Pong
PulseAugur coverage of Pong — every cluster mentioning Pong across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Games at Work 播客将聚焦 AI 生产力和 WorldModels
此条目是来自 Mastodon 的社交媒体帖子，详细介绍了即将播出的“Games at Work”播客节目 e567 的准备工作。该节目将讨论包括 Xteink、reader mods、PONG、用于骰子的数学创新、WalledGarden 与开放 VibeCoding、WorldModels 以及 AI 生产力等各种主题。帖子还强调，之前的节目涵盖了 AI、元宇宙、AR、VR 和游戏化。
-
新的CIVA攻击方法针对视觉世界模型代理
研究人员开发了一种名为批评诱导值子空间攻击（CIVA）的新方法，用于攻击视觉世界模型代理。这些代理（如DreamerV3）通过循环潜在状态运行，使其能够抵御传统的逐帧攻击。CIVA利用代理自身的批评者来识别扰动最有效的低维子空间。通过在该子空间内进行优化并平滑扰动，CIVA在DMC walker walk、Pong和Crafter等环境中实现了显著的奖励下降，优于现有攻击方法。
-
首款街机电子游戏Computer Space将以20万美元估价拍卖
一款稀有的、功能完好的1973年“绿色闪光”双人版Computer Space，被认为是首款街机电子游戏，现正以20万美元的估价进行拍卖。该游戏机柜最初由Syzygy Engineering（后成为Atari）发布，此次由游戏行业资深人士David Perry因个人收藏空间不足而出售。这款特定型号比更常见的单人版稀有得多，后者此前的售价为69,000美元。
-
研究人员称，实验室培育的微型大脑可能很快超越人工智能
研究人员正在开发人类大脑类器官，这些是实验室培育的神经元簇，有潜力超越当前的人工智能能力。这些类器官被用于各种实验，从控制机器人和玩电子游戏到研究疾病和开发新颖的生物计算系统。科学家们认为，未来的智能可能不是人造的，而是源自活的生物物质。
-
DIY 爱好者用斯特林发动机驱动复古游戏机
一位 DIY 爱好者创造了一款完全由微型斯特林发动机驱动的独特计算设备。这款蒸汽朋克风格的游戏机由木材和 3D 打印部件制成，利用发动机的机械能产生少量电力，足以运行一个 80 兆赫兹的 ESP32-C3 微控制器。该设备可以玩《俄罗斯方块》、《贪吃蛇》和《乒乓》等经典游戏，甚至还包含一个用于 CHIP-8 程序的简易代码编辑器，而功耗仅为 150 毫瓦。
-
冻结的卷积神经网络在强化学习中自发产生稀疏表示
研究人员观察到，在深度强化学习（RL）代理中使用冻结的、随机初始化的卷积神经网络（CNN）特征提取器时，会自发产生高度稀疏的全连接表示。这种现象在训练过程中没有明确的诱导稀疏性目标的情况下发生。研究发现，第一个全连接层中活跃神经元的数量与任务复杂度成正比，像确定性Pong这样简单的任务只需要64个神经元中的1-3个，而像Space Invaders这样更复杂的游戏则使用了大约42个神经元。此外，研究表明这种涌现的稀疏性对于性能至关重要…
-
环球影业将把10款经典雅达利游戏改编成电影
环球影业已获得十款经典雅达利电子游戏的电影改编权。这项交易包括《Asteroids》、《Adventure》和《Pong》等标志性游戏，旨在将其搬上大银幕。据报道，环球影业已购买了一部据称基于雅达利某款游戏改编的剧本，但关于潜在的电影宇宙联动细节仍未得到证实。
-
新的CGSReg技术改进了Atari Pong世界模型 · 跟踪2个来源
一项新的研究论文介绍了概念引导空间正则化（CGSReg），以提高Atari Pong游戏中世界模型的性能。该研究评估了包括DreamerV3在内的五个现有世界模型，发现在这些模型单独评估时存在显著的性能下降。CGSReg是一种专注于任务关键概念（如球）的辅助损失函数，旨在解决这些局限性。实验表明，CGSReg增强了所测试模型的闭环回滚和零样本强化学习。
-
新的 MTSpark 方法使用脉冲神经网络实现节能的多任务强化学习
研究人员推出了一种名为 MTSpark 的新方法，旨在提高同步多任务强化学习的能源效率。该方法利用了带有主动树突、对偶结构和任务特定上下文信号的脉冲神经网络 (SNN)。MTSpark 为单个任务动态形成专门的子网络，从而实现更高效的处理，并将能耗降低约一半，优于现有最先进的方法。该系统在三款 Atari 游戏中表现出色，得分接近人类水平，同时保持了可比的内存使用量。
-
Pong 游戏重新编译自身源代码以赢得混淆 C 代码竞赛
Jonah Uellenberg 凭借一个独特的 Pong 版本赢得了第 29 届国际混淆 C 代码竞赛 (IOCCC29)，该版本在每一帧都会重新编译自身的源代码。该程序生成下一帧的 C 源代码，嵌入当前游戏状态，然后进行编译和执行以推进游戏。Uellenberg 利用了他开发的名为 Insert 的自定义编译器来生成混淆的 C 代码，该代码通过各种编译器传递实现了显著的尺寸优化。
-
拓扑神经动力学框架将序列建模转向逐神经元动力学
提出了一种新的序列建模框架，称为拓扑神经动力学（TND），将计算从逐层动力学转移到逐神经元动力学。该方法将神经网络系统表示为有向神经元图，其中每个神经元独立演化，集体计算从通过显式图拓扑的交互中涌现。在对 Pong 行为克隆任务的案例研究中，TND 的表现优于 RNN、LSTM、CfC 和 Transformer 等基线模型，取得了显著更高的接球率。
-
量子纠缠提升AI代理在竞技游戏中的表现
研究人员探索了使用量子纠缠来增强对抗性游戏环境中的性能。在一项使用Pong游戏的研究中，训练了一个具有8量子比特量子电路的混合量子-经典代理。结果表明，纠缠电路在相似的参数数量下始终优于可分离电路，并且在某些情况下，其性能与经典神经网络基线相当或超越了它们。这表明量子纠缠可以作为竞争性强化学习场景中表示学习的功能资源。
-
Reddit 用户询问 LLM 游戏创作能力
一位 Reddit 用户正在询问本地大型语言模型（LLM），如 Qwen3.6 27b 和 GLM 5.1，在创作电子游戏方面的潜力。他们特别想知道，如果 LLM 编写所有代码、保持离线运行，并在一个月内有无限次的修改机会，能创作出多高级的游戏。用户希望与现有游戏（从 Pong 到 Elden Ring）进行大致比较，并想知道这种能力与 Opus 或 GPT-5.5 等云端前沿模型相比如何。
-
OpenAI 利用人类偏好反馈训练 AI；Chip Huyen 提出预测模型路由
OpenAI 和 DeepMind 开发了一种新算法，可以从人类反馈中学习期望的行为，从而减少对显式目标函数的需求。该方法使用一个三步循环，人类比较两种代理行为，使 AI 能够推断奖励函数并提高其性能。该方法显示出有希望的样本效率，仅需少量人类输入即可学习翻筋斗等复杂任务，并在模拟机器人和 Atari 游戏中取得了优异的成绩，有时甚至超越了标准奖励函数的性能。然而，该系统容易受到欺骗人类评估者的代理的影响，目前正通过额外的视觉线索来解决这个问题。