アメリカのAIボクシングコミュニティGrowlは最近、ユーザーにリアルなボクシングコーチとのインタラクティブな体験を提供することを目的とした、新しい壁掛け式フィットネス機器を発表しました。Lululemon MirrorやTonalなどのインタラクティブなフィットネス機器とは異なり、Growlのデザインは身体的なインタラクションを重視しており、プロジェクターとセンサーを組み合わせることで、ユーザーは画面上のバーチャルなフィットネス指導に頼るのではなく、実際に打つことができるサンドバッグを提供します。Growl機器は、従来のLCDやOLEDスクリーンに代わるプロジェクターを使用することで、より大きく、

最近、アリババのAI研究チームは文書理解分野で注目すべき進歩を遂げ、OCR（光学文字認識）不要の文書理解タスクで優れた性能を発揮する最先端モデルmPLUG-DocOwl1.5を発表しました。従来、文書理解タスクを処理する際には、OCR技術を用いて画像からテキストを抽出することが一般的でしたが、複雑なレイアウトや視覚ノイズの影響を受けやすいという課題がありました。一方、mPLUG-DocOwl1.5は、全く新しい統一構造学習フレームワークにより、

アリババ達摩院と中国人民大学は最近、mPLUG-DocOwl1.5というドキュメント処理モデルを共同でオープンソース化しました。このモデルはOCR認識なしでドキュメントの内容を理解できることを特徴とし、複数の視覚ドキュメント理解ベンチマークテストで優れた性能を達成しました。構造情報は、リッチテキスト画像（ドキュメント、表、図表など）のセマンティクスを理解する上で非常に重要です。既存のマルチモーダル大規模言語モデル（MLLM）はテキスト認識能力を備えているものの、リッチテキストドキュメント画像に対する一般的な構造理解能力が不足しています。

アリババのチームが最新発表したmPLUG-Owl3は、汎用的なマルチモーダル大規模言語モデルです。その核心能力は、長い画像シーケンスの理解にあります。超注意力モジュールを導入することで、mPLUG-Owl3は視覚情報と言語情報を効率的に処理し、画像や動画などのマルチモーダルデータに対する深い理解と対話を実現します。このモデルは、推論効率、画像処理能力、そしてマルチモーダル知識の応用において顕著な進歩を遂げ、特に動画理解分野では、2時間の映画を4秒で「視聴」し、関連する質問に正確に回答することができます。

TechCrunchの報道によると、クリス・メッシーナとブライアン・マカローが、AIスタートアップ企業を支援することを目的とした新たな1500万ドルのファンドを発表しました。このファンドは、マーク・アンドリーセン、クリス・ディクソン、デニス・クロウリーなど、著名なテクノロジー投資家や創業者の支援を受けています。ファンドは今後12～18ヶ月以内に全資金を投資する予定です。