Recentemente, a Galaxy General Technology, em colaboração com o Instituto de Pesquisa de Inteligência Artificial de Pequim, a Universidade de Pequim e a Universidade de Hong Kong, lançou com grande destaque o modelo básico de captura de corpo do tipo end-to-end GraspVLA. O lançamento deste modelo representa um grande avanço na tecnologia de inteligência embodied, possuindo capacidades integradas de percepção, aprendizagem e interação ambiental. O processo de treinamento do GraspVLA inclui duas fases: pré-treinamento e pós-treinamento. A fase de pré-treinamento é baseada em bilhões de quadros de dados, garantindo a alta generalização do modelo em vários cenários e a capacidade de teste de zero-shot.

Segundo a Bloomberg, o Uber está entrando no setor de rotulagem de inteligência artificial (IA) ao recrutar trabalhadores temporários. Essa iniciativa demonstra a intenção do Uber de aproveitar seu modelo de negócios baseado em contratantes independentes para atender à crescente demanda por aprendizado de máquina e modelos de linguagem grandes. O novo departamento do Uber, "Scaled Solutions", afirma poder conectar empresas a "analistas detalhistas, testadores e operadores de dados independentes" por meio de sua plataforma. Trata-se de uma extensão da equipe interna do Uber, com membros principalmente localizados nos EUA.

Nos últimos anos, a demanda por modelos de aprendizado de máquina em tarefas de visão e linguagem tem crescido, mas a maioria dos modelos requer recursos computacionais substanciais, impossibilitando sua execução eficiente em dispositivos pessoais. Dispositivos menores, como laptops, GPUs de consumo e dispositivos móveis, enfrentam desafios significativos no processamento de tarefas de linguagem visual. O Qwen2-VL, por exemplo, embora tenha um desempenho excelente, exige altos recursos de hardware, limitando sua usabilidade em aplicações em tempo real. Portanto, o desenvolvimento de modelos leves para operação em recursos limitados tornou-se...

Uma nova IA de aprendizado de máquina chamada AIRIS (Inferência Simbólica Reforçada Autônoma) surgiu em Minecraft. Essa IA aprende a jogar através da prática, essencialmente começando do zero em Minecraft e aprendendo a jogar usando apenas o ciclo de feedback do jogo para guiá-la. Versões iniciais do AIRIS foram testadas em ambientes de jogos de quebra-cabeça de grade 2D simples. No entanto, para testar o sistema, os desenvolvedores precisavam testá-lo em um ambiente 3D mais complexo e aberto.

A Liftoff, plataforma de aceleração de crescimento móvel, anunciou hoje o lançamento de uma nova plataforma de aprendizado de máquina — Cortex. Esta plataforma avançada utiliza modelos de redes neurais personalizados, projetados para melhorar o desempenho de campanhas de anúncios móveis. O Cortex possui capacidade de computação aprimorada para melhor identificar padrões e processar dados. Isso significa que os anunciantes podem encontrar os melhores canais e públicos-alvo para atingir um maior retorno sobre o investimento. De acordo com a Liftoff, o Cortex já demonstrou

Recentemente, a OpenAI anunciou que está contratando engenheiros de aprendizado de máquina para sua recém-formada equipe de pesquisa em multiagentes. A notícia foi divulgada pelo cientista de pesquisa da OpenAI, Noam Brown, por meio de plataformas de mídia social. Ele disse: "Acreditamos que os multiagentes são um caminho importante para melhorar o raciocínio da IA, e experiência prévia com multiagentes não é necessária." Brown também incentivou profissionais interessados ​​em pesquisa nessa área a se candidatarem. Em uma entrevista recente, a OpenAI...

Ahmed Abdin Hameed, pesquisador da Universidade Binghamton em Nova York, desenvolveu um algoritmo de aprendizado de máquina chamado xFakeSci, capaz de identificar artigos científicos falsos com uma precisão de até 94%. Hameed e sua equipe criaram 50 artigos falsos sobre Alzheimer, câncer e depressão para experimentos, comparando-os com artigos reais. Eles descobriram que os artigos falsos apresentavam uma quantidade significativamente menor de combinações de duas palavras em comparação com os artigos reais, e que essas combinações tinham uma correlação mais forte com o conteúdo. Hameed planeja expandir o algoritmo para mais áreas para combater a proliferação de artigos científicos falsos gerados por IA.

Uma equipe de pesquisa da UC Berkeley desenvolveu um sistema de modelo de linguagem que se aproxima da capacidade preditiva humana. O sistema utiliza dados em larga escala e o processamento rápido do LM para automatizar processos de previsão críticos. O estudo mostra uma pontuação Brier média de 0,179 para o sistema, prometendo melhorar a precisão e a eficiência da previsão. Esta pesquisa fornece um argumento forte para a integração de modelos de linguagem no campo da previsão.

A Apple, em colaboração com a Universidade Cornell, lançou o modelo de aprendizado de máquina multimodal de código aberto Ferret. O Ferret é um sistema que pode referenciar e localizar regiões em qualquer lugar em uma imagem, com qualquer precisão e usando qualquer forma de região. O Ferret pode identificar elementos em uma imagem e respondê-los como parte de uma consulta. Este lançamento de código aberto demonstra o compromisso da Apple com pesquisas de IA impactantes. A Apple está disposta a colaborar de forma mais aberta em seu trabalho com IA.

‘Ideia de design inovadora: Uso de algoritmos de aprendizado de máquina para otimizar o design de parâmetros de sensores táteis, integrando design e algoritmo.‘ ‘Destaque tecnológico: O algoritmo de máquina de vetores de suporte otimiza os parâmetros de design para identificar com precisão vários modos de toque.‘ ‘Perspectivas de aplicação: Redução do ciclo de desenvolvimento e custos, expansão de aplicações de interação homem-máquina.‘

O estudo coletou mais de 4.000 potenciais fatores de risco e utilizou modelos de aprendizado de máquina para analisá-los. O modelo identificou problemas de saúde mental como depressão e ansiedade como os mais importantes. Em comparação com modelos que consideram apenas o comportamento passado, este modelo pode prever o risco futuro com maior precisão.

O MyoSuite 2.0, uma série de projetos da Meta AI em colaboração com várias universidades, usa aprendizado de máquina para imitar o movimento infantil. O projeto demonstra destreza e agilidade em nível humano, envolvendo problemas complexos de controle muscular. As estratégias de movimento replicadas no MyoSuite são mais difíceis de replicar do que em robôs móveis, mas os roboticistas podem aprender com as técnicas de controle humano.