作为全球消费电子巨头,苹果早在去年就被曝出,将进入机器人领域。
当时外媒报道称,苹果正在开发一款桌面机器人,该设备整合了一个类似iPad的显示屏和一个机械臂,以及苹果的人工智能技术,显示屏可以360°旋转,并可作为家庭控制中心。
这一项目的负责人据称是苹果此前负责自动驾驶汽车项目的技术副总裁的Kevin Lynch,它也负责过苹果Apple Watch项目。
如今,这个桌面机器人相关项目资料以研究论文的形式对外曝光。
台灯机器人,让皮克斯照进现实
1985年,苹果传奇创始人乔布斯被董事会和他亲自请来的CEO斯卡利赶出了自己一手创办的公司苹果,不过,在这一年,对计算机图形学有浓厚兴趣的乔布斯花1000万美元投资了卢卡斯影业的电脑部门。
独立后的卢卡斯影业电脑部门有了一个在后来为众人熟知的名字,皮克斯(Pixar)。
虽然乔布斯投资皮克斯出于对于皮克斯的电脑和软件设计能力看好,但同样有着他对设计艺术的个人情怀。
在乔布斯与皮克斯正式达成投资协议的1986年,为了展示皮克斯的硬件和软件,以推动电脑和图像渲染软件的商业化,乔布斯和新成立的皮克斯团队决定制作一部动画短片,参加这一年的SIGGRAPH大会。
这部短片就是《顽皮跳跳灯》(Luxo Jr.),这部仅有两分钟的动画,在1986年SIGGRAPH大会上火爆全场,并在当年获得了奥斯卡奖项提名。
时隔四十年后,当苹果决定进入机器人领域时,第一款闯入大众视野的,很可能也正是以当年这款跳跳灯为原型的机器人,一款看上去不那么像机器人的机器人。
这款机器人出现在近日苹果机器学习研究团队的对外公开的研究论文中。
在这篇论文中,苹果机器学习研究团队展示出的这款台灯机器人,可以通过语音、手势控制,还富有情感表达和更多AI功能。
例如,它会通过点头、摇头动作表示对你的观点的赞同或不赞同,通过不同运动路径向你表达它自己的情感。
又如,它还具备投影功能,通过摄像头陪伴孩子写作业,并通过投影的图像和语音功能,为孩子辅导作业、批改作业,乃至一起画画本。
在你晚上口渴想喝水时,它还会打开灯,通过自己的照明轨迹告诉你水杯在哪里,喝完水你要把水杯放到桌上,它也会跟随你的水杯运动轨迹,给你提供更好的照明体验。
当你问它“今天天气怎么样”时,它会先看向窗外,然后告诉你今天的天气状况。
更为神奇的是,当你在桌前阅读时,它还会通过将水杯推向你面前,提醒你,你该喝水了。
从苹果机器学习研究团队公布的4分钟演示视频中来看,它已经不仅仅是一个桌面台灯,更像是一个活泼可爱的小精灵,更富有陪伴属性。
与此同时,我们发现,这次,苹果也在尽可能多得将大模型技术应用的机器人中,它甚至可以为你提供一些专业指导和建议。
例如,当你在维修一个设备却一直没有头绪时,你的台灯可以直接为通过它的投影仪投射出正确的设备修理教程。
这就是苹果近日公布的台灯机器人研究项目。
苹果押注家用机器人
苹果上一个和机器人稍微沾点边的产品,还是在WWDC 2017上发布的智能音箱HomePod,这一年,智能音箱百箱大战,一度被视为人工智能技术的绝佳载体,也被视为智能家居绝佳的入口级设备。
不过,当时的苹果依旧晚了一步,在亚马逊和谷歌占据美国智能音箱主导地位时,苹果的HomePod在上市后的第一年,2018年,仅仅在美国市场拿下了6%的市场份额。
这次押注机器人是苹果继放弃造车、加码Vision Pro后的又一个重大决策,据外媒透露,由Kevin Lynch领导的机器人团队于2025年8月成立,并在全球范围内招聘机器人领域专家。
据外媒Appleinsider的近日报道,苹果目前正在招聘更多机器人专家,旨在推进家用机器人领域的产品研发。
好文章,需要你的鼓励
苹果研究团队发布新论文,提出让专业设计师通过评论、草图和直接编辑等方式指导AI模型生成更好的用户界面。研究显示,基于设计师原生工作流程的反馈训练方法比传统强化学习效果更佳。21名设计师参与研究,提供1460个标注样本。最终训练的模型在界面设计质量上显著超越基础模型,甚至优于GPT-5。研究发现设计师通过草图和直接编辑提供反馈时,研究团队与设计师的一致性分别达到63.6%和76.1%。
英伟达团队通过44万小时人类日常视频训练出DreamDojo机器人世界模型,实现了机器人通过观察学习复杂操作技能的突破。该系统不仅能预测动作结果,还具备强大的泛化能力,可在未见过的环境中灵活操作新物体。通过创新的潜在动作学习和实时处理技术,为通用机器人智能开辟了新道路。
Atlassian首席执行官向投资者保证,公司能够在不大幅增加成本或压缩利润率的情况下将AI整合到服务中。该公司的Rovo智能AI产品已拥有500万用户,通过优化运营而非高价格策略保持了稳定的利润率。公司第二季度营收达16亿美元,同比增长23%,运营亏损从5750万美元收窄至4770万美元。
浙江大学联合蚂蚁集团推出的InftyThink+技术,通过让AI学会"分段思考、阶段总结"的方式,成功解决了AI推理过程冗长低效的问题。该方法在数学推理任务上将准确率提升21%,推理延迟减少32.8%,为AI实际应用扫清了重要技术障碍。