人類學習正規化首次亮相:深度機器智慧技術PhysBrain 1.0為機器人賦予物理常識能力

具備對物理世界認知能力的“深度學習者”如今正在具身智慧領域取得飛速進展。
3月27日,在中關村論壇上,由北京中關村學院與中關村人工智慧研究院共同孵化的首傢俱身智慧企業——DeepMind Intelligence,正式釋出了全球首個基於人類學習正規化構建的具身通用智慧基礎模型:PhysBrain 1.0。這一發布標誌著具身智慧的發展從“動作模仿”轉向了“原理解構”。
技術突破:將物理常識嵌入引數之中
與行為克隆或強化學習等傳統方法不同,PhysBrain 1.0採用了創新的多模態大型模型架構,其核心優勢體現在以下方面:
時空一致性:該模型能夠像人類一樣理解物理世界中的因果關係與時空演化規律,從而在機器人執行任務時保持邏輯上的連貫性。
物理常識的內化:透過將大量的物理定律編碼到模型引數中,該模型不再僅僅侷限於機械性地執行指令,而是具備了預測環境變化的能力。
泛化能力突飛猛進:用有限資料實現廣泛應用
資料匱乏一直是制約具身智慧應用的“瓶頸”。DeepMind Intelligence釋出的這款基礎模型則展現了出色的泛化能力:
擺脫對資料的依賴:憑藉對物理常識的深刻理解,PhysBrain 1.0僅需極少的實驗資料就能快速適應陌生場景。
真正的泛化能力:該模型不僅知曉動作的“如何執行”,更懂其背後的“為何如此執行”,這極大提升了機器人在複雜多變環境中的執行穩定性。
源自卓越背景:中關村生態體系中的具身智慧標杆
作為由北京中關村學院與中關村人工智慧研究院共同培育的“新星”,DeepMind Intelligence早已吸引了眾多關注。
產研深度融合:依託中關村在人工智慧研發領域的深厚基礎,該公司從一開始就將具身智慧——人工智慧發展的終極形態之一——作為核心研究方向。
行業意義重大:PhysBrain 1.0的問世為國產具身智慧機器人提供了以物理邏輯為基礎的“大腦”支撐。
結語:物理知識從“感知”走向“認知”的時代
當物理常識成為大型模型的標準能力時,具身智慧便真正擁有了“智慧”。DeepMind Intelligence取得的這一突破不僅是對人類學習正規化的致敬,更是人工智慧與物理世界深度融合的重要一步。在PhysBrain 1.0的推動下,我們距離一個通用機器人能夠“理解物理規律並獨立工作”的未來又近了一步。
相關文章
Meta 在使用者強烈反對後取消了 AI 照片編輯功能
Meta,這家社交媒體巨頭,再次捲入關於人工智慧與使用者隱私之間微妙平衡的公開辯論。據 TechCrunch 報道,Meta 的 Superintelligence Labs 本週早些時候推出了一款新的 AI 影象生成器 Muse Image。然而,一個備受好評的關鍵功能——允許使用者透過“@”符號標記來修改和生成來自公開 Instagram 賬戶的影象——由於缺乏適當的通知機制,立即引發了使用者以及 CAA 等機構的強烈反對。面對強烈的批評,Meta 迅速撤銷了該決定,並於週五透過部落格文章宣佈將
DeepMind執行長哈西里斯:我每天睡六個小時,通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪,揭示了他對休息和生產力的非傳統方法。Hassabis 透露,他睡眠時間非常少,將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣,Hassabis 表示:“我目標睡六小時,但我的習慣非同尋常。我可以在白天有效運作。”他強調,睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind(後被谷歌收購),並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期,OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標,導致本週二科技股承壓,但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認,儘管媒體報導負面,他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段,因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力,但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同,競爭對手 Anthropic 獲得了
相關專題推薦
評論 (1)
0/500
I was totally blown away by PhysBrain 1.0! It’s like giving robots actual human-like common sense instead of just programmed tasks, which could revolutionize how we design assistive robots for daily life. I wonder if this tech will soon make self-driving cars more adaptable to unexpected road situations too?

具備對物理世界認知能力的“深度學習者”如今正在具身智慧領域取得飛速進展。
3月27日,在中關村論壇上,由北京中關村學院與中關村人工智慧研究院共同孵化的首傢俱身智慧企業——DeepMind Intelligence,正式釋出了全球首個基於人類學習正規化構建的具身通用智慧基礎模型:PhysBrain 1.0。這一發布標誌著具身智慧的發展從“動作模仿”轉向了“原理解構”。
技術突破:將物理常識嵌入引數之中
與行為克隆或強化學習等傳統方法不同,PhysBrain 1.0採用了創新的多模態大型模型架構,其核心優勢體現在以下方面:
時空一致性:該模型能夠像人類一樣理解物理世界中的因果關係與時空演化規律,從而在機器人執行任務時保持邏輯上的連貫性。
物理常識的內化:透過將大量的物理定律編碼到模型引數中,該模型不再僅僅侷限於機械性地執行指令,而是具備了預測環境變化的能力。
泛化能力突飛猛進:用有限資料實現廣泛應用
資料匱乏一直是制約具身智慧應用的“瓶頸”。DeepMind Intelligence釋出的這款基礎模型則展現了出色的泛化能力:
擺脫對資料的依賴:憑藉對物理常識的深刻理解,PhysBrain 1.0僅需極少的實驗資料就能快速適應陌生場景。
真正的泛化能力:該模型不僅知曉動作的“如何執行”,更懂其背後的“為何如此執行”,這極大提升了機器人在複雜多變環境中的執行穩定性。
源自卓越背景:中關村生態體系中的具身智慧標杆
作為由北京中關村學院與中關村人工智慧研究院共同培育的“新星”,DeepMind Intelligence早已吸引了眾多關注。
產研深度融合:依託中關村在人工智慧研發領域的深厚基礎,該公司從一開始就將具身智慧——人工智慧發展的終極形態之一——作為核心研究方向。
行業意義重大:PhysBrain 1.0的問世為國產具身智慧機器人提供了以物理邏輯為基礎的“大腦”支撐。
結語:物理知識從“感知”走向“認知”的時代
當物理常識成為大型模型的標準能力時,具身智慧便真正擁有了“智慧”。DeepMind Intelligence取得的這一突破不僅是對人類學習正規化的致敬,更是人工智慧與物理世界深度融合的重要一步。在PhysBrain 1.0的推動下,我們距離一個通用機器人能夠“理解物理規律並獨立工作”的未來又近了一步。
Meta 在使用者強烈反對後取消了 AI 照片編輯功能
Meta,這家社交媒體巨頭,再次捲入關於人工智慧與使用者隱私之間微妙平衡的公開辯論。據 TechCrunch 報道,Meta 的 Superintelligence Labs 本週早些時候推出了一款新的 AI 影象生成器 Muse Image。然而,一個備受好評的關鍵功能——允許使用者透過“@”符號標記來修改和生成來自公開 Instagram 賬戶的影象——由於缺乏適當的通知機制,立即引發了使用者以及 CAA 等機構的強烈反對。面對強烈的批評,Meta 迅速撤銷了該決定,並於週五透過部落格文章宣佈將
DeepMind執行長哈西里斯:我每天睡六個小時,通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪,揭示了他對休息和生產力的非傳統方法。Hassabis 透露,他睡眠時間非常少,將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣,Hassabis 表示:“我目標睡六小時,但我的習慣非同尋常。我可以在白天有效運作。”他強調,睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind(後被谷歌收購),並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期,OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標,導致本週二科技股承壓,但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認,儘管媒體報導負面,他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段,因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力,但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同,競爭對手 Anthropic 獲得了
I was totally blown away by PhysBrain 1.0! It’s like giving robots actual human-like common sense instead of just programmed tasks, which could revolutionize how we design assistive robots for daily life. I wonder if this tech will soon make self-driving cars more adaptable to unexpected road situations too?





首頁






