Meta本周发布的一款新生成式AI模型可能会改变机器理解物理世界的方式,为更智能的机器人等应用创造机会。
这款名为"视频联合嵌入预测架构2"(V-JEPA 2)的开源模型,旨在帮助人工智能理解重力和物体永恒性等物理概念。
Meta在博客文章中表示:"通过分享这项工作,我们希望为研究人员和开发者提供最佳模型和基准,以帮助加速研究和进展,最终打造更好、更强大的AI系统来改善人们的生活。"
目前允许AI与物理世界交互的模型依赖于标记数据或视频来模拟现实,但这种新方法强调物理世界的逻辑,包括物体如何移动和相互作用。该模型能让AI理解诸如球从桌子上滚落会掉下来这样的概念。
Meta表示,该模型对自动驾驶车辆和机器人等设备很有用,因为它们无需针对每种可能情况进行训练。公司称这是向类人适应能力AI迈出的一步。
物理AI领域的一大挑战是需要大量训练数据,这需要时间、资金和资源。今年早些时候在SXSW大会上,专家表示合成数据——由AI创建的训练数据——可以帮助传统学习模型应对意外情况。
Meta表示,其新模型简化了这一过程,使实际应用更加高效,因为它不依赖于所有这些训练数据。
世界模型的下一步包括训练能够在不同时空尺度上学习、推理和规划的模型,使它们更好地分解复杂任务。除了视觉之外还能使用音频和触觉等其他感官的多模态模型,也将帮助未来的AI模型更好地理解现实世界。
好文章,需要你的鼓励
海外博主做了一次 Siri AI、ChatGPT、Claude 横评。看完之后我最大的感受是,AI 助手的竞争已经不只是模型能力,而是谁离用户更近。
TREK方法通过引入外部验证解法对AI进行短期校准,解决了GRPO训练在困难题目上因无法探索正确解法区域而陷入瓶颈的问题,在数学推理和智能体任务上均取得明显提升。
Uber年度失物报告首次纳入无人驾驶出租车数据。过去一年,乘客在Uber平台的机器人出租车中遗留了数千件物品,包括手机、钥匙、钱包等常见物品,以及假牙、15磅溜溜球等奇特物件。乘客可通过App联系客服找回失物,支付15美元即可享受同城配送,或前往车辆停放站自取。Uber表示,将依托现有运营体系为自动驾驶业务提供全面支持,计划2025年底前在全球15座城市开通无人驾驶打车服务。
SkillOpt-Lite通过将智能体技能优化形式化为零阶优化问题,提出极简流水线:把执行轨迹存为文本文件,让AI直接用文件系统工具翻日志、找规律、改技能,配合独立验证门控,比复杂的多智能体优化框架跑得更快效果更好,并自然延伸至执行框架自动优化(HarnessOpt),使轻量模型能够超越大模型。