北京大学教授倡导具身AI的潜在空间方法，绕过视觉生成

北京大学教授、BeingBeyond创始人陆宗庆正在开创一种具身AI的“潜在空间”方法。该方法绕过视觉生成，直接在嵌入空间中预测机器人动作和世界响应，显著降低了训练成本并实现了实时控制。陆认为，与推动大型语言模型发展的确定性技术范式类似的方法，对于具身AI仍然缺失，而第一人称人类视频是训练这些模型最可扩展的数据源。BeingBeyond最近发布了Being-H0.8，这是一个隐式触觉世界-动作模型，将视觉、触觉和动作模态整合到一个统一的潜在空间中。 AI

影响 这种潜在空间方法可以显著降低具身AI开发的成本并提高其速度，有可能加速机器人在现实世界的部署。

排序理由 文章讨论了一位大学教授及其初创公司在具身AI研究中的一种新技术方法和模型发布。[lever_c_demoted from research: ic=1 ai=1.0]

在 雷峰网 (Leiphone) 阅读 →

• BeingBeyond
• Being-H0.8
• NeurIPS
• Cosmos Policy
• ICLR
• Latent World-Action Model
• Li Feifei
• Lu Zongqing
• Next Token Prediction
• NVIDIA
• Peking University
• Transformer

• 模型发布
• 产品
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →