机器人导航训练新思路:先诊断弱点,再造场景

资讯 腾讯网 作者:科技行者 全文 6478 字 · 约 17 分钟读完 配图 1 张 分类机器人Excel

你有没有遇到过这种情况:给一个新同事安排培训,结果培训内容和他实际要补的短板完全对不上号。他明明是沟通能力弱,公司却一个劲儿给他报Excel高级函数班。培训是做了,时间也花了,但那个真正卡住他的问题,一点没动。这事儿放在机器人身上,正在大规模发生。现在训练一个能在屋子里找东西的导航机器人,主流做法是造一...

所属频道 机器人与具身智能

给新同事安排培训,结果内容和他真正要补的短板对不上号——这种事不少见。他明明沟通能力弱,公司却一个劲儿给他报Excel高级函数班。培训做了,时间也花了,真正卡住他的问题却一点没动。

同样的情形,正在机器人身上大规模上演。

如今要训一个能在屋子里找东西的导航机器人,主流办法是造一大堆虚拟房间让它反复练。这些房间有的追求逼真,看起来就像真实的家;有的追求多样,户型五花八门;还有的针对具体任务定制,比如专门为“找杯子”设计场景。听起来挺合理:场景越多越真实,机器人应该学得越好。

但有个问题一直被忽略:机器人是不同的,它们卡住的地方也不一样。

来自UNC Chapel Hill的研究团队在一篇名为《

论文提出的核心洞察正在于此:训练环境不该只围着“任务”转,而应该围着“这个具体的机器人到底卡在哪儿”转。

为此,研究者设计了一个叫WEDGE的框架(Weakness-guided Environment Design, Generation, and Evaluation,意为“弱点引导的环境设计、生成与评估”),想把“诊断机器人的毛病”和“造训练场景”这两件事串起来,形成一个闭环。

当培训内容和真实短板对不上号的时候

设想你是培训部门负责人,手头有个员工总完不成任务,你的第一反应是什么?多半不是随手报个培训班,而是先弄清楚:他到底卡在哪一步?是不懂方法,还是没耐心,还是压根理解错了需求?

机器人训练领域长期以来恰恰跳过了这一步。

论文开篇就点出现有方法的三条路径:追求场景的真实感(比如照片级室内场景)、追求场景的多样性(各种户型风格)、或者针对具体任务去构造场景(比如“找一个杯子”这个任务对应的场景)。三条路径各有优点,却有一个共同的盲区:不管机器人当前学到了什么、卡在了哪里。

结果就是,同一套训练场景,对A机器人可能是雪中送炭,对B机器人可能完全多余,甚至可能太难了,根本学不会。

这种担心并不停留在纸面上。论文中给了一个很实在的例子:同样是“找物体”的任务,一个机器人栽在目标物体看不清的时候,另一个则栽在要连穿好几个房间、长时间看不到目标的盲走路段。就算把场景造得更逼真、种类更多,也未必正好压中这两种截然不同的短板。

围绕任务来生成场景(例如按“找到马克杯”这条指令去搭场景),确实比一味追求真实感和多样性要强,毕竟它把生成过程和具体任务挂上了钩。可更细一层的问题它还是没答上来:同一个任务,为什么不同机器人翻车的地点并不一样?

打个比方,两个学生复习同一场数学考试,老师只认“这是数学考试”这一个标签,统一发复习资料,却不管一个学生弱在函数、另一个弱在几何证明。少了这层区分,资料堆得再多,也可能砸偏地方,该补的短板一点没动。

WEDGE要解决的,就是“先诊断、再对症下药”这件事。

先问它怕什么:用对比失败和成功的案例揪出弱点

WEDGE的第一步,是找出机器人到底怕什么。

流程是这样走的:先让训练好的机器人(论文中称为“策略”,即负责控制机器人做决策的那套模型)在一批测试任务上跑一轮,成功和失败的案例全部记下来。接着从里面各取15个成功案例、15个失败案例,组成一组对照样本。

策略(Policy)

随后,研究者给每个案例配上一套统一的“描述词汇”,分四个维度:场景自身的结构(比如房间数、门数);目标物体所在房间的特点(是否在角落、能不能被看到);起点到目标最短路径的特点(需要穿过几个房间、走多远才第一次看见目标);以及机器人实际跑出的轨迹特点(有没有绕圈、有没有进错房间)。

有了这套统一词汇,研究者把这30个案例喂给一个

大语言模型(LLM)

LLM提出的不是空泛的猜测,而是一段可以直接运行的代码,用来计算某个具体的“弱点特征”。比如LLM可能会提出一个叫做

这套流程跟医生问诊有点像:先弄清你哪儿难受、什么时候开始的、做什么动作会更严重,再据此列出几种可能的病因,一个个去验证。反过来,医生要是上来就凭经验丢一句“你肯定是感冒”,既不检查也不验证就开药,漏诊的概率很大。WEDGE不允许这样跳步,任何被猜出来的弱点,都得经过严格检验才能被采纳。

检验标准一共四条,缺一条都不行。

头一条是覆盖率。这个特征得能在绝大多数案例里算得出来,不能是只对极少数情况才有意义的冷门指标。第二条叫非冗余性。新特征若与已确认的弱点高度重合,就直接淘汰——统计上用斯皮尔曼相关系数来衡量,相关性超过0.85就算重复,为的是别反复确认同一个毛病。第三条是预测力。把案例按这个特征值从低到高排好,取最低的三分之一和最高的三分之一比成功率,两组差距要是不到10个百分点,这个特征就不够“硬核”,说明它和失败的关联不够强。第四条是增量价值。新特征得在已有弱点之上再额外提供一些预测力,不能是个“听着挺唬人、其实没什么用”的摆设。

候选特征只要有一关没过,WEDGE不会将就,而是重新抽一组成功和失败的案例,再让LLM提一个新假设,就这么循环下去,直到找出真正站得住脚的弱点。

这么严格的验证,其实是在防一种很常见的坑:说得头头是道的解释,未必就是真正的原因。

拿感冒打比方,身边人七嘴八舌给你各种“诊断”——是不是最近没睡好、是不是吃了凉的、是不是被人传染的,听着都挺有道理。可真要判断哪个站得住脚,还得靠体温、血检这些硬指标,凭感觉不行。

走完这套流程,三个被测试的机器人各自暴露出了独特的弱点。基于强化学习训练、在ProcTHOR环境里练出来的

procTHOR

另一个被测试的

HM3D

通用型的

这几个数字摆到一块儿就很说明问题:同样三个机器人、同样的任务,弱点的分布却差得远。假如拿一套统一的、不区分策略的训练场景去“一刀切”,多半是有的吃得饱,有的吃不饱,还有的吃错了药。

弱点诊断出来,下一步就得对症造场景

只知道机器人怕什么还不够。接下来的问题是:怎样才能造出真正戳中这个弱点的训练场景?

这里有个容易被人忽略的坑:知道某个弱点存在,不等于随便造一个“看着相关”的场景就能用。

论文专门点了两种失败情况。第一种,造出来的场景太简单,机器人轻轻松松就过关,拿这种场景训练等于白练,该不会的还是不会。第二种,造出来的场景太难,机器人怎么练都练不会,这种“地狱级难度”同样没用,因为它提供不了任何能学的成功经验。

这个道理放到人身上也一样成立。假设你英语口语的弱点是“听不懂连读”,有人直接甩给你一段语速极快的专业法庭辩论录音练听力。素材确实涉及连读,可难度远超你现在的水平,听十遍可能还是一头雾水——这种“对症但过量”的训练同样是浪费时间。有效的训练,应该是比你现在稍难一点、跳一跳刚好够得着的材料。

为了绕开这两个坑,WEDGE设计了一套“先控制变量、再筛难度”的两阶段流程。

第一阶段针对诊断出的弱点,去调整场景里对应的环境因素。研究者备了三种“操作手柄”:重新摆放目标物体的位置、换一个新的起始点,或者直接生成一套全新的房屋布局。具体动哪个手柄,取决于这个弱点特征由什么因素决定。比如针对

候选场景生成一批之后,研究者先剔掉那些根本走不通的无效配置(比如物体被放在了场景不支持的位置),再用一个关键公式来筛:这个场景的弱点特征值,是不是落在诊断阶段确认的“薄弱区间”里?

所谓薄弱区间,就是在原始诊断数据里,机器人在这个特征值范围内的成功率明显低于它的整体平均成功率。说白了,只留下“确实会让这个机器人犯难”的那部分场景,而不是泛泛地造一堆“看着和弱点有关”的场景。

要是现有场景库里符合条件的候选太少,WEDGE不会凑合,而是直接生成更多新的房屋布局,直到凑够足够多落在薄弱区间里的候选场景。

第二阶段是难度校准,这一步才真正体现“对症下药”的精髓。研究者会让当前这个机器人(注意,是还没训练之前的那个版本)在每个候选场景里实跑五次,数数成功了几次。五次里成功四到五次,说明场景对它太简单,直接淘汰;五次里只成功零到一次,说明太难,机器人根本摸不着头脑,也淘汰。只有成功次数落在二到三次之间的场景,才会留下来用于后续训练。

这个“二到三次”的区间设计得挺讲究,正好对应“机器人有一定能力应付、但还没完全掌握”的那个甜蜜点。论文的

换个角度说,这套“先匹配弱点、再筛难度”的流程,本质上是在模拟一个优秀教练该干的事:不是给学员堆一大堆和弱点沾边的练习题,而是先摸清学员当下的真实水平,再挑出那些“跳一跳够得着”的题目,让每次练习都踩在进步的边缘上,而不是原地打转或者直接被劝退。

训练完之后,这套方法真的管用吗

理论说得再顺,也得拿数据来验证。

研究团队挑了三个架构不同、训练机制也不同的机器人,把WEDGE方法和两组对照摆在一起比:一组随机选场景训练,另一组只挑"失败率高的难场景"练,不看具体弱点特征,只看成功还是失败。

DD-PPO机器人这边,预训练模型成功率82.1%,随机场景继续训练基本没动(82.3%),纯难场景训练也差不多(82.4%)。换成WEDGE诊断出的弱点场景训练后,成功率升到85.4%,第二轮迭代再涨到85.6%。

Uni-NaVid机器人的情况更耐人寻味。它原本的训练数据(HM3D)已经拿不到了,只能用ProcTHOR场景接着练,这本身就带来跨领域适配的难题。结果随机继续训练把成功率从51.6%压到46.6%,越练越差;纯难场景训练勉强回到53.1%。WEDGE方法则把成功率推到54.5%,第二轮迭代后到55.7%,比随机训练高出整整9个百分点。

至于Gemini这个通用模型,参数没法直接改,研究者换了个办法:在提示词里塞进有针对性的成功案例。

更让人在意的是另一个问题:这些改进是不是只在训练用的那个模拟器里成立,换个环境就失灵?

研究者为此专门做了一项测试。

结果显示,Uni-NaVid机器人用纯难场景训练虽然在ProcTHOR上有提升,迁移到HM3D后成功率却没变(69.0%对预训练的69.2%),随机训练甚至让HM3D成绩掉到67.1%。而WEDGE训练出的机器人在HM3D上拿到73.4%的成功率,比预训练模型高4.2个百分点,路径效率指标也稳住了。Gemini也表现出类似的情况。

这个跨域迁移的结果其实很关键。它说明WEDGE抓到的不是某个模拟器里的取巧套路,而是机器人在"目标看不清""路径太长看不到目标"这类真实导航难题上,确实学到了更通用的应对能力。

诊断不是做一次就完事,弱点会跟着进步变。

训练完一轮并不代表结束。研究者还做了件事:每轮适配训练结束后,重新给机器人诊断一次,看弱点有没有变化。

结果DD-PPO和Uni-NaVid这两个机器人,练完一轮后排名第一的弱点还是原来那个(分别是target_visibility和blind_path_ratio),只是落差在慢慢收窄。DD-PPO的target_visibility落差从28.5个百分点降到24.4,再降到23.3;Uni-NaVid的blind_path_ratio落差从37.3降到34.1,再降到32.2。

但Gemini不一样。第一轮之后它的主要弱点仍是blind_path_ratio(从37.6降到31.1),第二轮再诊断时,冒出了一个全新的弱点。

这现象其实挺符合直觉。机器人练习时,最薄弱的环节被重点补强之后,往往会把之前被"主要矛盾"盖住的次要矛盾暴露出来。就像一个学生数学考试几何证明完全不会,老师集中辅导几周后几何能拿分了,这才发现代数运算其实也有漏洞,之前只是被几何的大窟窿遮住了。

这也是WEDGE做成"可迭代"框架的用意:不是诊断一次、开一次药就收工,而是持续诊断、持续调整。

弱点改善的地方,提升也更集中。

研究者还做了更细的分析,专门看"提升到底发生在哪里"。

对DD-PPO机器人,按目标物体类别看成功率变化,提升最大的几个类别恰恰是小而不显眼的物体:碗(Bowl)提升13.0个百分点,笔记本电脑(Laptop)提升9.4个百分点,闹钟(AlarmClock)提升8.1个百分点。而一些体积更大、本来就容易看到的物体,比如电视(Television),提升几乎为零,甚至还略降了1.7个百分点。

这个结果很直观地验证了弱点诊断的精准性:机器人原本的短板是"目标不好看见",训练之后,恰恰是最难看见的小物体类别,成功率涨得最多。

对Uni-NaVid和Gemini,研究者按blind_path_ratio(盲路比例)把场景分成"长盲路"和"短盲路"两组对比。Uni-NaVid在长盲路场景里提升5.5个百分点,短盲路只提升4.1个百分点;Gemini的差距更明显,长盲路提升7.0个百分点,短盲路几乎没动(只有0.6个百分点)。

"哪里弱,哪里补得最多"这条规律,再次印证了一个朴素却容易被忽视的道理:有的放矢的训练,比撒网式训练精准得多。

好比健身房里有人腿部力量差,专门练了几周深蹲,结果体测时跑步速度和跳跃高度都明显上去了,上肢力量变化不大。这不是巧合,是训练内容和薄弱环节精准对应后的自然结果。

省时省力:诊断过程本身开销不大。

可能有人担心,这套"先诊断再生成"的流程是不是特别费时费资源?论文里专门算了一笔账。

弱点发现这一步其实花不了多少算力。它是在已经收上来的诊断数据上做分析,主要跑在CPU上,每个机器人大概调用十次左右的LLM。真正吃资源的是后面的候选场景验证和实际训练适配。

有点意思的是,WEDGE这套"先筛选再验证"的做法,反倒把后续搜索的成本压了下来。论文给了一组对比:要凑够同样数量的"困难目标摆放"场景,不加筛选、纯靠难例挖掘得评估大约8400个候选场景,对应42000次机器人试跑;加上弱点引导的筛选之后,只需评估4200个候选、21000次试跑,计算量直接省了一半。

整体来看,跑完一整轮适配训练,DD-PPO大概需要一个

Q&A

Q1:WEDGE是什么?

A:WEDGE的全称是Weakness-guided Environment Design, Generation, and Evaluation,由UNC Chapel Hill研究团队提出。它的核心思路是先查清导航机器人具体因为什么失败,再针对这些原因生成训练场景;以往的做法则更看重场景的真实感、多样性或者任务匹配度。

Q2:WEDGE训练出的机器人换个环境还管用吗?

A:管用。研究者先在ProcTHOR环境里做完诊断和训练,然后把机器人直接放到完全不同的HM3D真实房屋数据集上测试,Uni-NaVid的成功率仍比预训练模型高出4.2个百分点,Gemini也有明显幅度的提升。这说明这些改进并非只对某个模拟器有效的取巧套路。

Q3:不同的导航机器人弱点真的不一样吗?

A:确实不一样。论文测试的三个机器人,暴露出的主要弱点各不相同。DD-PPO最怕目标物体看不清楚,成功率落差达28.5个百分点;Uni-NaVid和Gemini则都最怕要走一段看不见目标的盲路,落差分别是37.3和37.6个百分点。同一个任务下,不同机器人的短板可能完全不同。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 雷军:AI+手机与具身智能机器人空间大,三四年内或迎颠覆时刻

    IT之家 11 月 18 日消息,小米创办人、董事长兼 CEO 雷军 11 月 17 日出席 APEC 工商领导人峰会。今日(11 月 18 日),雷军接受了人民日报采访。谈及人工智能,雷军坦言,人工智能浪潮席卷各行各业,作为 AI 从业者能感受到一些焦虑。雷军认为,“AI+ 手机”“AI+ 具身智能机器人”等领域有很

    来源 腾讯网
  2. 雷军看好具身智能机器人:未来市场想象空间或超汽车产业

    IT之家 11 月 17 日消息,2026 年 APEC 工商领导人峰会 11 月 17 日至 18 日在深圳举办,主题为“共促繁荣,共赢未来”。小米创办人、董事长兼 CEO 雷军认为,过去 4 年时间,AI 大模型的技术突飞猛进,给我们的生活工作带来了巨大变化。雷军表示,当 AI 走向物理世界、与终端和各类应用场景深

    来源 腾讯网
  3. 小鹏IRON人形机器人明年二季度对外开售,何小鹏预告科技日亮相

    IT之家 11 月 16 日消息,据蓝鲸新闻报道,今日晚间在小鹏集团 2026 年 Q3 财报电话会上,其董事长、CEO 何小鹏预告,在接下来的小鹏科技日和广州车展,最新版本的小鹏 IRON 将会公开亮相,将展示一系列与众不同的能力。何小鹏透露,明年一季度,量产的首批机器人将进入小鹏的部分门店开启试用;明年二季度,小鹏

    来源 腾讯网
  4. Copilot成办公新入口:微软把Word、Excel装进对话界面

    微软宣布 Copilot 正式从“侧边栏助手”升级为“工作操作系统”,Word、Excel、PowerPoint 不再作为独立应用被打开,而是作为能力内嵌在 Copilot 的对话界面中。下一步是全天候在线的智能体(always-on agents)。这标志着办公软件从“打开应用找功能”转向“表达意图、由 A

    来源 AI 科技快讯
  5. 腾讯云把机器人大脑搬上云:Agent与具身智能如何同台

    文:林非编辑:文蔚在 AI 的落地坐标里,数字 AI 与物理 AI 原本属于两个不同的象限——但如今,它们正在深入交汇。2026 年 10 月 29 日,在 2026 腾讯全球数字生态大会的主论坛上,出现了这样一幕:一个处于家庭场景中的启元机器人,在调用 WorkBuddy 生成了故事、插图和机器人动作之后,就开始用更

    来源 腾讯网
  6. 深度|红杉美国对话华人机器人数据公司Mecka AI:没有互联网红利,如何教机器人理解物理世界?

    图片来源:Sequoia CapitalZ Highlights机器人领域的根本问题是,我们没有大语言模型从互联网得到的那种冷启动红利。从根本上说,大量机器人数据是三类东西:像素、动作和逻辑。第一人称数据,基本就是人类以第一人称视角演示、执行任务的视频数据。机器人以第一人称视角体验世界,那我们能不能也向它展示,从第一人

    来源 腾讯网
  7. 机器人学打网球总在同一动作摔倒:港科大(广州)MimicX给出解法

    你有没有想过,教一个机器人打网球,到底难在哪?直觉上你可能觉得,既然已经有了职业网球选手挥拍的视频,把动作"抄"下来给机器人不就行了。实际情况要复杂得多。人类网球选手的身体和人形机器人的身体,骨骼比例不同、关节自由度不同、重心分布也不同,这意味着哪怕动作被完美记录下来,机器人照着做也可能在某个瞬间直接摔...

    来源 腾讯网
  8. 王兴兴谈机器人进家:泛化能力是最棘手难题,规模化还有多道坎

    IT之家 11 月 17 日消息,据看看新闻 Knews 报道,宇树科技 CEO 王兴兴今日现身深圳,参加 APEC 工商领导人峰会时,谈到机器人行业目前面临的挑战。 王兴兴表示,大家希望可以借助 AI,让机器人走进千家万户真正干活,而不是再根据具体场景重新训练,这种“泛化能力”是目前最棘手的。 IT之家从原报道获悉,

    来源 AI 行业观察
  9. AMD收购World Labs:李飞飞任执行副总裁兼首席科学家

    AMD于11月16日宣布,已完成对AI模型公司 World Labs 的收购,以进一步扩展其在AI技术栈领域的布局。World Labs联合创始人李飞飞将加入AMD,担任执行副总裁兼首席科学家,直接向董事长兼CEO苏姿丰汇报。 World Labs专注于开发能够生成、重建和模拟交互式3D环境的AI模

    来源 AI 开发者社区
  10. 谷歌地图Ask Maps升级:AI可代打电话订位,还能规划自驾路线

    谷歌于2026年11月16日宣布对其基于Gemini技术的 Google Maps 聊天机器人 Ask Maps 进行重大功能更新。该工具现在不仅能够查找美容、宠物护理、汽车和房屋维修等各类预约服务,还能直接致电当地商家完成预订,并在显示可用时段前自动收集必要信息。同时,用户还可借助该功能查找已保存

    来源 AI 开发者社区
  11. 埃里克·特朗普背书机器人公司欠薪停摆,CEO曾挪用资金买豪宅

    一家曾以“机器人士兵”概念吸引资本、并获得埃里克·特朗普背书的机器人初创公司,近日被曝未能按时发放员工工资,濒临倒闭。而就在一年前,其CEO被指挪用公司资金购置豪宅。这起事件不仅暴露了明星初创企业的治理失序,也为火热的国防科技投资敲响警钟。

    来源 AI 科技快讯
  12. 谷歌地图Ask Maps迎重大更新:支持AI代打电话预约及智能行程规划

    谷歌于2026年11月16日宣布,基于Gemini的Google Maps聊天机器人Ask Maps重大更新。该工具可查找美容、宠物护理、汽车、房屋维修等预约服务,直接致电当地商家完成预订,并自动收集必要信息;还能查已保存餐厅的即时空位。行程规划可依兴趣生成,支持修改、分享或导出至谷歌。

    来源 AI 产业速递
  13. 李飞飞入职AMD任首席科学家,World Labs被收编做3D世界模型

    AMD 11月16日宣布完成收购AI模型公司World Labs,以扩展AI技术栈布局。联合创始人李飞飞加入AMD,任执行副总裁兼首席科学家,直接向董事长兼CEO苏姿丰汇报。World Labs专注生成、重建和模拟交互式3D环境的AI模型,并布局机器人学习与仿真;收购后团队将继续基础模型研究,与AMD工程师协作研发。

    来源 AI 产业速递
  14. 深圳前海这场科技展:87家企业154件展品,机器人从客厅走向车间

    21世纪经济报道记者 石恩泽 深圳报道 世界再次把目光投向中国南海之滨,这一次,深圳用一座会客厅和一群机器人作答。 1979年,蛇口的一声开山炮拉开了中国改革开放的序幕。四十多年后,同一片海湾,亚太经合组织第三十三次领导人非正式会议将于11月18日至19日在深圳举行,世界的目光将在这里再次打量中国。 会议期间,前海..

    来源 腾讯网
  15. 王兴兴谈2026年:机器人AI突破在即,量产与算力挑战待解

    南方财经 21世纪经济报道记者 郑青亭 深圳报道11月17日,2026年APEC工商领导人峰会在深圳举行。宇树科技创始人王兴兴在会上表示,最近几年国内乃至全球机器人行业都非常热,原因是纯语言或文字的AI模型在个人生活和工作中的价值越来越大,大家希望借助AI让机器人真正干活。但他也坦言,目前挑战也不小。他认为,当下最棘手

    来源 腾讯网
  16. 蚂蚁灵波挑战赛落幕:TARS战队真机评测82.5分夺冠

    11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛结果出炉。 来自福田实验室、西北工业大学、普渡机器人、天津大学的五位选手组成的“TARS”战队获得一等奖;华中科技大学、清华大学深圳研究院、湖北元一智能的三位选手组成的“EVA”战队,以及天津大学、北京大学、中国科学院自动化研究所三位选手组成的“SST

    来源 AI 开发者社区
  17. TARS战队:00后带队夺蚂蚁灵波具身大模型赛最高分

    11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛结果出炉。 来自福田实验室、西北工业大学、普渡机器人、天津大学的五位选手组成的“TARS”战队获得一等奖;华中科技大学、清华大学深圳研究院、湖北元一智能的三位选手组成的“EVA”战队,以及天津大学、北京大学、中国科学院自动化研究所三位选手组成的“SST”战队获得二等奖;“

    来源 AI 行业观察
  18. 微软Copilot变主界面:Office全面内嵌,入口逻辑反转

    微软宣布 Copilot 正式从“侧边栏助手”升级为“工作操作系统”,Word、Excel、PowerPoint 不再作为独立应用被打开,而是作为能力内嵌在 Copilot 的对话界面中。下一步是全天候在线的智能体(always-on agents)。这标志着办公软件从“打开应用找功能”转向“表达意图、由 AI 调度能

    来源 AI 行业观察
  19. 王兴兴:机器人模型泛化最棘手,量产到数千万台考验制造服务

    宇树科技董事长王兴兴在2026年APEC工商领导人峰会上表示,模型泛化能力是当前机器人行业最棘手的问题之一,行业希望同一套模型能让机器人进入不同家庭后立即工作。他认为机器人模型泛化能力正接近新临界点,但制造、算力与服务体系的扩张同样决定机器人能否走进千家万户。

    来源 凤凰科技
  20. AI金融分析师来了,香港上市公司和家办都投了

    在香港,AI正在成为投资者通讯录里的新好友。 不需要下载新的App,只需扫描二维码,添加一个名叫ARTi的联系人,就能像聊天一样询问股市行情、个股走势,甚至让它生成一份投资研究报告。不同于普通聊天机器人,ARTi还会记录自己对股票的每一次判断,并在未来的某个时间点,根据真实市场行情检验。 这款产品背后,是一家从香港家族

    来源 AI 行业观察
  21. Galaxy Corporation:明年1月推实体人形机器人女团

    快科技11月18日消息,近日,知名韩星权志龙所属经纪公司,也就是韩国娱乐科技企业Galaxy Corporation,对外公布计划称,将于明年1月面向全球推出实体人形机器人女团,探索K-pop全新演艺模式。

    来源 凤凰科技
  22. Operit AI上手:40+工具与MCP插件怎么用

    Operit是Android平台的一款AI助手,核心亮点在于将大模型对话与本地系统能力打通。本文梳理了其内置的搜索、文件处理、代码执行等实用工具,并详解如何通过MCP协议扩展插件。不同于纯聊天机器人,它更像是一个能直接操作手机文件的智能终端,适合需要在移动端进行轻量级开发或自动化任务的用户。

    来源 AI 应用前沿
向下滚动自动加载更多