搜索：视频表征自编码器

「视频表征自编码器」共找到 1094 篇相关文章

弯道超车？国产具身，千小时人类数据激发智能涌现

近日，深度机智用人类学习范式在国际 Benchmark 上击败巨头，成果两会首日被央视报道。其全新架构源于一年多积累。英伟达也有人类学习尝试。深度机智构建全栈技术矩阵，成果显著，3 月底成果将开源。

新智元报道，Figure AI推出搭载Helix 02系统的机器人Figure 03。视频中它在厨房自主干活，如用胯顶抽屉、用脚抬门，还展现多核心能力。其突破传统难题，实现行走与操作统一，能胜任家庭细活。

宇树科技回应“A股上市绿色通道被叫停”传闻，称未申请绿通，上市工作正常推进，还发H2机器人训练视频。创始人王兴兴称消息是乱编的，别当真也不用解释，相关不实报道已下架。

长期以来具身智能系统缺预测力，世界模型让智能体有了‘想象’未来的能力。中科大等机构团队综述将现有研究划分为模块化、顺序、统一三大架构集成范式，并指出未来研究方向。

Yann LeCun、李飞飞和谢赛宁联手发布论文「Cambrian - S：迈向视频中的空间超感知」。他们认为LLM虽能力强，但无法像人类一样感知世界，为此构建Cambrian - S系列模型，开源相关数据和模型，还开发了新原型。

一段小女孩与AI玩具深情告别的视频走红，揭示对话式AI融入人类情感世界。声网Convo AI&RTE 2025大会指出对话式AI将成下一代AI Infra重要部分，情感陪伴、智能硬件、在线教育将率先规模化落地。

中科院与字节联合提出「GAR」，为构建自然图像的Dense Caption提供新思路。GAR具备精准描述、关系建模和组合推理能力，通过引入新组件，兼顾细粒度与全局上下文，在多测试集表现优异，且代码等已开源。

INSAIT、复旦大学等联合提出ObjectRelator框架，让AI精准匹配不同视角下同一物体，实现跨视角统一表征与理解。它在Ego转Exo和Exo转Ego任务上超基线模型，已被ICCV 2025接收，代码开源。

知名机器人专家罗德尼・布鲁克斯质疑特斯拉、Figure等公司技术路线，称让机器人看人类视频学操作是‘空想’。他指出触觉数据无技术积累、安全有隐患，预测成功‘人形’机器人未来将大不同，投资难量产。

Sora 2虽强大，但数手指测试翻车，模拟场景也有瑕疵。奥特曼成其首批“受害者”，AI生成视频将他玩坏。同时，OpenAI研究员对Sora应用发布存担忧，而奥特曼解释资金投入原因。