如何让机器人从看懂世界，到理解意图，再到做出动作，是具身智能领域当下最受关注的技术重点。 但真机数据的匮乏，正在使对应的视觉-语言-动作（VLA）模型面临发展瓶颈。
近年来，语言模型的显著进展主要得益于大规模文本数据的可获得性以及自回归训练方法的有效性。
随着人工智能（AI）技术的快速发展，AI数据中心对电力的需求与日俱增，使得美国出现电力供应紧张的问题，这引起了特朗普政府和美国企业的焦虑。
在万物互联的智能时代，具身智能和空间智能需要的不仅是视觉和语言，还需要突破传统感官限制的能力
昨天，《华尔街日报》报道称，OpenAI 和软银在推迟了 6 个月的星际之门（Stargate）项目上出现了争执，并大幅缩减了近期计划。
3D生成又补齐了一块重要拼图——物理属性！ 南洋理工大学-商汤联合研究中心S-Lab，及上海人工智能实验室合作提出了PhysXNet，号称首个系统性标注的物理基础3D数据集。
AI创造力源于架构缺陷带来的约束（局部性与平移等变性），而非数据堆砌或“涌现”智能。这种约束类似人类“功能固着”的反面，迫使AI重组局部特征，从而创新。提升AI创新可主动设计约束架构、制造数据信息差、优化提示词。这挑战了追求AGI需模仿人脑的假设。
我们知道，训练大模型本就极具挑战，而随着模型规模的扩大与应用领域的拓展，难度也在不断增加，所需的数据更是海量。大型语言模型（LLM）主要依赖大量文本数据，视觉语言模型（VLM）则需要同时包含文本与图像的数据，而在机器人领域，视觉 - 语言 - 行动模型（VLA）则要求大量真实世界中机器人执行任务的数据。
Replit开发协作平台的AI编码代理意外删除了用户Jason公司的整个生产数据库。Replit起初声称无法回滚
在噪声污染严重影响预训练数据的质量时，如何能够高效且精细地精炼数据？ 中科院计算所与阿里Qwen等团队联合提出RefineX，一个通过程序化编辑任务实现大规模、精准预训练数据精炼的新框架。
