Třetí den po operaci vykloubení čelisti jsem konečně snědla rýži a cítila jsem se skvěle, že jsem konečně mohla něco žvýkat! Důvod vykloubené čelisti není podrobně popsán, ale díky této zkušenosti jsem se poprvé cítil šťastný, že mám čelist, kterou mohu dobře žvýkat. Zdraví je opravdu předpokladem všeho. Opravdu děkuji svému manželovi za to, že tam vždy byl a hladce se připojil k fázi, kde si zcela rozdělíme práci a jídlo. Já jím zeleninové listy, on jí zeleninové stonky, já jím chlebová jádřince, on jí okraje chleba.

Proč roboti vypadají hloupě? V kombinaci s fantasy televizním seriálem, který jsem nedávno sledoval, "Monstra nejsou tak jednoduchá", a to samé platí pro "Steel to Human". Dvě nejdůležitější části robota, mysl a tělo. Jednoduše řečeno, jeho hloupost spočívá v tom, že pokud jde o to, že je náhražkou za to, že je člověkem, jeho mysl je na tom o něco hůř a jeho tělo je také o něco horší. Tento článek nejprve hovoří o první polovině, mysl 🧠 . Jak se stát chytrým vyžaduje obrovské množství datového tréninku. Jazykové modely robotů zahrnují jak VLM (vision-language model), tak LLM (large language model). Proč roboti potřebují VLM? Protože jazykové modely nemají oči, mohou pouze "rozumět", ale nemohou vidět svět. Pokud například řeknete: "Pomozte mi zvednout sklenici s vodou na levé straně stolu," robot musí "vidět", aby mohl jednat. Vizuální modely samy o sobě nestačí, dokážou rozpoznat objekty, ale nerozumí lidské řeči a záměrům. VLM = fúze mozku a oka Lidské pokyny (jazyk) + vnímání prostředí (vize) → sjednoceny do akčních plánů. Autonomní řízení, na které jsme nyní zvyklí, je ve skutečnosti VLM. Jde jen o to, že autonomní řízení se potřebuje naučit mnohem méně dat. Humanoidní roboti koneckonců napodobují lidi a rozmanitost a složitost jejich aplikačních scénářů jsou dalším rozměrem. Při školení VLM je stále obrovská mezera mezi množstvím dat požadovaných robotem a skutečným množstvím dat. Hlavními způsoby generování těchto dat jsou "snímání pohybu" a "dálkové ovládání VR". Tento způsob sběru dat je extrémně drahý + neefektivní a množství vložených dat nestačí. Zároveň tato data ze speciálních metod sběru často postrádají "zobecnění". Školení robotů se často provádí v čistém, kontrolovaném prostředí: na stůl se položí několik běžných předmětů (lahve, kelímky, bloky). Ale ve skutečnosti: kalíšek může být průsvitný, reflexní a napůl ucpaný papírovou utěrkou. Různá rozptýlení (nepořádek, hluk, chodící lidé) v domácím/továrním prostředí. Tréninková data tuto "long-tail situaci" postrádají, takže jakmile se prostředí změní, robot je "hloupý".

Před několika dny jsem viděl takovou zprávu, že "za 250 milionů juanů společnost UBTECH opět vyhrála největší jednorázovou zakázku na humanoidní roboty na světě". Shodou okolností je to známý cíl a odvětví, na které se díváte, takže byste si mohli vzít UBTECH jako příklad, abyste viděli, v jakých dimenzích by měla dobrá robotická společnost vyhrát? Trh byl v názoru UBTECHu vždy velmi rozdělený: někteří věří, že bude další Teslou, zatímco jiní si myslí, že je to jen přeceňovaný robotický "průkopník". Jak si tedy vede UBTECH (HK:9880)? Podívejme se na to blíže: podívejme se na vývoj robotů v průběhu let a podívejte se, jaké jsou produkty, zákazníci, dodavatelé a konkurenti.