水利部：暴雨區內部分中小河流可能發生超警洪水
2025-11-04 23:47 7,213次浏览上海8月13日電 (記者 鄭瑩瑩)智元機器人近期對外宣告，其近百臺遠徵A2-W輪式通用機器人已赴中國一家汽車零部件企業的工廠產線搬箱，實現規模化落地。 伴隨具身智能的發展，機器人何時能大批量上崗，深入工廠、邁入家庭？清華大學計算機科學與技術系教授孫富春在受訪時道出人形機器人真正能幹活的關鍵——大的負載能力和擬人的「大腦」。 他認為機器人發展現在進入一個快車道，10年以後，會幹活的機器人將在各個行業發揮作用，人形機器人的形體結構會發生變化，其感知運動能力、認知交互能力、跨場景跨任務能力等都會得到顯著提升。 上海颯智智能科技有限公司董事長兼執行長張建政告訴記者，機器人在「進化」，要從「嬰兒」時期的慢爬、走路，逐步成長為能力出色的「技術工人」，能精準幹活之後，才能適應崗位。以一條每小時生產90臺車的汽車生產線為例，如果機器人發揮不穩定，每次作業有幾秒甚至幾十毫秒的延遲，累積起來就會造成生產節奏失序。 數據是機器人上崗的一大要素。張建政認為，實際場景中的數據是最真實有效的。在積累數據和推動機器人落地的階段，該企業選擇工業場景，因為這一剛需領域的各類要求清晰、明確，更容易實現商業閉環。他表示，這一階段的發展也是為其未來邁向消費者端做準備，屆時有望涉及養老、助殘機器人等方面。 在上海擎朗智能科技有限公司創始人兼執行長李通看來，機器人要真正走進商業領域，要去解決客戶的真實需求。他指出，以家庭場景為例，業界希望能研發出會洗衣、能做飯，還會帶孩子等技能的機器人保姆，而現階段的機器人很難做到這些，其中一個原因就是缺乏物理世界的數據。換句話說，目前數據訓練出來的機器人還達不到這一「多面手」要求。該企業的選擇是，在當前的技術條件下，縮小邊界，找特定崗位，讓機器人先幹起來。 機器人的上崗，離不開具身智能的發展。瞄準具身智能發展，中國多地陸續在發力。 今年2月，北京發布《北京具身智能科技創新與產業培育行動計劃(2025-2027年)》，計劃到2027年，圍繞具身大小腦模型等方面突破不少於100項關鍵技術，培育千億級產業集群。 今年3月，《深圳市具身智慧機器人技術創新與產業發展行動計劃(2025-2027年)》出爐。深圳計劃到2027年，在機器人關鍵核心零部件等方面取得突破，關聯產業規模達到1000億元(人民幣)以上。 就在8月，《上海市具身智能產業發展實施方案》正式對外發布，上海打算從堅持模型驅動、打造算力等公共平臺、支持應用示範標杆、發揮群鏈集聚效應、完善發展生態幾個方面來推動具身智能的發展。 在7月底於上海舉辦的2025世界人工智慧大會上，人形機器人的發展備受關注。記者 鄭瑩瑩 攝 國家地方共建人形機器人創新中心首席科學家江磊認為，機器人如何能幹活將是下一個風口。他把感知頭、靈巧手、機械臂、電子皮膚稱為人形機器人「新四大組件」。 江磊指出，中國人形機器人在最近三年間發展非常迅猛，走、跑、跳能力世界領先，這來之不易。「在過去的二三十年，中國機器人一直在追趕，如今取得這一成績，非常有紀念意義。走、跑、跳，我覺得這不是炫技，是對人形機器人的控制水平和硬體平臺的綜合考驗。」 他還強調了「大腦」「小腦」及「肢體」三方面的具身智能發展。「只有打通人形機器人『大腦』『小腦』及『肢體』的『具身智能+』技術路徑，我們才能真正取得勝利。」(完)
天津8月14日電(記者 孫玲玲)記者13日從南開大學獲悉，近日，南開大學計算機學院媒體計算實驗室取得最新研究成果，不僅從評估的角度揭示了現有AI檢測方法的性能不足，並創新性地提出了「直接差異學習」(Direct Discrepancy Learning，DDL)優化策略，教會AI用「火眼金睛」辨別人機不同，實現AI檢測性能的巨大突破。相關成果論文已被計算機多媒體領域國際頂級會議ACM MM2025(ACM International Conference on Multimedia)接收。 圖為南開大學研究團隊提出的DetectAnyLLM檢測框架以及MIRAGE基準數據集亮點全析。(南開大學 供圖) 近日，OpenAI發布新一代人工智慧模型GPT-5，再次引發全球關注。隨著DeepSeek、ChatGPT、通義千問、豆包等AIGC大模型逐漸從「新奇玩具」變成學習、工作中不可或缺的「生產力工具」，其伴生問題也日益凸顯：AI經常會「一本正經地胡說八道」，生成看似合理的虛假信息，造成「AI幻覺」；依賴AI工具代寫作業甚至畢業論文，極大衝擊著學術誠信和規範；論文AI率檢測系統有待完善，論文被誤判的問題時有發生……如何精準識別AI生成內容，成為亟待解決的熱點問題。 據了解，目前AI生成內容檢測主要有兩種路線，一種是「基於訓練的檢測方法」，使用特定數據訓練一個專用的分類模型；另一種是「零樣本檢測方法」，直接使用一個預訓練的語言模型並設計某種分類標準進行分類。 圖為AI生成內容檢測示意圖。(南開大學 供圖) 多項研究表明，現有檢測方法在應對複雜的現實場景時常顯不足。此前也曾有權威媒體報導，《荷塘月色》《流浪地球》等經典作品被某常用論文AI率檢測系統檢出高AI率。 為何現有的AI檢測工具會「誤判」？論文第一作者、南開大學計算機學院計算機科學卓越班2023級本科生付嘉晨解釋道：「如果把AI文本檢測比作一場考試，檢測器的訓練數據等同於日常練習題，現有檢測方法是機械刷題、死記硬背答題的固定套路，難以學會答題邏輯，一旦遇到全新難題，準確率就會顯著下降。」 「要想實現通用檢測，理論上需收集所有大模型的數據進行訓練，但在大模型迭代飛速的今天幾乎不可能。」付嘉晨說，讓檢測器真正學會舉一反三，即提升檢測器的泛化性能，是提升AI文本檢測性能的關鍵。 為此，研究團隊提出了DDL方法另闢蹊徑，通過直接優化模型預測的文本條件概率差異與人為設定的目標值之間的差距，幫助模型學習AI文本檢測的內在知識，可以精準捕捉人機文本間的深層語義差異，從而大幅提升檢測器的泛化能力與魯棒性。 「使用DDL訓練得到的檢測器如同有了『火眼金睛』，即便只『學習』過DeepSeek-R1的文本，也能精準識別像GPT-5這樣最新大模型生成的內容。」付嘉晨說。 團隊還提出了一個全面的測試基準數據集MIRAGE，使用13種主流的商用大模型(如豆包、DeepSeek、Kimi等)以及4種先進的開源大模型(如Qwen等)，從AI生成、潤色、重寫三個角度構造了接近十萬條人類-AI文本對。 「MIRAGE是目前唯一聚焦於對商用大語言模型檢測的基準數據集。直觀地說，之前的基準數據集是由少而且能力簡單的大模型命題出卷，而MIRAGE是17個能力強大的大模型聯合命題，形成一套高難度、又有代表性的檢測試卷。」論文通訊作者、南開大學計算機學院副教授郭春樂說。 在MIRAGE的測試結果顯示，現有檢測器的準確率從在簡單數據集上的90%驟降至約60%；而使用DDL訓練的檢測器仍保持85%以上的準確率。與史丹福大學提出的DetectGPT相比，性能相對提升71.62%；與馬裡蘭大學、卡內基梅隆大學等共同提出的Binoculars方法相比，性能相對提升68.03%。 「AIGC發展日新月異，我們將持續迭代升級評估基準和技術，致力於實現更快、更準、更低成本的AI生成文本檢測，以AI之力，讓每一篇成果更出彩。」研究團隊負責人、南開大學計算機學院教授李重儀說。(完)
免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。
莲花直播
「活动」首次登录送新手大礼包
- 软件大小: 817.24MB
- 最后更新: 2025-11-04 23:47
- 最新版本: v11.14.15.16
- 文件格式: apk
- 应用分类:ios-Android 魅影直播游客免登录
- 使用语言: 中文
- : 需要联网
- 系统要求: 7.75以上
客服热线：132-6579-2613
蜜桃直播类似软件
猜你喜欢
18694
61
73951
57
2025-11-04 23:47
73549
26
2025-11-04 23:47
14839
47
2025-11-04 23:47
23769
21
2025-11-04 23:47
68293
25
2025-11-04 23:47
39564
43
2025-11-04 23:47
92538
62
2025-11-04 23:47
79245
86
2025-11-04 23:47
98762
81
2025-11-04 23:47
21678
58
2025-11-04 23:47
85
21783
31574
84
16253
38
45798
12758
