机器人和动物的共同点比你乍一看要多。尤其是在运动的适应性和效率方面。加州理工学院 (Caltech) 的一个研究小组开发了一种机器人，即使受到严重损伤，也能继续有效地游泳，就像受伤的鱼一样。这是通过使用人工智能 (AI) 和仿生适应技术实现的。
仿生适应：观察自然
大自然已经开发出许多机制来补偿损害。鱼类和昆虫的特点是即使鳍或翅膀受损也能有效导航。有些鱼甚至在 76% 的鳍受损的情况下仍能继续游泳。这种令人印象深刻的适应性为加州理工学院的团队带来了灵感。
在 Mory Gharib 教授博士的带领下，航空航天工程研究生 Meredith Hooper 和研究员 Isabel Scherl 开发了一种由扑翼驱动的机器人。他们在一个特殊的油箱中测试了机器人，这比水能够实现更精确的测量。在截掉部分鳍后，他们使用机器学习来帮助机器人适应其动作并继续有效地游泳。
“机器人尝试了十种不同的游泳技巧”
如果不进行调整，机器人在受损后将无法再游泳。然而，得益于仿生适应技术，他被编程为尝试不同的击球机制。使用机器学习算法，机器人分析每种方法的效率并优化其动作。这使得他即使失去 50% 的“鳍”也能继续有效地游泳。
“机器人尝试了十种不同的游泳技巧，”胡珀解释道。 “我们测量油箱中产生的力，比较力的产生和效率，然后算法选择最佳技术。重复这个过程，直到找到最有效的游泳动作。”
自治系统的实际应用
研究结果可能对实践产生重大影响。自主水下航行器（AUV）和微型飞行器（MAV）可以从这些自适应能力中受益匪浅。胡珀强调，AUV 通常用于难以到达的区域，因此非常昂贵。没有适应能力的损坏可能会使它们变得毫无用处。适应能力可以显着提高其可用性和寿命。
用于地震等紧急情况的微型飞行器也可能变得更加强大和高效。在更可能发生损坏的困难环境中，这项技术可能至关重要。
资讯来源：德国工程师网
1 个月前
Ali Kashani 是 Serve Robotics 的联合创始人兼首席执行官，自 2021 年 1 月公司成立以来一直担任这一职务。在创立 Serve Robotics 之前，Kashani 曾担任 Postmates 的副总裁，并联合创立了智能家居技术公司 Neurio Technology（后被 Generac Power Systems 收购）。他拥有计算机工程学士学位和机器人学博士学位，并拥有 15 项已授权或正在申请的专利。 业务增长与财务表现 在 Kashani 的领导下，Serve Robotics 实现了显著增长，2024 年收入达到 180 万美元，同比增长 700%。然而，公司仍处于扩张阶段，2024 年 GAAP 净亏损为 3920 万美元。该公司专注于开发低排放自动驾驶送货机器人，主要服务于美国公共空间的食品配送。 战略合作与市场扩展 Kashani 强调了与行业巨头的关键合作： Magna International：独家合同制造协议，支持机器人规模化生产。 Uber Technologies：配送服务合作，Uber 还持有价值约 7150 万美元的 Serve Robotics 股份。 NVIDIA：技术合作，增强机器人人工智能能力。 公司计划 2025 年将机器人车队扩展至 2000 台，并进军达拉斯和亚特兰大等新市场。 技术与创新 Serve Robotics 已推出第三代送货机器人，重点提升： 配送效率与安全性 降低制造成本 人工智能驱动的自主性增强 挑战与未来展望 Kashani 讨论了公司在扩展至迈阿密等新市场时面临的挑战，包括： 本地法规适应 餐厅合作伙伴的工作流程整合 最后一英里配送的优化 他认为，机器人技术在各个领域具有无限潜力，而 Serve Robotics 正处于这一变革的前沿。 （图片来源：Serve Robotics 官网）
1 个月前
Reflex Robotics 是一家专注于开发低成本、高可靠性通用人形机器人的美国初创公司，总部位于纽约布鲁克林。该公司致力于通过自动化技术解决重复性劳动问题，其机器人主要应用于仓储物流、物料搬运等领域。 以下将从其公司基本信息、技术产品特点、商业模式、发展规划等维度展开介绍： 基本信息 成立时间与地点：由美国MIT毕业生于2014年创立，他们曾在 Telsa、Boston Dynamics 和 Amazon 拥有硬件经验，在纽约和旧金山设有办事处。 团队规模：较小，仅约5人。 融资情况：已完成由Khosla Ventures领投的700万美元种子轮融资。 技术与产品特点 硬件设计：采用轮式底盘与动态躯干的组合结构，底座配备四轮驱动系统，最高时速30公里，转向半径接近零；躯干通过液压升降机构可上下调节50厘米，配合三自由度机械臂，作业空间从地面到2米。 感知系统：头部搭载多模态传感器阵列，包括双目立体视觉摄像头、激光雷达和触觉传感器，动态避障算法可在50毫秒内重新规划路线，货物分拣效率达到人工的1.8倍，错误率降低至0.03%以下。 控制模式：采用“人在回路中”的混合控制模式，操作员通过VR设备远程监控多台机器人，还可通过“众包学习”机制记录操作者示范动作数据并上传至云端知识库，供其他机器人学习，三个月内自主作业率从38%提升至67%。 应用领域 仓储物流：能在仓库中进行货物挑拣、运输、码垛等工作，在GXO物流中心，每天可完成2000箱货物的码垛作业，每层堆叠误差小于2毫米。 工业生产：可执行精密装配任务，如将直径0.5毫米的轴承准确嵌入电机转子，重复定位精度达到±5微米，也可在木工车间完成木板切割、砂光、喷涂等全流程作业。 商业模式 机器人即服务（RaaS）：企业无需购买设备，只需支付每月1500美元的服务费，即可获得包括维护、升级、保险在内的全套解决方案。 供应链布局：依托麻省理工学院的制造创新中心，将原型到量产周期压缩至90天，自主设计的柔性生产线日产能达50台，并在15个国家设立快速响应中心。 发展规划 提升自主性：计划在未来逐步实现更高的自主性，2026年人机监管比例从1:1优化至1:4。 技术升级：硬件层面引入液态金属关节提升机械臂柔顺性；软件层面训练多模态大模型，实现自然语言指令到动作的端到端转换。 （图片来源：therobotreport.com）
1 个月前
具身智能（Embodied AI）的发展，究竟是科技革命的前奏，还是资本驱动的泡沫，取决于多个因素，包括技术进步的速度、市场应用的成熟度、以及资本市场的耐心和理性。我们可以从以下几个方面来分析这一问题： 1. 技术进步的现实性：具身智能是否具备突破性的能力？ 具身智能的核心在于将人工智能与物理世界交互能力结合起来，使AI不仅能“思考”，还能“行动”。近年来，随着计算机视觉、强化学习、机器人技术、传感器等领域的突破，具身智能的基础技术正在逐步成熟。例如： 波士顿动力的机器人已经展现出稳定的运动能力； OpenAI 和 DeepMind 的AI代理在虚拟环境中学习复杂的操作技能； 具身智能在制造、物流、医疗、服务等领域的应用场景不断拓展。 但与此同时，现实中的具身智能仍然面临许多挑战，例如： 数据与学习效率问题：现有的强化学习和自监督学习方法仍然需要大量数据和计算资源，而具身智能的学习环境比纯软件环境更复杂。 硬件限制：机器人硬件的成本高昂，电池续航、灵活性、感知能力仍是瓶颈。 泛化能力不足：当前的具身智能系统难以从一个任务或环境泛化到另一个任务或环境，仍需大量的微调和训练。 2. 市场应用的成熟度：是否真的解决了实际问题？ 从市场角度来看，具身智能的潜在应用场景广泛，包括： 自动化制造（如智能机器人协作装配线）； 智能物流（如亚马逊仓库机器人、无人配送）； 医疗护理（如康复机器人、护理助手）； 服务行业（如智能客服、餐饮服务机器人）。 然而，目前真正实现大规模商业化的案例仍然有限，许多应用仍停留在试验阶段。这说明具身智能尚未完全进入成熟期，而是处于早期探索阶段。 3. 资本市场的推动：是否存在泡沫？ 近年来，随着AI行业的爆发，资本对具身智能的关注度大幅提升。例如： 特斯拉Optimus（擎天柱）人形机器人，马斯克宣称其将在工厂和家庭场景落地； Agility Robotics、Figure AI、Sanctuary AI 等创业公司获得巨额投资，致力于人形机器人研发； 苹果、谷歌、亚马逊等科技巨头也在加强在具身智能上的布局。 但资本市场的热情有时会过度夸大技术的短期进展。例如，许多机器人公司在资本涌入后，最终因商业模式不清晰而失败。市场泡沫的风险在于，如果技术落地速度跟不上预期，资本会快速撤离，导致行业短期震荡。 结论：是科技革命的前奏，还是泡沫？ 关于具身智能浪潮是否为科技革命的前奏或是资本驱动的泡沫，业内存在多种观点，目前尚无定论。 科技革命的前奏 技术进步加速：近年来，机器人技术、计算机视觉、传感器以及人工智能算法的飞速发展，为实现真正具身智能奠定了坚实的基础。 跨学科融合：认知科学、神经科学与机器学习的交叉研究不断推进，使得具身智能不仅在理论上，更在实践上显示出革命性的潜力。 应用场景拓展：从自动驾驶、服务机器人到工业自动化，具身智能的实际应用前景广阔，可能引发生产方式和生活方式的深刻变革。 资本驱动的泡沫风险 市场炒作：部分资本可能会过度高估技术的短期成熟度和市场前景，导致投资热潮和估值泡沫。 技术壁垒与实现难度：尽管技术进步迅速，但真正具备自主决策、实时感知和复杂环境适应能力的具身智能系统仍面临众多挑战，短期内或难以完全兑现预期。 政策与伦理问题：在技术推广过程中，监管、伦理以及安全等方面的挑战也可能限制技术的广泛落地和产业化速度。 长期来看，具身智能是科技革命的前奏： 技术的进步是不可逆的，随着深度学习、强化学习、机器人技术、计算能力的提升，具身智能的能力会逐步增强，并最终改变产业格局。 短期来看，具身智能市场可能存在资本泡沫： 一些过度炒作的概念和未成熟的商业模式可能导致泡沫破裂，但这不会影响技术的长期发展趋势。 换句话说，具身智能的“科技革命”是确定的，但短期内的泡沫和市场震荡也难以避免。真正的突破可能需要 5-10 年甚至更长的时间，但当技术、市场和资本形成合力时，它将真正迎来大规模应用。
1 个月前
数据标签业务（Data Annotation / Data Labeling）是人工智能（AI）产业链中的重要环节，主要为机器学习模型提供高质量的训练数据。随着人工智能技术的广泛应用，中国的数据标注行业迎来了巨大的商业机遇，同时也面临一系列挑战。本文将从市场需求、政策环境、技术发展、产业竞争等多个维度进行分析。 一、数据标签业务的商业机遇 1. AI产业高速发展带动数据需求增长 中国人工智能产业正在快速发展，自动驾驶、智能客服、智能安防、医疗AI等领域对高质量数据标注的需求不断增长。例如： 自动驾驶：需要海量的图像、视频数据进行道路标注，如车道线、行人、交通标志等。 智能医疗：需要专业医学影像数据标注，如CT、MRI图像的病变区域标注。 电商与内容推荐：需要大量的文本、语音、图像数据进行分类、情感分析等标注。 数据质量直接决定了AI模型的性能，因此高质量的数据标注服务成为AI企业的刚需。 2. 中国具备全球领先的“数据优势” 中国的互联网和移动应用市场庞大，数据量丰富，包括社交、购物、金融、交通、医疗等多个领域的数据资源。相比欧美国家对数据隐私的严格监管，中国本土市场的数据可获取性更强，为数据标注业务提供了丰富的原材料。 3. 人力成本相对较低，适合规模化发展 尽管中国的劳动力成本逐年上升，但相比欧美仍然较低，特别是在三、四线城市和农村地区。大量低技术工人可以通过简单培训参与数据标注工作，形成规模化的数据加工产业链。 4. 政策支持及人工智能发展战略 中国政府高度重视人工智能发展，出台多项支持政策，如《新一代人工智能发展规划》，鼓励企业布局AI数据相关业务。此外，地方政府也在推动“AI+产业”落地，为数据标注公司提供政策支持、产业园区资源等。 5. 行业逐步向标准化、自动化升级 随着AI技术的发展，数据标注行业正在向更高效的方向演进： 半自动化标注：利用预训练AI模型辅助人工标注，提高效率。 智能质量控制：采用机器学习算法对标注数据进行自动审核，减少人工错误。 行业标准化：政府与企业推动建立统一的标注标准，提高数据质量。 这些趋势有助于降低成本、提高效率，使数据标注企业更具竞争力。 二、数据标签业务的商业挑战 1. 低端市场竞争激烈，价格战严重 数据标注行业进入门槛较低，导致大量小公司涌入市场，尤其是低端手工标注业务竞争激烈，利润率较低。许多企业通过压低价格争夺订单，导致行业整体盈利能力下降。行业集中度低，超500家中小标注企业竞争，图像标注单价从0.5元/张降至0.2元/张（2020-2023年），毛利率普遍低于15%。 2. 数据隐私与安全监管趋严 随着《数据安全法》《个人信息保护法》等法规的实施，数据使用的合规性要求提高，许多企业在数据收集和处理过程中需要满足严格的合规要求。这对数据标注企业提出更高的合规成本，如： 数据脱敏处理：需要去除敏感信息，增加处理成本。 数据存储合规性：要求数据存储在国内，并满足安全要求。 3. 业务同质化，缺乏技术壁垒 目前市场上的数据标注公司大多依赖人力，缺乏自主技术创新，难以形成核心竞争力。随着AI自动化标注技术的进步，传统的纯人工标注模式可能被取代，低端数据标注公司面临淘汰风险。 4. AI自动化标注技术的冲击 AI本身的发展正在威胁传统人工数据标注市场。例如： 计算机视觉：自动图像识别和标注技术正在进步，减少人工标注需求。 自然语言处理（NLP）：自动文本分析工具可以降低文本标注的人工需求。 虽然完全替代人工标注还需时间，但对于低难度标注任务，AI已经可以大幅减少人工参与。 5. 客户集中度高，议价能力低 目前中国数据标注市场的大客户主要是科技巨头（如BAT、华为、字节跳动等），这些企业的议价能力极强，小型标注公司难以获取高利润订单。此外，大型科技公司正在自建数据标注团队，减少对外部供应商的依赖，使数据标注企业的市场空间进一步压缩。 三、未来发展方向与建议 1. 向高价值标注业务转型 企业应避免陷入低端市场的价格战，转向更专业化、高价值的标注领域，如： 医疗AI标注（高精度医学影像、基因数据） 自动驾驶高精度3D点云标注 金融数据标注（信用风险评估、反欺诈分析） 这些领域要求专业知识，竞争相对较小，利润率更高。 2. 发展智能标注平台，提高自动化水平 企业应开发自有标注平台，结合AI自动化工具，提升标注效率。例如： 采用预标注+人工审核模式，提高效率。 发展众包平台，让自由职业者参与标注任务，降低成本。 引入区块链溯源技术，提高数据可信度。 3. 加强数据安全与合规管理 数据合规是未来发展的关键，建议： 采用数据脱敏技术，确保用户隐私安全。 获得ISO 27001信息安全认证，增强市场信任度。 避免使用敏感数据，规避法律风险。 4. 拓展海外市场 相比中国市场竞争激烈，欧美市场的数据标注需求仍然较大，且愿意支付更高的价格。可以通过合作或跨境平台提供数据标注服务，拓展海外业务。 5. 与AI企业深度合作，提供定制化服务 与AI企业建立深度合作，提供更符合客户需求的标注服务，如： 嵌入式标注服务（在AI开发平台上直接提供标注服务） 数据增强+标注（同时提供数据扩增和标注服务） SaaS模式标注平台（提供在线标注工具，企业自行标注） 四、结论 中国的数据标签行业正处于快速发展阶段，市场潜力巨大，但也面临激烈竞争和技术变革带来的挑战。未来，企业应摆脱低端市场竞争，向高价值、智能化、合规化方向发展，才能在行业中占据更有利的位置。同时，通过国际化布局和技术创新，也能进一步拓展市场空间，实现长期增长。 (图片来源：levity.ai)
1 个月前
埃隆·马斯克领导的美国政府效率部（DOGE）正在开发一款名为 AutoRIF（Automated Reduction in Force）的自动裁员软件，旨在帮助美国政府大规模“精简”工作人员。 AutoRIF 最初由美国国防部在二十多年前开发，已多次更新，并被多个机构用于加速裁员进程。目前，DOGE 的工程师，包括前特斯拉工程师 Riccardo Biasini，正在对 AutoRIF 的代码进行编辑。传统上，裁员由人力资源官员手动处理，首先针对试用期员工。然而，随着新软件和人工智能的使用，政府员工担心未来可能会更大规模、更快速地进行裁员。 最近，美国人事管理办公室（OPM）向政府工作人员发送电子邮件，要求他们列出每周的工作成果，这些信息据称将被输入大型语言模型（LLM）以评估员工的必要性。一些机构，如联邦调查局（FBI），建议员工不要回复这些电子邮件。目前尚不清楚 DOGE 对 AutoRIF 的具体改动内容。 此外，DOGE 的一系列举措显示，第二轮大规模裁员可能更加迅猛。 然而，值得注意的是，政府效率部的举措可能触及根深蒂固的既得利益政治势力，在美国政治极化和两党矛盾激化的背景下，马斯克作为部门领导人可能面临挑战。 总而言之，DOGE 正在推进 AutoRIF 软件的开发，以实现政府裁员的自动化和高效化，但这一过程也引发了对法律、隐私和道德方面的担忧。 （资讯来源：wired.com）
2 个月前
它的名字叫“凤凰”，它有潜力彻底改变农业——霍恩海姆大学研发的这款高科技农业机器人，能够利用人工智能自主耕作田间。 乍一看，它似乎并不起眼，但“凤凰”农业机器人可以自主耕种田地、照料果园，甚至还能完成更多任务，因为它内部搭载了先进的电子技术与人工智能。霍恩海姆大学植物生产过程工程系主任 Hans W. Griepentrog 和他的研究团队，将 Phoenix 研发成一种数字化农业工具，旨在为行业树立新标准。其潜力显然也得到了柏林方面的认可。 2022年，这款机器人在联邦政府数字峰会上亮相，并受到德国总理奥拉夫·朔尔茨的亲自关注。会上，Griepentrog 表达了他的核心观点：“我们希望展现，农业科学在数字化领域正取得特别创新的进展。” 其目标是促进未来农业与环境保护、物种保护之间的协调。 机器人能够区分杂草与农作物 在霍恩海姆大学的试验田里，这款机器人已被训练以大幅减少化肥和农药的使用。Griepentrog 解释道：“得益于智能传感器技术，它可以精准区分栽培作物和杂草。” 机器人配备摄像头和激光传感器来记录植物，并借助人工智能算法实时分析数据。 其核心技术之一是机械除草。用于除草的工具安装在机器后部。此外，霍恩海姆大学的研究团队还开发了一款应用程序，使 Phoenix 具备白菜种植和养护能力。Griepentrog 说道：“这样的技术在过去是前所未有的。” 与传统方式不同，这款机器人不是用刀片大面积翻耕土壤，而是每隔 60 厘米精准打开刀片，让一颗幼苗通过有机玻璃管准确落入开口处的土壤中。这意味着只有在必要时才会进行土壤干预，从而降低设备的牵引力需求，减少能源消耗。 无土壤压实、无气候相关污染 Phoenix 还能自主播种单粒作物，这也是一项突破性创新。Griepentrog 和团队自主研发了传感器、工具及精准的导航系统，至少在基础版本中如此。 这款小型农业机器人重 420 公斤，相较于传统的大型拖拉机，其行驶速度较慢，但作业精度更高。Griepentrog 解释道：“这减少了劳动力成本，提高了自动化水平，同时避免了大型机械对土壤造成的压实问题。” 另一个优势是环保性：“我们不会产生任何气候相关的污染物。” Phoenix 采用电动橡胶履带驱动，农民可以通过光伏发电或利用沼气转换电能，为机器人提供能源。 这款全能机器人还能自动修剪果树 如果配备合适的工具，Phoenix 还能修剪果树。它能够利用人工智能分析果园状况，判断哪些树木需要修剪，并自动操作锯子完成作业。然而，研究团队的目标远不止于此。 除了进一步优化杂草识别技术外，Phoenix 未来还将学习“根下施肥”技术，特别适用于长期干旱后干燥的土壤。该技术旨在将养分直接输送至土壤深处，而非仅撒在土壤表层，从而提高肥料利用率。Griepentrog 表示：“这是一项完全革命性的技术。” 通过使用不含合成化学物质的矿物肥料，这款机器人或将推动农业迈向有机与传统农业结合的“中间道路”。 目前，多个研究项目正在探索 Phoenix 的不同应用场景。联邦研究部为“无化学合成植物保护的农业 4.0” 研究项目提供了 4.5 年的资金支持，总额达 530 万欧元，其中 450 万欧元拨给霍恩海姆大学。该校负责协调此项目，并参与 20 个专业领域的 16 个子项目。此外，白菜的可持续种植研究属于“可持续小规模农业的数字价值链”联合项目的一部分，霍恩海姆大学已从联邦食品和农业部获得 200 万欧元的资助。 (图片来源：德国 Hochenheim 大学)
4 个月前
2024年12月18日，AI数据分析平台Databricks宣布启动J轮融资，目标为100亿美元，目前已完成86亿美元.。 此轮融资由Thrive Capital领投，Andreessen Horowitz、DST Global、GIC、Insight Partners和WCM Investment Management等联合领投，安大略省教师退休基金、ICONIQ Growth、MGX、Sands Capital以及Wellington Management等也参与其中.。融资后Databricks估值达620亿美元，成为全球最具价值的私营公司之一。 Databricks表示，这笔融资的用途主要有以下几个方面：一是为现任和前任员工提供流动性；二是进行战略收购，加速公司成长，如该公司在2023年6月收购MosaicML等，以加强在Data+AI布局；三是拓展海外市场，强化全球竞争力；四是开发更多AI产品，吸引顶尖人才。 另外，Databricks预计在截至2025年1月31日的季度内将首次实现正自由现金流，并达到30亿美元的年化收入。 其首席执行官Ali Ghodsi曾表示，公司IPO最早可能在2025年年中进行。
4 个月前
数据+AI的公司。
7 个月前
Covision Lab专注于计算机视觉和机器学习的公司，致力于将最先进的技术应用于工业领域的挑战，包括制造业、电子商务、印刷、农业和移动性等行业。
7 个月前
AI视频生成模型的主要技术原理包括多种深度学习和机器学习技术，尤其是生成对抗网络（GANs）、变分自编码器（VAEs）和自然语言处理（NLP）。
