随着人工智能技术的快速发展，智能体已经逐渐融入人类的生活，为人类带来了前所未有的便利和变革。未来，智能体将在各个领域发挥越来越重要的作用。
随着GPT等人工智能技术的不断发展，信息与知识的不对称性正在被逐渐打破。这种不对称性是指不同的人获取和掌握信息与知识的程度不同，导致人们在信息与知识上的不平等。而GPT等人工智能技术则可以为人们提供更加便捷、高效的信息与知识获取方式，从而缩小人们之间的信息与知识差距。与此同时，机器人也已经逐渐融入我们的日常生活，成为我们生活中不可或缺的一部分。从工业制造到家庭服务，从医疗保健到娱乐产业，机器人的应用场景越来越广泛，为我们的生活带来了极大的便利和变革。
我们相信，在未来，智能体将在各个领域发挥重要作用，与人类共同创造一个更加美好的未来。而人类也将与智能体开展更加紧密的竞争与合作，共同创造一个更加美好的世界。对此，您怎么看呢？“愿中国青年都摆脱冷气，只是向上走。有一份光，发一份热。就令萤火一般，也可以在黑暗里发一点光。不必等候炬火！”尽自己的一份力、发出自己的一点声音。
一共有人参与 条评论
一个真正多功能的机器人系统应该能够理解和执行跨越多样化和未见场景的自然语言指令。这需要开发适应性强、可扩展的具身智能体架构。长期任务执行：执行单个指令通常意味着机器人需要执行长期任务，例如命令“清洁厨房”，这涉及重新排列物体、扫地、擦桌子等活动。成功完成这些任务需要机器人能够计划并在较长时间内执行一系列低级动作。虽然当前的高级任务规划器已经显示出初步的成功，但它们在多样化的场景中往往因为缺乏针对具身任务的调整而不足。解决这一挑战需要开发配备有强大感知能力和丰富常识知识的高效规划器。因果关系发现：现有的数据驱动具身智能体基于数据内在的相关性做出决策。然而，这种建模方法不允许模型真正理解知识、行为和环境之间的因果关系，导致策略存在偏见。这使得确保它们能够以可解释、鲁棒和可靠的方式在真实世界环境中操作变得困难。因此，重要的是让具身智能体由世界知识驱动，能够进行自主因果推理。通过交互和学习理解世界，并通过推理进一步增强多模态具身智能体在复杂真实世界环境中的适应性、决策可靠性和泛化能力。对于具身任务，需要通过交互指令和状态预测建立跨模态的时空因果关系[388]。此外，智能体需要理解对象的可承受性，以实现适应性任务规划和动态场景中的长期自主导航。为了优化决策，需要结合反事实和因果干预策略[389]，从反事实和因果干预的角度追踪因果关系，减少探索迭代，并优化决策。基于世界知识构建因果图，并通过主动因果推理驱动仿真到现实转移，将为具身AI形成一个统一框架。作者：张长旺
(0)AI双核如何定义新商业文明？ 当DeepSeek的开源生态遇上用友YonSuite的「AI+全场景」战略，企业智能化不再局限于提质降本增效，而是演变为“流程+数据+AI”的企业AI的闭环再造。 未来已来： 当37%的战略决策由AI自主完成，当数智员工成为标准配置，商业竞争的核心将转向“谁能更快将AI势能转化为增长动能”。用友YonSuite与DeepSeek的深度融合，正为这一未来提供确定性路径——不是取代人类，而是让人与机器共演更高维的商业文明。
(0)具身交互具身交互任务指的是智能体在物理或模拟空间中与人类和环境进行交互的场景。典型的具身交互任务包括具身问答（EQA）和具身抓取。A. 具身问答 (Embodied Question Answering)对于EQA任务，智能体需要从第一人称视角探索环境，以收集回答给定问题所需的信息。具有自主探索和决策能力的智能体不仅要考虑采取哪些行动来探索环境，还要决定何时停止探索以回答问题。现有的工作集中在不同类型的问题上，如图11所示。在这一部分中，我们将介绍现有的数据集，讨论相关的方法，描述用于评估模型性能的指标，并解决这项任务的剩余限制。1) 数据集：在真实环境中进行机器人实验通常受到场景和机器人硬件的限制。作为虚拟实验平台，模拟器为构建具身问答数据集提供了合适的环境条件。在模拟器中创建的数据集上训练和测试模型显著降低了实验成本，并提高了在真实机器上部署模型的成功率。我们简要介绍了几个具身问答数据集，总结在表IX中。EQA v1 [259] 是为EQA设计的首个数据集。它建立在House3D [269] 模拟器中基于SUNCG数据集 [95] 的合成3D室内场景上，包含四种类型的问题：位置、颜色、颜色房间和介词。它拥有超过5000个问题，分布在750多个环境中。这些问题是通过功能程序执行构建的，使用模板选择和组合基本操作。与EQA v1类似，MT-EQA [260] 也是在House3D中使用SUNCG构建的，但它将单对象问答任务扩展到了多对象设置。设计了六种类型的问题，涉及多个对象之间的颜色、距离和大小比较。数据集包含588个环境中的19,287个问题。2) 方法：具身问题回答任务主要涉及导航和问题回答子任务，实现方法大致分为两类：基于神经网络的方法和基于大型语言模型(LLMs)/视觉-语言模型(VLMs)的方法。神经网络方法： 在早期工作中，研究人员主要通过构建深度神经网络来解决具身问题回答任务。他们使用模仿学习、强化学习等技术来训练和微调这些模型，以提高性能。Das等人[259]首次提出了EQA任务，其中智能体由四个主要模块组成：视觉、语言、导航和回答。这些模块主要使用传统的神经网络构建块：卷积神经网络(CNN)和循环神经网络(RNN)。它们分两个阶段进行训练。最初，导航和回答模块独立地在自动生成的专家导航演示上使用模仿或监督学习进行训练。随后，在第二阶段，使用策略梯度对导航架构进行微调。一些后续工作[274]，[275]保留了Das等人[259]提出的问题回答模块，并改进了模型。此外，Wu等人[275]提出将导航和QA模块整合到统一的SGD训练流程中进行联合训练，从而避免了同时使用深度强化学习来训练分开训练的导航和问题回答模块。还有一些工作尝试增加问题回答任务的复杂性和完整性。从任务单一性的角度来看，一些工作[260]，[276]将任务扩展到包括多个目标和多智能体，分别要求模型通过特征提取和场景重建等方法存储和整合智能体探索过程中获得的信息。考虑到智能体与动态环境的交互，Gordon等人[262]引入了分层交互记忆网络。控制权在规划器和执行任务的低级控制器之间交替，在此过程中使用了一个以自我为中心的空间GRU(esGRU)来存储空间记忆，使智能体能够导航并提供答案。之前工作中的一个限制是智能体无法使用外部知识回答复杂问题，并且缺乏对探索过的场景部分的知识。为了解决这个问题，Tan等人[265]提出了一个框架，利用神经程序合成方法和从知识和3D场景图中转换的表格，允许动作规划器访问与对象相关的信息。此外，还使用了基于蒙特卡洛树搜索(MCTS)的方法来确定智能体下一步移动的位置。作者：张长旺
(0)美东时间7月1日周一，据媒体报道，Character.AI已开始与谷歌和马斯克的xAI公司、Meta等竞争对手初步讨论了潜在合作机会。 说起聊天机器人，大家都会自然而然地想起OpenAI，因为OpenAI在2022年推出的ChatGPT火爆全球，聊天机器人也广泛活跃在大众的工作生活中。 可是，很多人不知道的是，AI初创公司Character.AI才是聊天机器人领域的先驱。Character.AI成立于2021年11月，是由前谷歌AI技术员工诺姆·沙泽尔（Noam Shazeer）和丹尼尔·德·弗雷塔斯（Daniel De Freitas）共同创立。 Character.AI公司发布的AI聊天机器人非常具有“娱乐性”，也就引起技术界的轰动。Character.AI 的聊天机器人可以应用于多种场景，包括教育互动、角色扮演游戏、协作辅助等等，其产品发布后迅速获得数百万用户的关注，安卓下载量也超过300万次。 不过，如今的Character.AI光景不再，随着越来越多的企业加入聊天机器人赛道，Character.AI的竞争压力也在迅速增大。 Character.AI的强劲对手有Meta（Facebook）、谷歌、OpenAI、微软、Siri和Cortana、Amazon Lex、IBM Watson Assistant、Slackbot和Microsoft Teams等，个个都是有自身特色的实力企业。 特别是Meta和谷歌等科技巨头紧锣密集地开发新款个性化聊天机器人，Character.AI的聊天机器人也就显得没那么特殊了，而且可替代产品多了，市场也就被瓜分。 Character.AI要面临的问题也就多了起来，被竞争对手抢市场，运营成本也居高不下，而且企业员工军心不稳，会被背景更强大的企业“挖墙脚”。 比如最近几个月，Character.AI研究人员Alexei Baevski和Vinay Rao就被挖去了Meta；研究员Wendy Shang也被挖去巴黎的开源软件公司。Character.AI总共也就那么10多个研究人员，研究骨干一个一个被挖走，公司的处境就变得越来越危险了。 这时候，寻求转变与合作是Character.AI最好的选择。俗话说，商场上没有永远的敌人，只有共同的利益，哪怕是曾经在商业上斗得你死我活的对手也是可以成为合作伙伴的。 因此，Character.AI就开始寻求机会抱大腿，比如谷歌和Meta。Meta是全球最大的社交媒体公司之一，拥有数十亿的月活跃用户。谷歌是全球最大的搜索引擎公司，在广告、云计算、人工智能等多个领域都处于行业领先地位。梅子
(0)对于第三代科学来说，不再有社会科学与自然科学的区别。虽然第三代科学可应用于一切领域，但它最大的价值就是使一切社会领域的问题全都变成与自然科学一样的方法进行研究，并且遵从完全相同的科学规则和标准。
(0)下一个风口，智能体将会是关键。 智能体的发展，将成为AI时代重要的力量，甚至比基础模型还要重要，应用是决定人工智能超级时刻一个重点。 但想要真正出现像微信、抖音这种规模的“杀手级”超级应用，并不是那么简单的事情，有人说至少要到三年之后才能实现。 其实与其期待一个超级应用的出现，不如期待多个超级能干的应用落地。相对于超级应用，超级能干的应用更加具有实用性，不管应用大小，能对产业和应用场景产生增益，其价值就存在。试想一下，在医疗、教育、金融、制造、交通、农业等各行业领域，各个企业依据自己的场景和特有经验、规则、数据等，做出各种智能体，数百万量级的智能体将形成庞大生态。梅子
(1)2016年，习近平总书记在“科技三会”上发表重要讲话，首次提出要向世界科技强国奋力迈进的战略目标。建设世界科技强国既是目标更是一个过程，是科技自立自强从低水平向高水平迈进的历史过程。作为一项系统工程，需要整体谋划、系统推进，认真梳理习近平总书记关于科技创新重要论述，正确理解高水平科技自立自强和科技强国的内在关系、基本内涵，把握我国建设高水平科技自立自强战略形势的历史性转变，是科技强国建设路径研究的前瞻性和基础性思考。
(0)   1  
共1条信息 |
手机扫描二维码访问
