最近，瑞士洛桑联邦理工学院（EPFL）的一项研究在IEEE 鹿特丹机器人与自动化国际会议上首次亮相。这项研究旨在探索机器人手如何突破现有限制，抓取更多物体。
研究团队指出，深度学习模型显著提高了多指手抓握的灵巧操作技术，但在杂乱环境中，接触信息引导的抓握仍未得到充分探索。为了解决这个问题，研究员们设计了一只受人启发的手，可以向后弯曲以拾起各种物体，并脱离自己爬到另一个物体上。
这项研究的结果可能有点令人毛骨悚然，因为机器人手的外形和行为与传统的仿生机器人手有很大不同。然而，这项技术也引起了该领域的广泛兴趣，因为它可能是机器人抓取技术的一个新方向。
研究员小高表示:“尽管你会在恐怖电影中看到它，但我认为我们是第一个将这个想法引入机器人技术的人。”这项研究的成功可能会让我们见证仿生机器人被恐怖机器人取代。
近日，商业研究公司发布了2024年生成式人工智能市场报告，显示该市场在过去几年中迅速扩张。根据报告，生成式人工智能市场预计将从2023年的136.4亿美元增长到2024年的181亿美元，年均增长率（CAGR）达到32.7%。这一增长主要得益于计算能力的提升、数据的广泛可用性、研发的不断深入、行业应用的增加以及深度学习的突破。图源备注:图片由AI生成，图片授权服务商Midjourney在未来几年，生成式人工智能市场有望继续强劲增长，预计到2028年将达到579.6亿美元，年均增长率为.8%。报告指出，推
在人工智能领域，规模越大似乎就意味着能力越强。为了追求更强大的语言模型，各大科技公司都在疯狂堆叠模型参数和训练数据，结果却发现成本也随之水涨船高。难道就没有一种既经济又高效的方法来训练语言模型吗?来自哈佛大学和斯坦福大学的研究人员最近发表了一篇论文，他们发现，模型训练的精度（precision） 就像一把隐藏的钥匙，可以解锁语言模型训练的“成本密码”。什么是模型精度?简单来说，它指的是模型参数和计算过程中使用的数字位数。传统的深度学习模型通常使用
深度学习的快速发展离不开规模化的数据集、模型和计算量。在自然语言处理和计算机视觉领域，研究人员已经发现了模型性能与数据规模之间存在幂律关系。然而，机器人领域，特别是机器人操控领域，尚未建立起类似的规模化规律。清华大学的研究团队最近发表了一篇论文，探讨了机器人模仿学习中的数据规模化规律，并提出了一种高效的数据收集策略，仅用一个下午的时间就收集了足够的数据，使得策略能够在新环境和新物体上实现约90% 的成功率。研究人员将泛化能力分为环境泛化
近日，Suno 公司发布了其最新的 v4音乐生成模型的音频样本。这些演示音频展现了与之前版本相比，音质、音色多样性和一致性都有了显著提升。Suno 的 v4模型通过深度学习技术对大量音乐数据进行训练，旨在生成更自然、更丰富的音乐作品。与以往版本相比，v4模型在音频合成方面的表现更为出色，能产生更具表现力的乐曲，增强了音乐的情感表达。听众在试听样本时，能够明显感受到音质的细腻程度和旋律的流畅性，给人以耳目一新的体验。为了使这一新模型的功能更为全面，Suno 还对
