搜索
近两年，视频世界模型（video world model）成为生成式 AI 最受关注的方向之一。只需给定一张参考图和一段场景描述，模型就能根据用户输入的相机位姿或控制指令，逐帧生成出一个可以自由漫游的虚拟世界。
Jack Dorsey旗下Block研究团队Dessa尝试剔除文字训练、直接实现语音到语音交互，xAI的Grok Voice 3.0与OpenAI的GPT-Live则加速实时语音AI商用，但文章指出其在信息核对、隐私与办公场景中仍难取代屏幕。
用全国产算力训练的底座，破局智能语音不可能三角。
大模型Agent正在从简单问答，快速走向搜索、代码生成、网页操作和多轮工具调用。
早在 1995 年，Michael Wooldridge 等学者便在智能体研究的代表性论文《Intelligent Agents: Theory and Practice》中，提出了智能体的四项核心特征：反应性（Reactivity）、社会能力（Social Ability）、自主性（Autonomy）和主动性（Proactiveness）。
第一视角视频越来越多，研究人员怎样把这些记录变成能够改善机器人能力的训练信息？
具身智能不缺钱，也不缺演示，真正稀缺的是一条能复现的 Scaling 曲线。去年 11月，北美的 Generalist 发布 GEN-0，称首次在机器人身上观察到了这条曲线：预训练数据和算力越多，模型在下游任务上的表现就越稳定、可预测地提升。支撑这条曲线的，是超过 27 万小时的真实世界操作数据，和每周新增上万小时的采集速度。对绝大多数公司来说，曲线已经有人跑出来了，燃料却还没有。
把模型部署到昇腾 NPU 上，计算逻辑确定之后，还有一道难题：怎样让底层实现充分利用硬件？同一个注意力计算，分块、搬运、并行和同步方式不同，运行时间就可能明显不同。
本周「十字路口」的嘉宾是李磊，小米 MiMo 大模型后训练研究员、香港大学在读博士。一边参与大模型训练，一边读 PhD，他和许多同学一样，面对着 AI 带来的巨大机会，也置身于飞速变化的节奏中：既兴奋，也焦虑。
基于预训练的 Cosmos-Predict2.5-2B，SkeLAM 使用总计约 10 小时的机器人交互数据进行训练。在人手到机器人的迁移实验中，输入换成人类演示，生成视频中的机械臂仍然呈现出与演示对应的运动方向。迁移时模型参数全部冻结，没有针对这些演示额外微调。