Amazon 最新成为加入生成式 AI 工具阵营的科技公司,推出旨在个性化在线购物体验的新功能。
周三,Amazon 在一篇博文中宣布推出名为"Interests"(兴趣)的新功能,帮助购物者在其商店中发现与其兴趣爱好相匹配的商品。该公司表示,这个 AI 系统可以为 NFL 球迷推荐新款橄榄球服饰,为高尔夫爱好者推荐球具装备,或为摄影爱好者推荐摄影器材。
这款在后台持续运行的工具旨在帮助购物者筛选繁杂信息,找到最适合他们的商品。购物者可以使用自然语言 — 比如"咖啡爱好者的冲煮工具和小器具" — AI 就会在 Amazon 商店中搜索相关产品。该功能还会根据购物者的预算范围生成定制化推荐。
这是 Amazon 不断扩充的 AI 产品线中的最新升级,其他产品包括更具对话性的 Alexa、更多 AI 生成的评论摘要以及对其现有 AI 购物助手 Rufus 的增强功能。这也恰逢各大科技公司正在探索如何让 AI 系统更像真正的助手,为用户提供有意义的支持的时期。
但市场研究公司 Forrester 的分析师 Sucharita Kodali 认为,这个工具感觉像是对零售业长期使用的现有个性化系统的扩展。她说:"在我看来,这只是另一个带有偏好中心层的推荐引擎。也许它有一个更漂亮的用户界面来吸引人们,但对我来说,这与电商几十年来一直拥有的功能并没有太大区别。"
这一消息与 Amazon 的春季促销同时发布,此次促销涵盖电子产品、家居用品、日常必需品等多个品类的优惠。该功能目前仅向少数美国用户开放,可在 Amazon 购物 App 和移动网站上使用,计划在未来几个月内扩大使用范围。对于获得早期访问权限的用户,该功能将出现在 Amazon 购物 App 的"Me"(我的)标签下。
好文章,需要你的鼓励
来自耶路撒冷希伯来大学的研究团队开发了WHISTRESS,一种创新的无需对齐的句子重音检测方法,能够识别说话者在语音中强调的关键词语。研究者基于Whisper模型增加了重音检测组件,并创建了TINYSTRESS-15K合成数据集用于训练。实验表明,WHISTRESS在多个基准测试中表现优异,甚至展示了强大的零样本泛化能力。这项技术使语音识别系统不仅能理解"说了什么",还能捕捉"如何说"的细微差别,为人机交互带来更自然的体验。
这项研究提出了"力量提示"方法,使视频生成模型能够响应物理力控制信号。研究团队来自布朗大学和谷歌DeepMind,他们通过设计两种力提示——局部点力和全局风力,让模型生成符合物理规律的视频。惊人的是,尽管仅使用约15,000个合成训练样本,模型展现出卓越的泛化能力,能够处理不同材质、几何形状和环境下的力学交互。研究还发现模型具有初步的质量理解能力,相同力量对不同质量物体产生不同影响。这一突破为交互式视频生成和直观世界模型提供了新方向。
北京交通大学与西蒙弗雷泽大学联合研发的混合神经-MPM方法实现了实时交互式流体模拟。该方法巧妙结合神经物理学与传统数值求解器,在低时空分辨率下运行神经网络并设置保障机制自动切换到MPM,显著降低计算延迟同时保持高保真度。团队还设计了基于扩散模型的控制器,支持用户通过简单草图直观控制流体行为,为游戏、VR和设计领域提供了实用解决方案。
这项研究介绍了EgoZero,一种创新的机器人学习系统,能够仅通过Project Aria智能眼镜捕获的人类示范数据,训练出零样本迁移的机器人操作策略。研究团队提出了一种形态无关的状态-动作表示方法,使用点集来统一人类和机器人数据,并开发了从原始视觉输入中提取准确3D表示的技术。在没有任何机器人训练数据的情况下,EgoZero在7种真实世界操作任务上实现了70%的成功率,展示了强大的泛化能力,为解决机器人学习中的数据瓶颈问题提供了新思路。