Riemann-1.0突破机器人泛化瓶颈
2026世界人工智能大会（WAIC）现场，机器人成为焦点，具身智能企业数量显著增加，一个展馆几乎被各类机器人企业包揽。 行业趋势悄然转变：关注点从“让机器人动起来”转向“让机器人融入真实世界”，竞争核心从硬件性能转向模型能力。 模型评估标准不再依赖排行榜，而是看能否真正进入家庭、工厂与服务场景，应对复杂现实任务。 大会期间，昆仑万维孵化的黎曼动力发布通用具身智能世界动作模型Riemann-1.0，在长时序操作、跨场景泛化与真实部署等关键难题上取得突破。 从行业角度看，Riemann-1.0回应了机器人迈向
告别人工标注：Nature子刊EVA-X重塑胸片AI诊疗新范式
过去十年间，人工智能在医疗领域经历了显著演变。早期医学AI多采用“任务导向”的深度学习范式：向系统输入大量已标注数据，训练特定疾病识别模型，以完成单一诊断任务。这种模式虽推动了影像智能化，却遭遇核心瓶颈：医学数据的最大痛点并非匮乏，而是高质量人工标注稀缺。一张胸部X光片往往需资深放射科医师进行病灶识别、定位及严重程度分级，而海量影像数据虽丰富，却缺乏精细标注。因此，传统AI模型面临标注成本高昂、泛化能力受限、单模型单任务、难以适应真实临床场景等难题。近年来，人工智能领域迎来重大变革：从“专用模型”转向“基
仅凭本体感知即可应对复杂地形：上海 AI Lab 推出全新四足机器人控制框架 HIM
全称：混合内模：利用仿真机器人响应学习敏捷的足式运动作者：Junfeng Long1,∗Zirui Wang1,2∗, Quanyi Li1, Jiawei Gao1,3, Liu Cao1,3, Jiangmiao Pang1 1OpenRobotLab, Shanghai AI Laboratory, 2Zhejiang University, 3Tsinghua University链接：https://doi.org/10.48550/arXiv.2312.11460目前，基于深度强化学习的四足机
AI评测革命:告别"跑分"时代,重新定义机器认知评估标准
大家好，我是万象大叔。专注 AI，讲透技术，看清产业，商业落地，投资赚钱。当大语言模型的参数量级与训练数据规模跨越关键节点后，传统依赖静态封闭数据集的“刷分”式评估，其可靠性正在快速瓦解。在MMLU、GSM8K等公开基准上斩获接近甚至超越人类水平的模型屡见不鲜，然而它们在真实对话、深度推理和开放场景中的表现却可能判若两“机”。这暴露了一个根本矛盾：我们用来衡量AI“智商”的标尺，正被AI自身迅速“破解”和“过度适配”。因此，模型评测的核心范式正经历一场悄然却深刻的变革：其重心从“测量模型记忆了多少知识”，
宇树推出物理AI UniBot全球赛事
新浪科技讯 7月10日晚间消息，宇树启动物理AI UniBot全球挑战赛。据透露，该赛事聚焦具身智能大模型泛化能力不足的痛点，围绕多样化桌面操作任务，开展统一且规模化的真实硬件测试，验证单一模型在多任务中的通用表现。 挑战赛包含两项任务，首项基于Unitree G1人形机器人(16.330, -0.33, -1.98%)平台，评估通才模型在真实场景多任务操作中的泛化水平，以平均成功率和平均步骤分衡量，覆盖五类泛化场景。 第二项任务涉及32项真实桌面操作，包括抓取、放置及双手协作。 宇树科技称，赛事旨在加速
轻松实现工服AI检测
背景在石油、化工、电力、建筑、制药、食品加工等众多领域，规范穿戴安全防护服是防止人身伤害的最基本屏障。过去依赖“安全员巡查+人工看屏”的监管手段，存在人力覆盖面窄、违规行为难以提前察觉、事后追责成本高等问题。如何利用海康AI开放平台训练算法，从而实现AI对各类工服的精准识别？01算法实现方案算法方案模板选择：混合模型算法方案：检测人体上半身，并判断是否穿戴工服（混合模型适用条件：建议待分类的目标区域占检测目标的面积比不低于1/4，比例越高效果越好）02模型训练标签创建检测对象：人体上半身属性：是否穿戴工服
AI与DSA联合工作坊：构建可泛化可信智能
基础模型时代的可泛化与可信智能学术工作坊（Building Generalizable and Trustworthy Intelligence Workshop）将于2026年7月2日（周四）在香港科技大学（广州）E1-147举办。本次工作坊围绕基础模型时代的前沿研究方向展开，核心聚焦可泛化表征学习、可信人工智能与接地智能三大领域。上午场特邀英国布里斯托大学两位学者带来研究报告，分享通用表征、多模态生成、不完美信息场景下可信AI等方向的最新研究进展。下午场为邀约制圆桌研讨，将围绕AI科研智能体对科研范式
RoboScience机器科学推出通用具身大模型Visics，VLOA架构实现三大维度泛化
新浪科技讯 6月26日晚间消息，近日，通用具身智能企业RoboScience机器科学首次披露自研Visics大模型技术架构VLOA（Vision-Language-Object-Action），并展示了模型在多项真实场景的应用，包括全球最复杂具身操作任务家具拼装。 当前，机器人操作面临泛化能力差、精细操作难、长程任务误差累积三大核心瓶颈。据RoboScience机器科学创始人兼CEO田野介绍，Visics大模型通过自研技术架构VLOA，把机器人“认知”与“执行”彻底解耦，实现了三大维度泛化：指导任意机器人
AI的道德素养可经后天习得？OpenAI实验揭示反直觉结论
这并非源于他曾接受"经商需诚信"的专项培训，而是诚信已内化为他的核心品格，融入其处理各类事务的行为模式中。OpenAI于2026年6月18日发表的这项研究，正是探索这一命题——只不过研究对象是人工智能。该研究题为《强化学习通向广泛且持久的有益模型》（Reinforcement Learning Towards Broadly and Persistently Beneficial Models）。研究团队聚焦的核心命题在于：能否借助强化学习（RL）为AI构建"核心品格"，使其在从未遭遇的情境中依旧保持诚实
AI研究前沿速递（6月11日）
LG - 机器学习 CV - 计算机视觉 CL - 计算与语言1、[CL] 跨越鸿沟：前沿大语言模型能否通过标准化办公能力考核？ 2、[LG] 统一大语言模型预训练中的本地通信与本地更新 3、[LG] 能精简（至少量Token）者，皆不易过拟合：机器学习研究智能体中的压缩与泛化 4、[LG] 解决反馈对齐中的秩崩溃问题 5、[CL] 汇聚真实复杂环境下的AI智能体集体智慧驱动科学新发现摘要：前沿大语言模型能否通过标准化办公能力考核、统一大语言模型预训练中的本地通信与本地更新、机器学习研究智能体中的压缩与泛
详解堆叠泛化：《人工智能 - 现代方法》19.8.3 节
19.8.3 堆叠泛化技术与自助聚合法在不同数据子集上训练同类模型不同，堆叠泛化（stacked generalization，简称堆叠）旨在整合基于相同数据但采用不同模型类训练出的多个基学习器。作为一种先进的集成学习策略，其核心理念在于：构建出“基模型层”叠加“元学习器层”的双层架构，故而得名“堆叠”。该方法通过元学习器来学习如何最佳地“权衡”各基模型的输出，从而显著优化整体预测效能。以餐厅等待问题数据集为例，假设首行数据表现为：x1=Yes,No,No,Yes,Some,$$$,No,Yes,Fren
腾讯汤道生与姚顺宇深度对话：AI下半场的战略思考与实践
来源：互联网坊间八卦 日前，腾讯集团高级执行副总裁汤道生与腾讯混元大模型及AI应用负责人姚顺宇进行了一场深入交流，双方围绕AI下半场的定位、产品与模型的协同关系、组织变革及行业发展趋势等方面展开了系统性探讨。 “下半场“的核心在于从探索方法转向挖掘问题。姚顺宇认为，预训练和后训练已使方法论趋于完善，真正的难题变成了“筛选出真正值得解决的好问题”。腾讯具备丰富的产品矩阵和Context优势，这是他选择加入的重要原因之一。更深层次的考量在于企业文化，腾讯总办团队的坦诚务实、基于Trust而非Metrics的运
AI的推理究竟是怎么回事？
这里是AI大白话第011篇。上篇讲了，AI写东西就是猜概率，一个字一个字地猜。那问题来了—— 一个只会"猜"的东西，为什么能推理、能思考、能帮你做决策？更关键的是：它的"推理"，真的靠谱吗？先说清楚它到底怎么"推理"的，再聊值不值得信。你可能会觉得，AI天生就会推理——它被造出来就这么聪明。不是这么回事。AI能"推理"，经历了三个阶段。第一阶段：喂数据。让它"见世面"。AI被塞进了几万亿字的文本——书、文章、论文、代码、对话、
复旦苏昊：AI 想统治世界，先学会理解物理
ChatGPT 既能赋诗，也能解题，还能与你探讨哲学。可若让它将桌上的杯子向前推一推——它竟连“杯子是否会倾倒”都无从知晓。这并非刻意抹黑人工智能。5 月 27 日，复旦大学新任通用物理智能研究院院长苏昊教授，在校庆报告会上提出了这一难题。这是一个令当下所有大模型集体失语的问题。而他给出的结论更引人深思：“AI 的下一座里程碑，不在于更擅长言语，而在于理解物理世界。”过去十年，AI 领域经历了怎样的变迁？2012 年，ImageNet 让机器学会了视觉感知2022 年，ChatGPT 让机器学会了语言表达
AI 应用的五大核心维度：深度解析你的 AI 使用法
AI 应用的五个关键维度当你使用 AI 时，真正在利用的是什么？从广泛需求到定制化体验，系统性地剖析 AI 应用的底层逻辑2026 年 5 月初涉 AI 领域的人，往往纠结于“如何编写提示词”。使用三个月后，问题转变为“如何训练 AI 记忆我的偏好”。使用一年后，则开始思考“我的工作流中还有哪些环节未引入 AI”。这三个阶段的问题，折射出三个截然不同的认知层级。然而我观察到，即便是资深用户，多数人对 AI 的认知仍是零散的——今日发现新工具便试用，明日遇到新场景便尝试。始终缺乏一个框架，来系统性地厘清 A