网易首页 > 网易号 > 正文 申请入驻

当机器人不再只会"动",而是开始"想":给智能机器人画的全景地图

0
分享至


你有没有想过,为什么现在的扫地机器人已经能避开你家猫砂盆了,却还是没法自己判断"这个抽屉卡住了,我应该换个方向拉"?

这不是传感器不够多的问题,也不是电机不够精密的问题。问题出在一个更根本的地方:机器人缺的不是"能力",而是"判断力"。

2026年10月,一群来自香港中文大学、复旦大学、清华大学等机构的研究者,发表了一篇长达79页的综述论文,试图回答一个听起来简单却异常棘手的问题:当我们把GPT这类大模型装进机器人身体里,到底发生了什么?这些模型是真的让机器人变聪明了,还是只是让它们看起来更聪明?

这篇论文最打动我的地方,不是它提出了什么惊天动地的新算法,而是它老老实实地做了一件事:把过去几年里散落在各处、互不相认的几百篇机器人智能体研究,梳理成了一张完整的地图。

机器人智能的四个时代

先说一个可能会颠覆你认知的事实:直到不久前,机器人学习的主流方式还是"一个任务一个模型"。

你想让机器人抓取物体,就专门训练一个抓取模型。你想让它导航,再训练一个导航模型。这些模型各自为政,谁也不认识谁,换个任务就得重新训练。这种方式被称为任务特定策略*:针对单一具体任务训练的机器人控制模型,通常通过模仿学习或强化学习,从观察直接映射到动作。

这种模式持续了很多年,直到视觉-语言-动作模型(VLA)*:一类将视觉观察、语言指令和动作预测连接起来的模型,通常建立在预训练的大语言模型基础上,能够利用其中蕴含的常识知识。开始出现。RT-2、OpenVLA这些名字开始频繁出现在论文里,它们的核心思路是:既然大语言模型已经从海量互联网数据里学到了"什么是杯子""杯子通常放在哪里"这样的常识,为什么不让这些常识直接指导机器人的动作呢?

但VLA模型很快暴露出一个短板。它们擅长把"看到的场景"和"该做的动作"连接起来,却不擅长处理那些需要"等等,这样不对,我得换个办法"的情况。换句话说,VLA模型可以把单次动作做得很准,但没法在长时间任务中持续追踪进度、应对意外、从失败里爬起来。

于是世界模型和世界-动作模型*:一类能够预测环境如何随动作变化的模型,通过学习未来状态或观察的表示,支持基于想象的规划和决策。登场了。这类模型的思路更进一步:与其只学"看到A就做B",不如先学会"预测做了B之后会发生什么"。这就像你在下棋之前先在脑子里推演几步,而不是走一步算一步。

这篇综述论文认为,真正的变革发生在第四个阶段,也就是论文的核心概念:智能体机器人(Agentic Robots)。

这里有一个关键的转折点,GPT-6 Astra这样的通用大模型开始展现出一种全新的能力:它不需要针对某个具体机器人任务做专门训练,就能直接通过视觉观察生成机械臂的末端执行器指令,并且能根据执行反馈实时调整动作。在RoboDojo这个包含42个模拟任务的测试平台上,GPT-6 Astra取得了22.48%的平均成功率,超过了专门训练的机器人策略DM0.5(19.34%)、GalaxeaVLA G0.5(14.88%)等等。

这个数字本身不算惊艳,但它揭示的趋势很值得琢磨:一个没有经过专门训练的通用模型,靠着"边做边看边调整"的策略,就能打败那些专门为机器人任务精心调教过的模型。这说明什么?说明在机器人智能这件事上,光把模型训练得更大更准已经不够了,真正重要的是你怎么把这个模型用起来,怎么让它在执行过程中保持清醒的判断。

这就引出了论文真正想讨论的问题:智能体机器人到底是什么,它和前面那些模型有什么本质区别?

论文给出的定义是:智能体机器人是这样一种系统,其中的智能体能够根据环境观察和执行反馈自主地规划和协调任务执行。给定一个目标,这些智能体会判断需要哪些步骤才能达成目标,选择和协调动作、技能或工具,并在没有人类逐步指示的情况下监控进度。

这个定义里藏着一个很朴素的道理。想象你让一个新来的实习生去把一份文件归档。一个只会执行指令的实习生,如果发现文件柜锁住了,会愣在原地等你下一步指示。而一个真正"在思考"的实习生,会自己判断:是去找钥匙,还是换个地方先放着,还是回来问你要不要换个归档方式。这种"自己判断该怎么办"的能力,正是智能体机器人和传统机器人策略之间最根本的分野。

如果没有这种判断力,会发生什么?论文里举了一个开抽屉取物的例子:智能体可能会选择一个开抽屉的动作,检查抽屉是否真的打开了,然后再决定是直接取物还是重新尝试开抽屉的动作。单纯的动作预测或者底层的反馈控制,是建立不起这种能力的。

四个支柱:模型、数据、环境、工具箱

面对如此庞杂的研究领域,这篇论文做的最重要的工作,是提出了一个四维的分类框架,把智能体机器人相关的研究分成了模型、数据、环境、工具箱四大板块,每个板块下面又细分出若干类别,总共十七个互不排斥的研究方向。

这个框架很像一家公司的组织架构图。

模型板块回答的问题是:智能体应该学习、理解、决策、控制什么?这里包括训练(智能体如何设计奖励函数和训练流程)、感知(如何从观察中提取任务相关信息)、规划(如何组织任务步骤)、机器人控制(如何把决策转化为具体动作指令)、适应(如何利用经验改进行为)五个子方向。

数据板块关注的是:智能体应该如何收集、标注、精炼机器人数据?包括数据采集、数据标注、数据精炼三个环节。

环境板块处理的是:智能体应该构建什么样的世界、任务和测试?包括场景重建、任务生成、基准测试三个方向。

工具箱板块则关注:机器人的各项能力应该如何被编排、恢复和进化?这是整篇论文篇幅最长的部分,细分成编排、记忆、监控与恢复、技能、基础设施、分层系统六个子方向。

这套分类体系的价值在哪里?它让原本互不认识的几百篇论文,突然有了一张可以对照的坐标系。你读到一篇讲"怎么给机器人设计奖励函数"的论文,可以立刻知道它属于"训练"这个子方向;你读到另一篇讲"机器人怎么记住之前失败的尝试"的论文,就知道它属于"记忆"这个子方向。这种分类不是机械的贴标签,而是帮助读者建立起"这个研究在整个智能体机器人系统里扮演什么角色"的认知坐标。

如果没有这张地图会怎样?论文里直言不讳地指出,目前这个领域的研究是碎片化的,相关术语比如"具身智能体""自主机器人""自我改进机器人系统"互相交叉却边界模糊,让人很难分清楚一个智能体系统里到底谁在做决策,这些决策又是怎么影响整个系统的。没有这张地图,每个新读者都得从零开始摸索这些概念之间的关系,重复踩坑。

感知:机器人该相信自己看到的吗

先说感知这个环节。表面上看,感知就是让机器人"看懂"眼前的场景,但论文里揭示了一个更微妙的层面:感知不只是解读静态画面,还包括判断"我现在看到的信息够不够,要不要再看一眼"。

这里有个很有意思的设计叫主动感知。想象一个场景,机器人要从一堆杂乱物品里取出被遮挡的某个东西。这时候单纯"看一眼就做判断"是不够的,机器人需要像人一样,先伸手把挡住视线的东西挪开,或者换个角度看看,才能真正确认目标物体的位置。论文里提到的MG-VQA系统就允许视觉语言模型调用感知工具、抓取移除工具和推动工具,先把被遮挡的信息暴露出来,再去回答关于场景的问题。

这背后其实是一个很朴素的道理:机器人的每一次观察行为都是有代价的。移动一次摄像头、推开一个挡住视线的物体,都要花时间、冒风险。如果机器人每次都为了追求绝对确定而反复观察,任务永远做不完;但如果它从不核实、全凭第一眼判断,又容易在关键步骤上出错。

这就好比你去超市找某款特定口味的薯片,货架上摆满了同款不同口味的包装。你是直接伸手拿第一眼看到的,还是要凑近看清楚标签再决定?如果你每次买东西都要把货架上所有商品的标签挨个核实一遍,买菜能变成一场马拉松;但如果你从不核实任何标签,买回家发现口味不对的概率就会大大增加。机器人面对的正是同样的权衡,它需要学会判断"这个决策值不值得我多看一眼"。

论文里还提到一个很实际的问题:记忆里存的物体位置信息,会不会"过期"?比如AnchorVLN系统会把模型指令绑定到类型化的物体句柄上,但一旦这个物体的位置在后续操作中发生了变化而没有被重新观察,这个记忆就变成了错误信息。这就引出了论文反复强调的一个核心风险:陈旧的定位信息。

想象你记得办公室钥匙放在抽屉第二层,但同事今天早上开会用过之后随手放在了桌上。如果你完全依赖"记忆里的位置"而不去核实,你就会在抽屉里翻找半天找不到钥匙。机器人也会遇到同样的问题,只是它需要靠主动重新观察来"刷新"这份记忆,而不是靠直觉。

规划:想得远不一定想得对

规划环节讨论的是机器人如何组织一连串动作去完成任务,这里的核心矛盾很有意思:规划得越远,越能提前处理动作之间的依赖关系;但规划得越远,也越容易因为一个意外的变化而整盘推翻。

论文把规划拆成三个阶段:生成计划、执行前检查计划、执行中更新计划。

生成计划这一步,有的系统选择"走一步看一步",比如先看一眼环境返回的结果,再决定下一步做什么。这种方式适合那种后续步骤高度依赖当前信息的任务。另一种方式是让高层模型给出一个简短的子目标,交给专门的动作模型去执行具体步骤,比如Hi Robot系统里,高层视觉语言模型会用简短的语言指令指挥底层的VLA模型,并且根据用户干预或者时间间隔周期性地更新指令。

执行前检查这一步特别关键。SayPlan系统会用一个场景图模拟器来验证提出的计划是否真的可行,如果不行就修正方案。这就像你出门前先在脑子里过一遍今天的行程,发现某个安排时间冲突了,提前调整,而不是走到一半才发现撞车。

执行中更新这一步则是在应对"计划赶不上变化"的现实。ActionReasoning 2.0系统的做法很直接:一旦某个动作在验证环节失败,就丢弃剩余的动作序列,基于更新后的场景状态重新生成,但保留此前已经验证完成的任务进度。

这里论文提出了一个很值得琢磨的判断标准:机器人到底该规划多远,应该取决于它对自己动作结果的预测有多可靠。如果结果是可预测的,长计划能帮助组织多个动作之间的依赖关系;如果结果充满不确定性,或者环境在不断变化,那就该规划得更保守一点,让新的观察来指导接下来的每一步。

这让我想起一个很日常的类比:规划一场旅行。如果你去的是一个熟悉的城市,交通路线清楚,你可以提前订好每天的详细行程表,从早到晚每一站都安排好;但如果你去的是一个从没去过、天气多变、交通状况不明的地方,过度详细的计划反而会成为负担,因为任何一个环节出岔子,整个计划都要推倒重来。更明智的做法是只定个大方向,走一步看一步再决定下一步。

这个道理放在机器人身上也成立:规划的颗粒度,应该随着不确定性的高低来调整,而不是越细越好。

记忆:机器人该记住什么,又该忘记什么

记忆这个主题可能是整篇论文里最接近人类经验的部分,因为它讨论的问题我们每个人都能感同身受:什么该记住,什么该忘记,记住的东西该放多久。

论文把记忆系统拆成了三个环节:记忆写入、记忆更新、记忆检索。

记忆写入决定什么内容值得被记下来。有的系统专门记录失败经历,比如HAM-VLN会把每次导航失败连同失败发生的地点一起存下来,这样机器人以后可以回溯并验证是否该停止某条路线。有的系统记录任务进度,比如HiMe会维护一个带状态标记的子任务清单,用来指导后续规划。

但这里有一个很实际的权衡问题:如果每一步都写入记忆,记忆库会迅速膨胀、冗余过多;如果写得太少,又可能漏掉后续决策真正需要的关键信息。MessyMem系统的做法是,在每次物理交互之后才触发记录,让视觉语言模型评估这次动作的结果,比如是否抓空了、抽屉是否卡死了,然后把这些观察连同关键图像一起更新进对应的物体条目里。

记忆更新环节处理的是一个更尖锐的问题:场景在不断变化,已经写入的记忆会不会因为这种变化而变成错误信息?这就是前面提到的"陈旧性"问题的延伸。OVAL系统的处理方式是,每次都拿记住的候选目标去和当前目标核对,如果发现不匹配就拒绝这个候选,重新开始搜索。

记忆检索环节解决的是"浩如烟海的记忆里,哪些对当前决策真正有用"的问题。这就像你打开一个存了好几年聊天记录的手机,要找某条特定的对话,如果没有搜索功能,光凭翻页根本找不到。NavMCP系统用基于关键帧的路线摘要来回答导航过程中的问题,同时保留一份尚未解决的目标清单,这样既不会被淹没在海量历史信息里,也不会丢掉真正重要的线索。

论文里还特别提到了一种很精巧的设计:当某个相似的任务之前已经被成功解决过,直接复用之前的解决方案往往比重新计算更快更省。MeCo系统会检索相似的、之前成功过的多机器人任务方案,复用它的路径点结构;如果验证发现这个复用方案不适用,才会退回到让语言模型重新生成方案。

这背后的思路其实和我们生活中"抄作业"的逻辑有点像,只不过多了一道核实的手续。你解一道数学题,如果之前见过类似题型并且记得解法,直接套用当然比从头推导要快;但套用之前,你得先确认这道题和你记得的那道真的是同一类,不然套错了反而更麻烦。机器人的记忆复用也是这个道理:复用能省时间,但复用之前的验证环节不能省。

监控与恢复:机器人怎么知道自己做错了

这部分讨论的是一个听起来朴素但执行起来极其复杂的问题:机器人怎么判断自己正在做的事情是对是错,以及一旦发现不对该怎么补救。

论文把这个过程拆成三个阶段:执行监控、响应选择、恢复动作。

执行监控又可以按照检查的时机分成三类:执行前检查、执行中检查、执行后检查。执行前检查针对的是还没产生物理效果的候选动作,比如SafeHarness会检验提出的路线是否撞上障碍物,并把被拒绝的理由反馈回去以便修正。执行中检查是在动作进行的过程中持续给出信号,比如DoReMi系统让一个语言模型为下一个技能撰写约束条件,然后用视觉语言模型定期检查这些约束,一旦发现违反就立即停止该技能的执行。执行后检查则可以利用完整的事件记录来解释失败的原因,比如REFLECT系统会从传感器、事件、子目标三个层级总结整个执行过程,向负责纠正的规划器解释失败的来龙去脉。

这里有一个很值得细品的设计逻辑:不同时机的检查,决定了它能捕捉到什么类型的问题,也决定了它能给出什么样的输出。执行前的检查只需要在候选方案之间做选择,所以输出往往是简单的接受或拒绝;执行中的检查必须在动作还没结束之前就给出反应,所以输出是立刻停止或调整的信号;执行后的检查可以利用完整的记录,所以输出可以是详细的解释。

响应选择环节处理的是"发现问题之后该怎么反应"。这里有个很现实的分支,机器人到底是从一组固定的预设方案里选一个,还是让一个更灵活的规划器临时生成应对策略。Goal2Skill系统选择在重试、调整、重新规划这三种固定方案里挑一个,这种方式简单且可预测;而REFLECT系统则是让失败的解释触发一个规划器,重新生成应对方案,这种方式更灵活但也更不可控。

恢复动作环节则是真正执行补救措施的环节,论文里按照补救改变的层面把它分成四类:改变输入给当前策略的提示、改变执行者本身、改变任务流程、改变策略之外的某些参数。

这里还有一个很容易被忽略但很重要的问题:恢复之后,机器人该从哪个状态继续?一次失败的尝试往往会让场景变得面目全非,物体可能被挪动了,某个步骤可能做到一半就停了。机器人可以选择直接从当前这个"烂摊子"状态继续,保留之前已经取得的部分进展;也可以选择先把场景恢复到一个已知的干净状态,再重新开始。HALTER系统选择的是后者,它会利用场景图的历史记录找出之前哪些部分已经完成,规划重置技能,并且检查重置是否真的生效了。

这个选择背后其实藏着一个很常见的生活决策逻辑:做菜的时候如果某个步骤出了问题,比如糊了一小块,你是直接在现有基础上补救,还是整锅倒掉重新来过?如果问题不大,继续修补往往更省时间;但如果问题已经污染了整个状态,硬着头皮继续反而会越补越乱,这时候推倒重来才是更明智的选择。机器人面对失败时的这个判断,本质上和我们在厨房里做的权衡是一回事。

工具箱与分层系统:机器人大脑的组织架构

工具箱这个板块是整篇论文篇幅最长的部分,它讨论的是一个很关键的工程问题:当机器人同时拥有多种能力,比如一个语言规划器、一个动作执行模型、一堆分析性的控制算法,这些能力之间该怎么协调配合。

论文提出了一个很形象的三层架构:规划层负责高层次的推理,运行速度较慢;学习策略层负责反应性的行为生成,运行速度居中;分析控制层负责具体的求解和控制计算,运行速度最快。

这个三层架构的设计思路,其实很像一个公司的决策链条。CEO负责制定战略方向,但不会去管每个具体订单怎么发货;部门经理负责把战略拆解成具体的执行计划;一线员工负责把计划落实成每一个具体动作。如果让CEO事无巨细地管理每个订单的物流细节,公司效率会直接崩溃;但如果一线员工完全不知道公司的战略方向,各自为政,整个系统也会乱套。

论文里提到的Helix系统就是这种分层架构的典型实现,它的视觉语言模型以每秒7到9次的频率生成一个紧凑的指令向量,传给一个以每秒200次高频运行的动作策略。GR00T N1系统则是让一个以10赫兹运行的推理模块传递中间表示给一个产生120赫兹动作片段的动作模块。

这种频率上的巨大差异,恰好对应了不同层级任务的本质特点。高层推理需要综合考虑复杂的语义信息,这个过程天然就比较慢;而底层动作执行需要对物理世界的变化做出近乎实时的反应,速度必须非常快。如果强行让高层推理模块以动作执行的速度运转,它根本来不及做出有意义的判断;如果让动作执行模块等待高层推理的每一次更新,机器人的反应会慢得像在水里走路。

这里还有一个很值得注意的设计细节:既然慢速规划层给出的指令传到快速执行层时已经有了时间延迟,那执行层拿到的信息其实已经"过时"了。RoboDual和HiRT这两个系统的应对办法是,直接在训练阶段就让快速层习惯处理带延迟的条件信息,这样执行层从一开始就知道自己面对的指令可能不是最新鲜的,也就能做出相应的补偿。

分层系统还有一种更灵活的组织形式,叫做智能体直接把动作模型当作一个可调用的工具。Gemini Robotics 1.5系统就是这种思路的典型,它让一个更通用的推理模型通过语言指令调用专门的动作模型,论文里提到,把一个通用模型换成专门负责具身推理的协调器之后,总体失败率直接减半。这说明协调层本身的专业性,对整个系统的表现有着相当直接的影响。

智能体机器人的未来挑战

论文最后花了不小的篇幅讨论未来的研究方向,这部分内容虽然没有给出确定的答案,但提出的问题本身就很有启发性。

第一个方向是公平的基准测试。论文提出一个很尖锐的质疑:两个在同一个机器人测试任务上取得相似成功率的系统,到底代表了什么?一个可能依靠的是更强的底层动作模型,另一个可能是靠智能体协调多个较弱的技能、主动收集额外观察、从失败中恢复才拿到这个分数。如果只看最终的任务成功率,根本没法判断两者谁的能力更强。

这个问题让我联想到考试成绩这件事:两个学生同样考了90分,一个是因为知识基础扎实、每道题都靠自己独立解出,另一个是因为提前拿到了部分题目的提示、靠反复试错和猜测凑够的分数。单看最后那个"90分",你根本分不清这两种截然不同的能力水平。机器人基准测试面临的正是同样的困境。

第二个方向是真实机器人上的智能体部署。论文指出,一个在智能体看来合情合理的计划,未必真的能被机器人执行。推理模型可能要求一个超出机器人臂展范围的抓取动作,或者基于一个已经过时的观察选择了错误的技能。模拟环境可以提供精确的物体位置和清晰的成功判定标准,而真实机器人必须从带噪声的摄像头图像和传感器读数里去估计这些信息。微小的感知误差、标定上的差异、意外的接触,都可能让一个看似合理的计划彻底失败。

第三个方向是机器人使用的效率问题。论文提到一个很现实的痛点:机器人完成一个动作可能只需要几秒钟,但等待智能体决定下一步该做什么却要花更长的时间。重复的模型调用、视觉观察、工具交互都会带来显著延迟,尤其是当一个任务需要许多细碎动作的时候。这里的核心难题是,什么时候再调用一次模型才是值得的,这个判断应该取决于任务进展情况、不确定性程度,以及延迟决策可能带来的后果。

第四个方向是跨具身泛化能力。一个在某台机器人上表现良好的智能体,换一个机器人平台可能就不灵了。即使是"走到目标位置"这样简单的任务,对轮式机器人、人形机器人、无人机来说,需要采取的具体动作也完全不同。论文建议的一个思路是,让智能体在使用一个陌生机器人之前,先去理解这个机器人到底具备什么能力,再据此规划行动,而不是简单地把同样的指令翻译成另一个机器人的控制接口。

写在后面

读完这篇长达79页的综述,最触动我的不是某个具体技术细节,而是一种认知上的转变:我们一直以为让机器人变聪明的关键是把模型训练得更大更准,但这篇论文反复用案例证明,真正决定机器人能不能完成复杂任务的,往往是模型之外的那层"组织架构",也就是论文里说的工具箱。

GPT-6 Astra没有经过专门的机器人任务训练,却能靠边做边调整的策略打败专门训练的模型,这个事实本身就在提醒我们:聪明的大脑装进一个不会灵活应变的身体,照样会处处碰壁。

另一个让我反复琢磨的细节是,论文里提到的"陈旧性"问题,无论是感知环节里过时的物体定位,还是记忆环节里不再有效的位置记录,本质上都是同一个矛盾:系统需要在"相信已经知道的信息"和"重新核实当前的真实情况"之间不断权衡。这个矛盾不只存在于机器人身上,它几乎是所有依赖记忆和经验做决策的系统共有的困境,包括我们人类自己。

论文里反复出现的那个驴子一样朴素的提问:这个设计是解决了什么根本矛盾,如果不这样做会怎样,其实是一种很值得借鉴的思维方式。不止是读论文,面对任何一个新的技术方案,先问清楚它到底在权衡什么,往往比记住它具体怎么实现更重要。

如果一个机器人真的能像一个有经验的老手一样,在拧螺丝拧到一半发现螺纹滑丝的时候,自己判断是该换个工具还是先停下来观察一下情况,而不是傻傻地继续用蛮力拧下去,那它需要的到底是更强大的"手",还是更清醒的"脑子"?

Q&A

Q1:智能体机器人和普通的机器人策略有什么区别?

A:普通机器人策略只负责把观察转化为动作,而智能体机器人能够自主规划任务步骤、选择协调不同的技能或工具、监控执行进度,并根据反馈决定是继续、收集更多信息、修改计划还是从失败中恢复,不需要人类逐步指示。

Q2:论文提出的四个研究板块具体是什么?

A:论文把智能体机器人研究分为模型、数据、环境、工具箱四大板块,分别对应智能体该学习决策什么、如何收集标注数据、该构建什么样的任务和测试环境、以及机器人能力该如何被编排和恢复,下面再细分出十七个具体研究方向。

Q3:为什么GPT-6 Astra没有专门训练却能表现不错?

A:GPT-6 Astra依靠的是边执行边根据反馈调整动作的策略,在RoboDojo的42个模拟任务中取得22.48%的平均成功率,超过了多个专门训练的机器人策略,说明智能体的协调判断能力有时比单纯强化底层模型训练更重要。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
文伽昊45岁,重庆的物流协调员,月薪几千。父亲文强被执行死刑那年他29岁,独自领回了骨灰。

文伽昊45岁,重庆的物流协调员,月薪几千。父亲文强被执行死刑那年他29岁,独自领回了骨灰。

回京历史梦
2026-11-17 14:24:56
时间定了,中方宣布安排,就在11月19日这天,高市能如愿以偿吗?

时间定了,中方宣布安排,就在11月19日这天,高市能如愿以偿吗?

古书奇谈
2026-11-17 10:27:11
比普京特朗普先到深圳的,是两架军用大飞机,信号不一般

比普京特朗普先到深圳的,是两架军用大飞机,信号不一般

赵探长TALK
2026-11-17 11:02:02
记者惊呼Amazing APEC媒体包都有啥?

记者惊呼Amazing APEC媒体包都有啥?

看看新闻Knews
2026-11-17 14:08:28
77岁被骗光积蓄,83岁公开告诉媒体自己仍有性生活、91岁近乎全裸地登上杂志封面,双腿修长迷人!传奇"超模"卡门用一生证明:年龄只是数字

77岁被骗光积蓄,83岁公开告诉媒体自己仍有性生活、91岁近乎全裸地登上杂志封面,双腿修长迷人!传奇"超模"卡门用一生证明:年龄只是数字

回京历史梦
2026-11-17 14:24:26
国足连追2球2-2巴林!40年交手不败 王钰栋造2球 张玉宁连场破门

国足连追2球2-2巴林!40年交手不败 王钰栋造2球 张玉宁连场破门

我爱英超
2026-11-17 22:03:10
再这么搞下去,中国烟草员工的内退潮或将无可避免

再这么搞下去,中国烟草员工的内退潮或将无可避免

别人都叫我阿腈
2026-11-17 04:40:56
法国总统候选人梅朗雄11日晚表示:“中国从地图上被抹去,因为我们欧洲人对中国人发动了战争,摧毁了他们...而现在他们回来了”

法国总统候选人梅朗雄11日晚表示:“中国从地图上被抹去,因为我们欧洲人对中国人发动了战争,摧毁了他们...而现在他们回来了”

扶苏聊历史
2026-11-17 16:26:33
腾讯发文:已到生死存亡时刻,未来不一定要那么多管理岗位,需要一半人去打新的战役

腾讯发文:已到生死存亡时刻,未来不一定要那么多管理岗位,需要一半人去打新的战役

21世纪经济报道
2026-11-17 07:38:59
美国商务部和司法部联合发表声明,对新加坡Megaspeed公司的调查进展

美国商务部和司法部联合发表声明,对新加坡Megaspeed公司的调查进展

风向观察
2026-11-17 12:57:36
昆明一外卖员捅伤执勤辅警,警方回应:外卖员拒检并辱骂辅警、气急败坏下捅人,辅警暂无生命危险,行凶者已交给派出所处置

昆明一外卖员捅伤执勤辅警,警方回应:外卖员拒检并辱骂辅警、气急败坏下捅人,辅警暂无生命危险,行凶者已交给派出所处置

极目新闻
2026-11-17 21:16:50
突然,直线拉升!英伟达,重磅来袭!

突然,直线拉升!英伟达,重磅来袭!

证券时报
2026-11-17 20:54:06
邵佳一遭批:还不如伊万科维奇!赶紧下课吧 早点把安东尼奥换上来

邵佳一遭批:还不如伊万科维奇!赶紧下课吧 早点把安东尼奥换上来

念洲
2026-11-17 20:49:10
大批新能源车通病集中爆发,车子开着没毛病,但是电池直接报废

大批新能源车通病集中爆发,车子开着没毛病,但是电池直接报废

云霄纪史观
2026-11-17 03:55:10
网友称安徽芜湖一小区有高空作业人员疑似被人割断安全绳,报消防后获救,物业:系5楼住户用钝器切割,目前警方正在侦办中

网友称安徽芜湖一小区有高空作业人员疑似被人割断安全绳,报消防后获救,物业:系5楼住户用钝器切割,目前警方正在侦办中

潇湘晨报
2026-11-17 11:31:12
东风-61列装,引发岛内巨震

东风-61列装,引发岛内巨震

极目新闻
2026-11-17 15:57:30
出租车司机遇害,凶手翻供称“作案时被害人未死亡”,检察官锁定一个细节:死亡勃起

出租车司机遇害,凶手翻供称“作案时被害人未死亡”,检察官锁定一个细节:死亡勃起

方圆
2026-11-09 09:56:31
如今的股票市场成了一个天大的笑话,现在买中国股票的人可笑到什么程度?

如今的股票市场成了一个天大的笑话,现在买中国股票的人可笑到什么程度?

星语者056
2026-11-17 08:45:38
AI演员一句“戴了一天很舒服”,被罚6.8万元

AI演员一句“戴了一天很舒服”,被罚6.8万元

凤凰网财经
2026-11-17 00:22:30
局势迎来重大反转!中美建交47年来,从未有在任美国总统踏上台湾,特朗普一旦破例,就是公然触碰红线,这件事引发全网热议

局势迎来重大反转!中美建交47年来,从未有在任美国总统踏上台湾,特朗普一旦破例,就是公然触碰红线,这件事引发全网热议

磊子讲史
2026-11-17 15:28:33
2026-11-17 22:40:49
科技行者 incentive-icons
科技行者
科技正在如何变革商业世界
10593文章数 572关注度
往期回顾 全部

科技要闻

硅谷大佬组局,帮黄仁勋杀回来!

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

更豪华更好开 问界新M8细节升级见真章

态度原创

艺术
房产
数码
游戏
军事航空

艺术要闻

漫天香氛,秋风醉人~杭州的秋天从不让人失望!13个地方,秒出大片!

房产要闻

6.6亿!海口卖地!

数码要闻

满电开躁!11月16日,航嘉满电青年计划约你西南交大见!

小伙表示连玩7天《GTA6》 这下PS5可惨了

军事要闻

美军在中东再成三航母之势

无障碍浏览 进入关怀版