Genesis AI正式推出Genesis World 1.0,这是一款专为机器人领域设计的仿真平台,旨在大幅缩短机器人AI系统的开发、测试与评估所需的时间。
该公司表示,通过在逼真的虚拟环境中开展大规模测试,而非完全依赖实体机器人,该平台能够将机器人评测周期从数天压缩至数分钟。
据Genesis AI介绍,在真实硬件上通常需要近一周时间才能完成的机器人基础模型评测任务,借助Genesis World 1.0在GPU基础设施上运行,仅需约30分钟即可完成。
仿真技术在机器人研究领域由来已久,但Genesis认为,它的价值不应仅限于生成训练数据。该公司将仿真视为一个关键的基础设施层,通过支持快速实验、可重复测试和大规模性能评估,全面提速机器人研发流程。
机器人领域面临的核心挑战之一在于:测试与验证工作往往受制于实体硬件的获取渠道、人工操作人员的配合以及实验室空间的限制。评估机器人在不同条件下执行数百项任务的能力,可能需要耗费数百小时的真实环境测试。相比之下,仿真平台允许数千个测试场景并行运行。
Genesis举例说明:一项涉及约4万次独立尝试的典型物体抓取评测任务,若使用实体机器人进行,需要持续测试约166小时;而通过GPU集群运行仿真,同等工作量仅需约30分钟即可完成。
过去一年间,该公司持续致力于提升仿真环境的真实感,以缩小所谓的"仿真与现实差距"——即机器人在仿真环境与真实世界中的表现差异。Genesis报告称,其仿真结果与真实机器人性能的相关性目前已达到约89%,研究人员可将虚拟测试结果作为评估系统在实体硬件上实际表现的可靠参考依据。
Genesis World 1.0融合了多项核心技术,主要包括:
Nyx——一款专为机器人应用场景设计的新型照片级真实感渲染引擎;
Genesis World物理平台——支持刚体、可变形材料、流体及其他复杂物理交互;
Quadrants——一款GPU加速编译器,可高效驱动仿真工作负载在多种硬件平台上运行。
该平台还通过摄影测量技术支持数字孪生创建,利用摄像头和移动设备采集的数据,将真实工作场景重建为可仿真的数字环境。研究人员随后可在数千种光照条件、物体摆放位置、摄像机角度和任务配置的组合变体中,对机器人系统进行全面评估。
展望未来,Genesis计划将仿真技术的应用范围从评测延伸至强化学习与自主机器人训练领域。该公司相信,日益逼真的仿真环境将成为未来机器人基础模型的核心组成部分,使机器人在实际部署前,能够在虚拟环境中持续学习、测试与优化迭代。
Q&A
Q1:Genesis World 1.0是什么?它主要解决什么问题?
A:Genesis World 1.0是Genesis AI推出的一款机器人仿真平台,主要解决机器人开发测试周期过长的问题。传统机器人评测高度依赖实体硬件、人工操作和实验室空间,耗时极长。Genesis World 1.0通过在逼真虚拟环境中大规模并行测试,将原本需要近一周的评测任务压缩至约30分钟,大幅提升了机器人AI系统的研发效率。
Q2:Genesis World 1.0的仿真结果和真实环境的差距有多大?
A:Genesis AI表示,经过一年的持续优化,Genesis World 1.0的仿真结果与真实机器人性能的相关性已达到约89%。这意味着研究人员可以将虚拟测试结果作为可靠参考,用于预判机器人系统在实体硬件上的实际表现,有效降低了"仿真与现实差距"对研发结果的影响。
Q3:Genesis World 1.0包含哪些核心技术模块?
A:Genesis World 1.0主要由三大核心技术模块构成:一是Nyx,专为机器人应用设计的照片级真实感渲染引擎;二是Genesis World物理平台,支持刚体、可变形材料、流体等复杂物理交互;三是Quadrants,一款GPU加速编译器,支持仿真工作负载在多种硬件平台上高效运行。此外,平台还支持通过摄影测量技术创建数字孪生环境。
好文章,需要你的鼓励
苹果近日发布了macOS Sonoma 14.8.8(23J607)与macOS Sequoia 15.7.8(24G809)的第二批候选版本(RC)。这两个版本均仅包含重要安全修复,适用于暂时无法或不愿升级至最新macOS版本的用户。此次RC发布早于其他常规测试版,预计正式版将在近期推出,可能与iOS 26.5.2同步发布。
研究揭示整流流AI模型在训练时会悄悄"记住"数据,这种记忆信号沿噪声-数据插值路径呈钟形分布,可被用于成员推断攻击,且常规训练监控指标无法察觉。
Apple发布新支持文档,解释macOS 26.4中终端拦截提示的触发机制。该安全功能会在用户尝试粘贴来自网站、聊天工具或邮件中的命令时发出警告,主要针对非常规终端用户。若系统检测到已知恶意软件,则会显示"恶意软件已检测,粘贴已拦截"或"恶意脚本已拦截"提示,且不提供继续粘贴的选项,旨在防止终端类恶意软件攻击。
这项研究提出用"集合距离"作为奖励信号训练AI生成胸片报告,解决了传统精确匹配奖励不适用于无序医学文本的根本矛盾,并将同一套机制延伸到推理时的候选选择和剪枝加速。