别指向技术栈不同层级的限制：数据中心碰到电力和组件天花板，平台团队碰到运营天花板，智能体构建者碰到上下文天花板。尽管视频面向的受众截然不同，这个模式却高度一致。
与前日对比： 与 2026-05-29 更强调信任和基准测试可信度相比，今天“AI 有极限”这一主题更偏运营，也更具体。故事主线已经从“该信谁”转向“到底是什么在阻碍部署”。
1.3 智能体内容正分裂成“新手友好包装”和“硬核落地现实”两端 🡕¶
智能体内容依然活跃，但重心已经扩展开来。Thomas Adams 为新手发布了一份完整指南，Julia McCoy 把 Hermes 的卖点放在易于获取，AI Engineer 则持续强调，没有显式上下文和评测，智能体系统就会失败。重要的正是这种分裂本身：一边在努力让智能体显得容易上手，另一边则持续记录它为什么并不容易。
Thomas Adams 代表的是入门这一侧。视频围绕“智能体是什么、为什么记忆重要、如何安装，以及怎样的提示词结构才会让它们真正有用”来组织。独特之处在于，这个信息流不再只对已经深度进入技术栈的构建者说话；它也在教更广泛的受众如何开始（视频）。
Julia McCoy 给出了最强的包装叙事。视频称 Hermes 很快超过了之前排名第一的智能体，强调通过 Abacus 一键免安装即可访问，并把优势描述为一个会学习、而不只是会连接工具的智能体。独特之处在于分发：智能体竞争卖的不只是原始性能，也包括便利性、覆盖广度和入门速度（视频）。
讨论要点： 链接的 Abacus 页面 把这种“包装优先”的论点进一步扩展到产品范围：应用托管、文档/幻灯片/视频、任务与触发器、研究、编程智能体/CLI、桌面助手和智能体式浏览，都集中在一个界面里。与此同时，AI Engineer 仍让谨慎的对照观点保持可见：智能体依然需要显式的模式定义、恢复模式和评测。
与前日对比： 与 2026-05-29 相比，智能体主题更宽。昨天更偏平台运维痛点和托管式接入；今天则新增了完整的新手入门，以及更明确的工程建议。
1.4 创作者 AI 视频覆盖正收窄到工作流打包与低成本试验 🡖¶
创作者 AI 仍然存在，但不如 2026-05-29 那样占主导，而且对成本和打包的描述更具体。Theoretically Media 认为 Google 的视频动作本质上是更广泛的媒体栈，Malva AI 则聚焦如何在 BytePlus 和 Higgsfield 之间低成本使用 Seedance。共同目标不是找到一个神奇的生成器，而是在不浪费太多点数的情况下，找到一条从想法走到成品的可行路径。
Theoretically Media 给出了最强的平台层案例。视频称，Google 对创作者的推进，与其说押在某个头部模型上，不如说是在做一层横跨 Omni、Flow、Genie、音频工具、世界模型一类的功能，以及自建创作者工作流的系统。独特之处在于，真正有意思的是合成能力和工作流广度，而不只是原始生成质量（视频）。
Malva AI 补上了成本控制视角。视频聚焦免费访问、草稿模式、声音生成、图像转视频控制，以及何时切换到 Higgsfield 获取更高质量镜头。独特之处在于，对创作者需求的描述已经明确围绕点数效率和可用工作流，而不只是“最佳模型”排名（视频）。
讨论要点： 抓取到的 Higgsfield 页面 把打包趋势写得很具体：Seedance 2.0 旁边同时摆着 Premiere 和 After Effects 插件、Supercomputer 编排、营销工作室、画布和预设库。创作者产品越来越像围绕模型搭起来的整套栈。
与前日对比： 与 2026-05-29 相比，创作者 AI 没那么居中，且更看重成本。故事主线仍是工作流压缩，但今天的证据更窄，也更偏访问入口和打包，而不是完整的端到端管线。
1.5 具身 AI 只有在指向可部署数据或可见公共验证时，才仍能吸引注意 🡖¶
具身 AI 仍在信息流里，但这个主题比 2026-05-29 更窄。Forbes 说，机器人进展取决于灵巧操作数据和面向物理工作的预训练；The AI Nexus 则把人形机器人里程碑包装成一组可见的公开验证。共同信息是，具身 AI 依然需要让受众同时相信隐藏的数据层和可见的部署层。
Forbes 给出了这个主题更扎实的一面。视频称，Generalist 的押注是：当公司不再执着于更漂亮的人形机器人外壳，而开始构建可复用的灵巧操作数据集，以及一层面向物理工作的智能层时，机器人就会进入预训练时代。独特之处在于，这条视频把机器人看作一个数据问题，而不是硬件外观竞赛（视频）。
The AI Nexus 代表的是公共验证这一侧。视频依次介绍 Figure 的零售合作、LimX 的跑道画面、Atlas 的足球训练，以及 Unitree 的清理表现，然后把美中人形机器人竞赛描述为正在升温。独特之处在于，人形机器人 AI 仍然靠不断累积具名演示和落地宣称来获得注意，这些内容给人的感觉比实验室表演更接近部署（视频）。
讨论要点： 一条内容说，稀缺资产是灵巧操作训练数据；另一条则说，稀缺资产是这些系统在展台演示之外也能真正做事的可见证明。二者合起来说明，为什么具身 AI 的报道总是在基础设施与奇观之间摆动。
与前日对比： 与 2026-05-29 相比，具身 AI 更窄，也较少涉及地缘政治差异。重点已经从防务演练和区域芯片转向机器人数据与人形机器人的公开里程碑。
2. 令人困扰的问题¶
会隐藏链接并代替用户执行操作的搜索，让人觉得产品背叛了自己¶
这属于高严重度，因为这种反弹在主流频道和垂直频道里都反复出现。TechLinked、SomeOrdinaryGamers、Deep Humor 和 Techlore 都认为，Google 以 AI 为先的搜索改动，正在用 AI 答案、代办操作和更难看见的来源，替掉原本可见、可控的搜索体验。应对行为已经是立刻迁移到 DuckDuckGo、Brave、Startpage、Kagi、SearXNG 和 Mojeek，再加上 bangs 这样的资深用户技巧。这非常值得做成产品。
AI 推出计划不断撞上物理和组织的容量极限¶
这属于高严重度，因为数据集中播放量最高的基础设施内容就指出，建设本身已经在摇晃。Economy Media 说，AI 数据中心项目正因电网约束、能源成本、组件短缺以及 GPU 可能买过头而被推迟或取消；AI News & Strategy Daily | Nate B Jones 则说，一旦智能体在公司里扩散，平台团队就会成为瓶颈。应对行为是延后、过度预配、人工分诊，以及用私有评测套件把时间抢回来。这非常值得做成产品。
只要团队默认上下文存在、跳过评测纪律，智能体就还是会失灵¶
这属于高严重度，因为多条智能体视频正从不同角度反复围绕同一个可靠性问题。AI Engineer 说，智能体只看得到模式定义和文档字符串，看不到构建者的隐性知识；Thomas Adams 在新手指南里把重点放在记忆和提示词结构上；AI News & Strategy Daily | Nate B Jones 则说，一旦模型更替成为常态，私有评测套件就会变成必需品。应对行为是显式提示词脚手架、人工重试、更强的记忆层，以及自制评测层。这非常值得做成产品。
创作者 AI 依然绕不开点数套利和过多的协同环节¶
这属于高严重度，因为即便最乐观的创作者视频，也是在围绕权宜方案展开。Malva AI 聚焦草稿模式、免费点数池，以及何时在 BytePlus 和 Higgsfield 之间跳转；Theoretically Media 则把 Google 的视频栈描述得很广，但也很分散。应对行为是模型路由、靠赞助内容发现新工具，以及在工具、预设和付费界面之间不停切换。这值得做成产品，但竞争已经很激烈。
机器人进展仍受数据稀缺和部署证明不足的限制¶
这属于中等严重度，因为具身 AI 覆盖比起情绪宣泄更偏构建者视角，但缺口非常具体。Forbes 说，机器人需要灵巧操作数据和一层面向物理工作的预训练；The AI Nexus 则展示了，人们的关注仍有多大程度依赖公开演示、零售落地宣称，以及人形机器人能处理混乱环境的可见证明。应对方式是专有数据采集、垂直整合，以及重营销的演示包装。这值得做成产品，但它既重资本，又难运营。
3. 人们期望的功能¶
保持链接可见并明确用户选择权的搜索产品¶
TechLinked、Deep Humor 和 Techlore 都指向同一个实际需求：AI 帮助不能在悄无声息中用隐藏来源和代办操作取代浏览体验。紧迫性很高，因为用户已经在换搜索引擎，而不只是抱怨。现有替代方案填了一部分缺口，但仍然很碎片化。机会类型：直接。
面向 AI 推出的容量规划和负载监测层¶
Economy Media 和 AI News & Strategy Daily | Nate B Jones 暗示了同一层缺失，只是尺度不同：一方面要有更好的物理容量规划，另一方面要有更好的方式，在智能体采用压垮运营前理解平台团队的负载。这是紧迫的实际需求，因为一旦基建扩张或内部推出已经开始，失败模式代价高且回头很慢。机会类型：直接。
让上下文、记忆、评测和恢复机制显式化的智能体构建界面¶
AI Engineer、Thomas Adams 和 AI News & Strategy Daily | Nate B Jones 都从不同角度展示了同一种需求：团队需要工具来暴露上下文、选择记忆模式、评估行为，并在长任务失败后无需手工重建一切就能恢复。这是有立刻构建者价值的实际需求，而今天的权宜方案大多仍是自制。机会类型：直接。
统一路由、编辑和点数管理的创作者工作台¶
Theoretically Media、Malva AI 和链接的 Higgsfield 页面 都指向一个清晰愿望：有一个创作者界面，能跨模型路由、保住点数、处理编辑，并让工作流从提示词到导出都保持可理解。这既是实用需求，也是创作需求，因为痛点更少在原始能力，而更多在流程碎裂。机会类型：竞争型。
面向灵巧操作数据和真实部署试点的具身 AI 基础设施¶
Forbes 和 The AI Nexus 暗示，需要有服务和产品让具身数据采集、评估与现场部署更容易搭起来。需求很实际，但路径比纯软件机会更慢、也更偏运营，因为它依赖硬件、现实世界测试和部署伙伴。机会类型：愿景型。
让灾难性风险论证可审计的安全与治理层¶
Neural Nutshell 和链接的 Future of Life Institute 页面 指向一个较弱但依然清晰的需求：在能力再次跃迁前，需要有更可理解的方式，把 AI 风险论证转译成证据、机构和具体治理选择。这部分既是实际需求，也带有情绪需求，因为人们担心的不只是“我该用什么工具？”，还有“我们怎么知道这场竞赛仍在控制之下？”机会类型：愿景型。
4. 使用中的工具与方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| Google 以 AI 为先的搜索 / 自动化浏览 | 搜索界面 | (-) | 让 Google 继续占据购物、浏览和答案生成的中心位置 | 多位创作者认为它会隐藏链接、降低可理解性，并让用户想离开 |
| DuckDuckGo / Brave / Startpage / Kagi / SearXNG / Mojeek 切换手册 | 搜索方法 | (+) | 恢复可见链接、隐私导向选项，以及 bangs 这类资深用户技巧 | 比单一默认界面更碎片化，而且需要用户主动切换 |
| 容量优先的 AI 规划 | 基础设施方法 | (+/-) | 迫使团队在做决定前先考虑电网限制、能源成本和组件供应 | 更多是警示，无法消除底层硬件瓶颈 |
| 私有评测套件 | 平台运维方法 | (+) | 帮助团队在持续模型更替中活下来，并更早监测智能体负载 | 往往是内部自建、临时拼凑，而且维护昂贵 |
| 富上下文工具模式定义 + 评测驱动的智能体开发 | 智能体工程方法 | (+) | 用显式接口和评测替代隐式上下文，让智能体行为更可理解 | 比常规 API 设计更慢，而且长任务中途失败时仍然脆弱 |
| 记忆优先的智能体搭建 | 智能体入门方法 | (+/-) | 给新手一个务实框架，理解智能体是什么、为什么记忆重要，以及提示词如何改变结果 | 简化的更多是上手过程，而不是可靠性、治理或平台负担 |
| Hermes / Abacus AI Agent | 托管式智能体 | (+/-) | 免安装接入，以及应用托管、文档/幻灯片/视频、任务与触发器、编程智能体/CLI、桌面助手和智能体式浏览 | 厂商包装和赞助式叙事让独立验证更难 |
| Seedance 2.0 + Higgsfield 工作流 | 创作者工作流 | (+) | 低成本试验、预设、插件、编排，以及把多条视频生成路径放进一个栈里 | 点数、定价和访问条件都可能变化，而且创作者仍要同时应付多个界面 |
| Google Omni / Flow / Genie 媒体栈 | 创作者平台 | (+/-) | 覆盖编辑、重混、音频和自建工具的广泛媒体工作流 | 产品叙事过于铺开，一些重要功能像是被埋住了 |
| Generalist 的灵巧数据路径 | 机器人训练栈 | (+) | 把机器人视为数据和预训练问题，而不是单纯的硬件竞赛 | 真实世界数据采集和部署依然缓慢且昂贵 |
整体情绪最积极的，是那些能把可理解性找回来的方法：替代搜索路径、私有评测套件、显式智能体接口和创作者编排，都比默认体系给人更多控制感。最明确的负面情绪则集中在 Google 搜索的 AI 优先行为上，多个创作者都把“看不见结果链接”描述为真正的失败。迁移路径也很清晰：从默认 Google 搜索转向垂直搜索引擎，从临时拼接的智能体构建转向评测与记忆脚手架，从孤立的 AI 视频工具转向能跨多个模型和定价档位路由的打包工作流栈。
5. 人们在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Higgsfield 创作者栈 | Higgsfield | 面向 Seedance 视频生成、预设、插件、编排以及配套 AI 媒体工具的创作者界面 | 降低 AI 视频工作流中的协调负担和点数浪费 | Seedance 2.0、Supercomputer 编排、Premiere/After Effects 插件、预设、画布、营销工作室 | Beta | 页面, 视频 |
| Google Omni / Flow / Genie 媒体栈 | 面向编辑、重混、合成、音频和自建创作者工作流的更广泛 AI 媒体层 | 降低孤立生成工具和编辑界面之间的交接成本 | Omni、Flow、Genie、音频工具、创作者工作流功能 | Beta | 视频 | |
| Abacus AI Agent / Desktop | Abacus AI | 面向应用、文档、幻灯片、视频、任务、编程和桌面辅助的托管式智能体界面 | 让高级智能体工作流无需本地配置也能使用 | 托管式智能体、任务与触发器、编程智能体/CLI、桌面助手、智能体式浏览 | Beta | 页面, 视频 |
| Generalist GEN-1 | Generalist | 围绕灵巧操作数据和面向物理工作的智能层构建的具身 AI 项目 | 解决机器人数据瓶颈，而不只是改进人形机器人外壳 | 专有硬件、灵巧操作数据、具身预训练、机器人智能层 | Alpha | 视频 |
| Figure 03 零售落地 | Figure AI | 围绕与 Catalyst Brands 大型零售合作展开的人形机器人部署 | 推动人形机器人从摆拍式演示走向可重复的商业工作 | Figure 03 人形机器人、零售部署工作流 | Beta | 视频 |
Higgsfield 创作者工具 和 Google 的 Omni / Flow / Genie 栈 正从不同方向解决同一个问题。Higgsfield 把路由、预设、插件和编排打包成一个可见的创作者产品，而 Google 则把更多编辑和合成层吸收到更广泛的 AI 媒体生态里。反复出现的触发点是工作流蔓延：创作者想要一个界面，既能保留创作意图，又能降低成本和工具切换。
Abacus AI Agent / Desktop 在智能体侧也展示了同样的打包模式。这个产品承诺不只是“智能体质量更好”，而是“无需先和配置搏斗，就能立刻在应用、文档、编程、浏览和自动化中用起来”。这让包装、分发和覆盖广度本身，也成为产品论点的一部分。
Generalist GEN-1 和 Figure 03 指向具身 AI 构建的两个半边：一个认为稀缺资产是更好的数据和面向物理任务的预训练，另一个认为稀缺资产是人形机器人能够走出 demo 阶段的可见商业证明。二者合起来解释了，为什么具身 AI 构建者总是把隐藏基础设施和公开 rollout 信号配在一起。
6. 新动态与亮点¶
搜索反弹从小众抱怨变成头条论点¶
Linus Tech Tips 和 Techlore 都把 Google 搜索质量当作主线故事，而不是顺手带过的抱怨。这之所以重要，是因为证据很具体：AI 味很重的搜索行为截图、对链接缺失的明确抱怨，以及一份详细的替代搜索引擎迁移清单，而不是一句模糊的“现在搜索变差了”。
AI 讨论聚焦瓶颈，而不只是模型能力¶
Economy Media 认为数据中心已经成为 AI 竞赛的真实约束，而 Theo 则描述了围绕智能体的交付压力、评测债和团队层面的运营负载。值得注意的变化是，这两条故事都把基础设施和执行摩擦视为一等证据，而不是背景条件。
创作者 AI 正在变成工作流市场，而不是单模型市场¶
Malva AI 把 Higgsfield 卖成一个可路由的创作者栈，而 Future Tech Pilot 则描述了 Google 正在发布一个更广泛的编辑与生成界面家族。值得注意的不只是新功能，还有围绕创作者把时间、点数和注意力花在哪里展开的更强包装之战。
具身 AI 故事更强调可部署的证明和训练数据¶
AI Nexus 强调 Figure 据称在零售场景的扩张，而 Generalist 则认为，灵巧操作数据和具身预训练才是机器人进展真正的解锁条件。这两条视频合在一起，让公开部署证据和隐藏数据基础设施显得同样重要。
7. 机会在哪里¶
[+++] 来源可见的搜索与研究导航 —— 证据既来自对 Google 搜索以 AI 为先的行为 的直接反弹，也来自向 DuckDuckGo、Brave、Startpage、Kagi、SearXNG 和 Mojeek 迁移的详细建议。这是强机会，因为痛点具体、用户语言急迫，而且人们描述的已经是主动切换行为，而不是被动不满。
[+++] 智能体可靠性、记忆与评测工具 —— Theo 对私有评测和容量规划的叙事、ThePrimeTime 的富上下文智能体设计经验 和 Thomas Adams 的记忆优先设置指南 组合在一起，说明市场反复在呼唤一类基础设施：它要让智能体可测量、可恢复，也更容易被引导。这是强机会，因为这类需求同时跨越新手和高级团队，而今天的权宜方案仍主要是自定义胶水代码。
[+++] 创作者工作流路由与成本控制层 —— Higgsfield 的打包栈、Google 的 Omni / Flow / Genie 推进，以及创作者在 Nate B Jones 批评 中感受到被平台经济挤压的负面样例，都指向同一个缺口：创作者想要更好的编排、更清晰的定价，以及更少在工具之间交接断裂。这是强机会，因为支出、时间和工作流碎片化都在证据里清晰可见。
[++] 具身 AI 数据运营与部署中间件 —— Generalist 论证了灵巧操作数据和具身预训练的重要性，而 AI Nexus 则把围绕 Figure 零售故事的商业 rollout 证据放在中心位置。这是中等机会，因为需求信号真实存在，但它仍依赖昂贵的硬件项目和更慢的企业采用周期。
[+] 治理证据与情景审计工具 —— Neural Nutshell 放大了 Future of Life Institute 的超级智能框架，显示市场仍然需要让风险论证更容易被检查和比较的工具。这更像正在浮现的机会，而不是强机会，因为需求虽然可见，但讨论仍然宽泛，尚未收敛到具体的产品形态。
8. 要点总结¶
- 搜索信任在 YouTube 上变成了主流 AI 话题，而不只是资深用户的抱怨。 最强证据来自 Linus Tech Tips 和 Techlore，它们都把 Google 的搜索行为和具体替代方案放在核心位置，而不是把这个问题当成旁注。（来源）
- 围绕 AI 进展的语气转向了运营瓶颈。 Economy Media 聚焦数据中心与能源限制，而 Theo 则聚焦产品团队内部的评测债、负载和执行负担。（来源）
- 围绕智能体的内容分裂成“怎么开始”和“为什么生产环境仍然很难”。 Thomas Adams 给出了一份记忆优先的设置指南，但 ThePrimeTime 和 Theo 都强调了上下文设计、评测和失败恢复。（来源）
- 创作者 AI 的竞争越来越围绕打包工作流，而不是孤立的模型质量。 Malva AI 的 Higgsfield 演示 和 Future Tech Pilot 的 Google 汇总 都把编排、编辑和多工具路由视为主要差异化因素。（来源）
- 具身 AI 故事如今既需要隐藏基础设施，也需要可见的落地证明。 Generalist 认为灵巧操作数据才是约束，而 AI Nexus 则把 Figure 的零售合作框定为人形机器人能走出 demo 的证明点。（来源）