英国原子能管理局(UKAEA)和CERN联合开发了一款"鼠标大小的机器人",用于检查大型强子对撞机(LHC)中人类无法到达的部分。
这款机器人名为"PipeINEER",由"pipe"(管道)和"pioneer"(先驱者)组合而成,宽度为3.7厘米(约1.5英寸)。虽然外观并不像老鼠,但它被设计为在狭长管道中自主移动,这或许让设计师想到了啮齿动物。
这些管道环绕LHC的27公里周长运行,LHC位于日内瓦附近的法瑞边境。这些管道承载着实际的粒子束,周围环绕着工作在-271°C(-455°F)超导磁体,同时在高真空条件下运行。加上它们位于基础设施深处的位置,这使得人工检查和维护极具挑战性。
LHC包含约2000个插件模块(PIMs)来处理极端温度和压力造成的膨胀和收缩,因此需要定期检查。然而,模块内的小部件——用于维持电接触的薄射频"触指"——可能会变形并在束流线内造成阻塞。
PipeINEER可以依靠电池电力行进长达6公里,同时捕获每个PIM的详细图像,并使用训练有素的AI模型检测任何异常。如果机器人检测到问题,它会返回起始点并报告问题的确切位置。
UKAEA表示,这种方法允许工程师针对27公里对撞机上的特定点进行处理,而无需拆卸管道部分并使用手动内窥镜检查缺陷。
该机器人由UKAEA的挑战环境远程应用(RACE)机器人中心为CERN(欧洲核子研究组织)开发。
RACE主管尼克·赛克斯在声明中说:"我们很自豪能将我们在聚变能源方面的机器人专业知识应用于支持CERN的世界领先实验。通过将我们的远程处理经验与CERN的科学卓越性相结合,我们正在帮助确保大型强子对撞机在未来几年内安全高效地运行。"
但这并不是唯一一个被派往人类无法到达之处的机器人。著名的波士顿动力机器狗也将帮助英国塞拉菲尔德核场地的持续清理和退役工作。
UKAEA发言人告诉我们,PipeINEER使用微控制器,但未具体说明是哪一种。不过,使用的AI是Edge Impulse平台,该平台支持Arduino、高通龙翼和英伟达Jetson Orin硬件。该机器人使用激光雷达和飞行时间传感器进行定位和识别检查区域。
Q&A
Q1:PipeINEER机器人有什么特殊功能?
A:PipeINEER是一款宽度仅3.7厘米的小型机器人,能够在大型强子对撞机的狭长管道中自主移动,依靠电池电力行进长达6公里,同时捕获详细图像并使用AI模型检测异常。如果发现问题,它会返回起始点并报告确切位置。
Q2:为什么需要机器人来检查大型强子对撞机的管道?
A:大型强子对撞机的管道承载粒子束,周围有工作在-271°C的超导磁体,在高真空条件下运行,位于基础设施深处,人工检查极具挑战性。管道内约2000个插件模块的薄射频"触指"可能变形造成阻塞,需要定期检查。
Q3:PipeINEER机器人使用了什么技术?
A:PipeINEER使用微控制器控制,搭载Edge Impulse AI平台,该平台支持Arduino、高通龙翼和英伟达Jetson Orin硬件。机器人配备激光雷达和飞行时间传感器进行定位和识别检查区域,能够自主完成检查任务。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。