人形机器人技术正成为科技界最炙手可热的领域,全球涌现数十家初创企业,吸引着数十亿美元的新投资。但投资者仍在寻找完美的应用场景,也就是机器人技术的进步能够契合更广泛市场的经济需求的领域。
IEEE高级会员Ayanna Howard表示:“这中间存在很大的差距,当我考虑机器人的可部署性时,我也会考虑成本问题。”
Howard是在《华尔街日报》的《Bold Names》播客节目中发表上述言论的。节目主持人兼科技专栏作家Christopher Mims指出,“在美国,一些对人工智能未来发展做决策的最具影响力的人物都愿意倾听Howard的见解。”
这是一场引人入胜且内容广泛的讨论,涉及该领域的重大进展、机器人技术与生成式人工智能的融合,以及当前该技术的局限性,包括缺乏支持机器人广泛部署的数字基础设施等问题。
Howard说:“如果你在虚拟环境中与人工智能相连,而网络带宽又不给力,那你只需等上几秒,答案就会出来。但在机器人领域,如果丢失了一秒钟的信息,就可能导致机器人摔倒或者伤到别人。所以我认为,我们面临这样一个脱节的问题:我们是否拥有能在不到一毫秒、甚至纳秒的时间内完成操作且不丢失任何连接的基础设施呢?我们目前还没有真正解决这个问题。”
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。