跳到正文

#多模态

今日 1 条
今天10月1日周四
9月30日周三
  1. World Labs:官网52

    李飞飞:空间智能是 AI 的下一个前沿

    李飞飞发表长文,提出空间智能是 AI 的下一个前沿,认为 LLM 擅长语言但在距离估计、物体旋转、物理预测等空间能力上远低于人类。她将世界模型概括为生成一致世界、接受多模态输入、根据动作预测下一状态三项核心能力,并介绍 World Labs 已向部分用户开放可通过多模态输入生成可探索 3D 环境的 Marble,应用将依次覆盖创作工具、机器人和科学研究。

  2. Andrej Karpathy:Blog(网页)37

    Andrej Karpathy:计算机视觉与 AI 的现状——我们离目标还非常非常远

    Andrej Karpathy 以一张奥巴马踩在体重秤上的照片为例,说明人类半秒内就动用了 3D 场景结构、镜子造成的视觉混淆、人物身份、物体可供性、物理规律、他人心理状态乃至"对他人心理的推测"等海量知识,而当前计算机视觉只靠 ImageNet 分类、Pascal VOC 检测、姿态估计、动作识别等彼此割裂且仅"半可用"的任务来评测。

  3. Andrej Karpathy:Blog(网页)63

    Karpathy 实测人类在 ImageNet 上的分类准确率并与 GoogLeNet 对比

    Andrej Karpathy 撰文回顾 2014 年 ILSVRC,他亲自标注 1500 张测试集图像,得到 5.1% 的错误率,比冠军 GoogLeNet 的 6.8% 低约 1.7%(p = 0.022,统计显著)。他分析了双方错误类型:GoogLeNet 更易在过小过细物体、滤镜、抽象表现上出错,人则在细粒度识别(如 120 多种狗)和类别不熟悉上错误更多,并开源了标注界面供读者自行体验。

9月24日周四
9月23日周三
9月22日周二
  1. OpenBMB40

    太棒了!用 Pi Zero 跑完整感知栈,实时喂给 MiniCPM-o4.5,这是个非常酷的用例。很喜欢看到与个人机器人的实时交互!

    引用Mr Goodman@mrgoodmantweets

    I gave eyes and ears to my robot. I hooked up a Raspberry Pi Zero W2 (webcam + ambient mic), streaming real-time audio/video back and forth to MiniCPM-o 4.5 @OpenBMB open source model running locally on my PC. Zero cloud APIs, full duplex interaction. Project on my git

9月10日周四
9月5日周六
  1. Fei-Fei Li57

    World Labs 创始团队 Fei-Fei Li、Justin Johnson、Ben Mildenhall 与 a16z 的 Martin Casado 深入讨论新发布的空间智能世界模型 Atlas。Atlas 以新视角预测为核心,统一像素级生成与重建,将数字化采集一个空间的 3D 表示所需照片从 100 到 300 张降至 3 张。对话还涉及机器人瓶颈在数据而非芯片、新视角预测是 AI-complete 等话题,视频见 https://www.youtube.com/watch?v=qn1QDDBnTA0。

    引用a16z@a16z

    World Labs co-founders Fei-Fei Li, Justin Johnson, Ben Mildenhall, and a16z's Martin Casado on Atlas, a world model for spatial intelligence: LLMs are built on next token prediction. Video models are built on next frame prediction. Atlas is built on new view prediction, and it's the first model to unify pixel generation and pixel reconstruction, two problems computer vision has kept in separate tracks for half a century. The practical result is a 50 to 100x reduction in what it takes to digitally capture a 3D representation of a space. Previously, you needed 100 to 300 photos of a single room. Atlas can work from just three. In this conversation, they get into the slow motion shot from The Matrix that took hundreds of cameras and now takes three iPhones, the overnight Slack message that made them bet the company in five seconds, why robotics is bottlenecked on data rather than chips, and the case that new view prediction is AI-complete. 00:00 Intro 01:50 The Matrix slow motion scene now takes three iPhones 02:48 Why new view prediction is the primitive 07:10 Unifying generation and reconstruction 11:15 Gaussian splats became the bottleneck 14:17 Dense capture used to mean 300 photos 17:30 Why reconstruction needs generation to fill the gaps 18:44 The LLM lesson image models missed 23:39 The video that made them go all in 28:04 3D design is 95% revisions 30:50 The problem in robotics is data, not chips 32:48 Why a robot policy can't be trained like an image model 34:44 When the simulator becomes the planner 36:45 Frozen time required footage full of movement 40:57 Why new view prediction is AI-complete 42:43 Nature gave animals eyes but not trees YouTube: https://www.youtube.com/watch?v=qn1QDDBnTA0 @drfeifei @jcjohnss @BenMildenhall @theworldlabs @martin_casado

9月3日周四
  1. elsewhere:文章(RSS)43

    对卷卷的3小时访谈:从抖音到AI 3D、成为制造业OS的野心、基础模型不会吞噬一切

    数美万物创始人兼CEO任利锋(卷卷)在近3小时访谈中回顾了从0到1孵化抖音的经历,并介绍了公司最新发布的Hi3D 3.0 2048³模型。他认为基础模型不会吞噬一切,实体制造仍需能产出"生产级"3D资产的模型,难点在于拆件、连接结构、材料适配与交付。数美万物的目标是从Maker OS走向制造业OS,把普通人的创造欲送进现实世界的生产管线。

8月20日周四
8月2日周日
  1. Andrej Karpathy55

    Andrej Karpathy 给 Opus 5 一段《魔戒》开篇、1M token 预算(约 $10)并要求用 three.js 渲染,模型耗时约 2 小时写出 5500 行代码程序化渲染故事,效果粗糙但可运行。他认为这类任务体现 LLM 从“没人会花时间做”到“几乎免费就能做”的变化,并指出 LLM 无法高效原生感知视频或玩游戏,只能靠反复截图自查,多模态与游戏交互能力仍然欠缺。

5月12日周二
  1. Andrej Karpathy65

    Andrej Karpathy 分享技巧:在查询末尾要求 LLM "structure your response as HTML",再用浏览器查看生成的文件,也可要求输出为幻灯片。他进一步提出,音频是人类偏好的输入而视觉是 AI 偏好的输出,输出形式将从文本、markdown 演进到 HTML,最终可能是扩散神经网络直接生成的交互式视频;输入端还缺少指向屏幕等交互方式。

    引用Thariq@trq212

    http://x.com/i/article/2052796100608974848

4月24日周五
5月14日周二
  1. Sam Altman:Blog(RSS)87

    Sam Altman 谈 GPT-4o 发布:免费提供最强模型并强调新语音模式体验

    Sam Altman 发文点评 OpenAI 当日发布的 GPT-4o,强调两点:一是把世界最强模型免费开放给 ChatGPT 用户,无广告,未来靠其他付费项目支撑,希望让数十亿人用上优秀 AI 服务;二是新语音(和视频)模式是他用过最好的计算机界面,达到接近人类水平的响应时间和表达力,感觉像电影里的 AI。他提到未来将加入可选的个性化、访问用户信息和代为执行操作等能力。

    推荐理由:作者作为当事方说明 GPT-4o 免费开放的初衷和新语音模式的使用感受,读者可了解 OpenAI 对这两点的官方表态。