搜索
ScienceVision基于真实三维数据构建250道跨学科科学3D评测题，GPT-6-Astra搭配Codex最高仅得0.53分，12个前沿模型均未在五科同时领先，显示AI科学三维观察与推理能力仍有限。
奥特曼在博客节目中披露，OpenAI未公开的新模型在Hold-my-beer内部测试中攻克Navier-Stokes方程等难题，并提出以AI智能体团队、RSI及机器人自我复制数据中心推动下一阶段发展。
Z Potential独家获悉，柔性织物触觉传感企业矩侨工业近日完成亿元A轮融资，由蚂蚁集团领投，老股东零以创投、威海港融及青岛和信跟投，多维资本担任长期独家财务顾问。本轮资金将主要用于织物电子皮肤规模化量产与交付、触觉及多模态感知技术研发，以及机器人、智能家居和医疗康养等场景的产品拓展。
从 GPT-6 在演示里用 Blender 做三维建模，到 AI 短剧占据越来越多的屏幕时间，再到机器人走进真实场景，看似不同的应用，正指向一组共同的能力要求：理解物体在哪里、彼此如何关联、状态怎样随时间变化，以及采取行动可能带来什么结果。
10月21日，柏林GTC大会，黄仁勋又把AI的未来讲出了新高度。
很多Buddy都遇到过这样的场景： 给电脑里的WorkBuddy安排了自动化任务，在它搜集资料、整理报表的时候实时在手机上接收产出，却发现需要调取外部数据，而某个APP的系统权限授权提示阻挡了任务推进。
材料是 AI 最难进入的行业之一。实验周期长，数据采集难度大；材料的理论性能与成品的实际性能存在差异；并且材料从实验室走到工业界有巨大量产鸿沟。因此，一种新材料从确定原子怎么排列，到在产线上稳定量产，通常要走十年以上。
AI 设计的抗癌药物，正在人体临床试验中获得更多数据。
第一视角视频越来越多，研究人员怎样把这些记录变成能够改善机器人能力的训练信息？
具身智能不缺钱，也不缺演示，真正稀缺的是一条能复现的 Scaling 曲线。去年 11月，北美的 Generalist 发布 GEN-0，称首次在机器人身上观察到了这条曲线：预训练数据和算力越多，模型在下游任务上的表现就越稳定、可预测地提升。支撑这条曲线的，是超过 27 万小时的真实世界操作数据，和每周新增上万小时的采集速度。对绝大多数公司来说，曲线已经有人跑出来了，燃料却还没有。