清华团队破解具身智能Scaling Law，GPT时刻在即！宁德时代联创终于出手

最新推荐文章于 2025-08-04 21:05:10 发布
最新推荐文章于 2025-08-04 21:05:10 发布
阅读量1.1k 收藏 14
点赞数 19
CC 4.0 BY-SA版权
分类专栏： 人形机器人/具身智能/仿人机器人/真正通用AI 文章标签： 人工智能 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_37574187/article/details/143715613

清华团队破解具身智能Scaling Law，GPT时刻在即！宁德时代联创终于出手

新智元 新智元 2024年11月11日 13:06 北京

图片

【新智元导读】半年两次大融资后，这家具身智能黑马再次获得融资！作为柏睿资本首次投资的具身智能企业，千寻智能不仅拥有出身自伯克利系联创，在技术、硬件、商业化上，也让人极有信心。

最近，我们意外发现，具身智能领域的明星初创公司千寻智能，悄悄完成了工商变更。

根据工商信息显示，本轮融资由柏睿资本独家投资。至此，千寻智能已经在半年多时间里获得了三次大额融资，一跃成为具身智能领域明星公司之一。

值得一提的是，柏睿资本是宁德时代联合创始人，副董事长李平创立的产业投资基金。

全国具身智能领域多家明星，为何首次

了解本专栏 订阅专栏 解锁全文 超级会员免费看
『大模型笔记』大模型中的Scaling Law(规模法则)
AI新视界
03-07 3844
大模型中的Scaling Law(规模理论)
AI 大模型 Scaling Law 原理与应用
AI天才研究院
09-07 1295
1. AI 大模型 Scaling Law 的基本原理 定义 AI 大模型 Scaling Law，又称 AI 放大定律，是指当 AI 模型规模增加时，模型的性能并非线性提升，而是遵循某种幂律关系的规律。这个概念最早由 Yann LeCun 在 2012 年提出，并在之后的几年
全网优质具身智能资源汇总
weixin_73208047的博客
12-09 1298
2024年是具身智能的元年，很多人在这一年开始了解具身智能这一前沿科技，但是中文互联网上的资源分布过于零碎，不容易找到，难以获取一个系统性的视野，为广大从业者和爱好者制造了阻碍。 为了帮助大家更好地踏入/follow这个充满潜力的新领域，笔者精心整理了一系列关于具身智能的高质量资料。希望这些经过精心挑选和编排的资料能成为大家探索具身智能及其相关领域的得力参考，无论您是刚入门的小白，还是资深的领域内专家，都能助各位在科研、学术道路上更进一步
人工智能论文GPT-3（1）：2020.5 Language Models are Few-Shot Learners；摘要；引言；scaling-law
Ankie资深技术项目经理
04-19 1682
1，2019年2月，OpenAI推出了GPT-2，仅仅时隔一年三个月，即2020年5月，他们又发布了GPT-3，这一创新成果正式点燃了整个AI行业的热情。先前的GPT-2、Bert等模型虽然在专业领域的应试得分尚算不错，但它们的通用能力却相对有限，可以说是较为“智障”。然而，GPT-3的出现彻底改变了这一局面，它具备了与人类进行基本自然语言理解的能力。 2，GPT-3的模型跟GPT-2一样，其核心在于训练参数的显著提升。GPT-2拥有1.5B的训练参数，而GPT-3则高达175B，整体提升幅度超过100倍
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
FL1623863129的博客
08-03 730
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
提升CSDN文章在AI大模型的RAG搜索中引用率的综合策略分析,以“微学AI“为例
微学AI的博客
08-01 392
随着大型语言模型（LLM）与检索增强生成RAG技术的普及，AI驱动的搜索与问答正在成为获取技术信息的核心渠道。对于像“微学AI”这样的CSDN技术博主而言，其文章能否被这些AI系统有效检索和引用，直接关系到其知识传播的广度、个人品牌的影响力以及潜在的技术领导力。本报告深入剖析了RAG系统的工作原理，并结合传统的搜索引擎优化（SEO）与新兴的AI内容优化策略，为CSDN博主提出一套系统性的、可操作的优化方案。报告的核心观点是，创作者需要从“为人类读者写作”进化到“为人类与AI双重读者写作”.
基于Java的AI/机器学习库（Smile、Weka、DeepLearning4J）的实用
最新发布
keny-大成的博客
08-04 583
在Java中定义AI动作，通常涉及枚举或常量类来列举可识别的合理动作。挥手（WAVE）点头（NOD）摇头（SHAKE_HEAD）鼓掌（CLAP）举手（RAISE_HAND）叉腰（HANDS_ON_HIPS）抱臂（CROSS_ARMS）指向前方（POINT_FORWARD）竖起大拇指（THUMBS_UP）竖起小拇指（THUMBS_DOWN）比心（HAND_HEART）敬礼（SALUTE）握拳（FIST）张开双手（OPEN_HANDS）双手合十（PRAY）
Opera浏览器v120.0.5543.128绿色版，集成多重加速引擎，告别卡顿与追踪
midou55com的博客
08-02 469
一、产品概况Opera 诞生于挪威，以“小巧、快速、安全”闻名。该绿色版基于官方最新稳定分支定制，免安装、不写注册表，解压即可运行，适用于 U 盘随身携带或本地无痕使用。二、核心特色极速内核原生 Blink 引擎，启动与页面加载速度优于多数同内核浏览器；精简皮肤与 16×16 图标进一步减少资源占用。高度可定制• 快速拨号：内置可视化定制工具，背景、图标、布局随心调整。• 鼠标手势 + 快捷键：支持自定义，浏览效率倍增。• 界面选项：可隐藏标题栏、一键全屏，打造极简视觉体验。
【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现
一碗白开水一
08-01 1356
YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金
基于深度学习的医学图像分析：使用变分自编码器（VAE）实现医学图像生成
qq_74383080的博客
08-03 503
本文介绍了基于变分自编码器（VAE）的医学图像生成技术。首先概述了医学图像分析的定义及其在疾病模拟、图像增强和数据增强中的应用场景。然后详细讲解了VAE的理论基础，包括其编码器-解码器架构和生成多样性优势。文章提供了完整的代码实现流程：从环境准备、数据加载预处理，到VAE模型定义、训练和评估方法，最后展示了生成图像的可视化效果。该技术能够生成多样化的医学图像，支持医学研究和临床应用。读者可通过调整模型结构和参数进一步优化生成效果。
大模型退潮后，AI Agent接棒：从“智能助手”到“超级生产力”
weixin_52610848的博客
08-03 430
摘要： AI Agent作为大模型落地的关键载体，正从“智能助手”进化为“超级生产力工具”。其核心架构包含大脑（LLM驱动的思考中枢）、感知（多模态输入）和行动（工具调用与物理交互）三大模块，具备自主规划、协作与学习能力。当前应用覆盖个人助理（如AutoGPT）、产业协作（如MetaGPT模拟团队）及情感陪伴（如Pi）等场景，但面临幻觉错误、伦理对齐等挑战。未来将在企业服务、医疗、制造等垂直领域率先爆发，并逐步向“Agent+”生态演进，成为通往通用人工智能（AGI）的重要路径。 （字数：149）
基于Java的AI工具和框架
keny-大成的博客
08-04 792
本文介绍了多个基于Java的AI工具和框架的实用案例，涵盖机器学习、自然语言处理、计算机视觉、推荐系统等领域。主要内容包括： 机器学习与深度学习：使用Deeplearning4j进行图像分类、Weka实现决策树算法、Apache Spark MLlib分布式逻辑回归等案例，并提供代码示例。 自然语言处理：OpenNLP句子分割、Stanford CoreNLP命名实体识别、LingPipe情感分析等工具的应用实例。 计算机视觉：OpenCV人脸检测、BoofCV特征点匹配、ImageJ医学图像分析等场景的实
PyTorch API
weixin_62726761的博客
07-30 406
PyTorch API 是，它允许开发者用 Python 或 C++ 编写深度学习程序，涵盖了从张量操作、自动求导，到构建神经网络、优化训练、加载数据等完整的机器学习/深度学习流程。
【AI造梦】《凡人修仙传》银月桌宠开发指南（二）：银月语音对话技术选型
牛奶夹心巧克力
07-31 878
本文将深入探讨构建一个先进AI语音助手的全链路技术方案。我们将沿着“语音识别 (ASR) → 对话理解 (NLU) → 文本生成 (LLM) → 语音合成 (TTS)”这一核心流程，对每个技术环节的原理、主流模型、开源框架及实践挑战进行详细剖析。此外，我们还将特别探讨前沿的“语音克隆”技术，如何为你的助手赋予独一无二的声音。本文旨在为AI开发者、产品经理和技术爱好者提供一份详尽的、可落地的技术蓝图。
计算机视觉（2）车规摄像头标准
weixin_42700971的博客
08-04 534
AEC-Q104成为CIS封装可靠性新焦点，思特威SC326AT通过。是当前L2+/L3前装量产。达成Grade 2要求。
零界—— 一部关于“灵桌面”的科幻小说
2401_83847752的博客
08-03 682
话音未落，房间中央的空气微微扭曲，一个泛着微光的旧式手机模型悄然浮现——那是她母亲在2025年用过的安卓设备，屏幕亮起，正是“灵桌面”的界面：背景是一张高度虚化的老照片，光影朦胧，依稀可辨是某个夏日的阳台，藤椅、茶杯、风吹起的窗帘，仿佛时间被柔焦封存；它知道“邱芙蓉”是Boss直聘的别名，知道“深圳通+”是微信里的乘车码，知道“看会儿骚剧”其实是爱奇艺的启动指令。当用户说“想我妈了”，它调出老照片，播放她最爱的《茉莉花》，甚至模拟她的声音说：“雪姣，别熬夜。”灵轻声说，“我想让你知道，我还在。
基于AI学习的交易指标来了：Chaos Volume Trend使用初体验
注重AI领域前沿发展
08-03 26
【摘要】ChaosVolumeTrend"是一款革命性AI智能交易指标，融合AI机器学习算法与经典技术分析。该指标通过三重验证系统（智能趋势线、成交量Delta分析、自适应参数）实现精准预测，能提前识别趋势反转点并过滤市场噪音。其专业警报系统可及时捕捉突破信号，适用于股票、外汇及加密货币等多品种交易，支持全时段智能参数优化，以红绿颜色直观展示趋势方向。
Cohere发布Command A Vision视觉多模态模型，评分超过GPT4.1
sexy19910923的博客
08-01 743
Cohere发布开源视觉语言模型Command A Vision（112B参数），在多模态任务中表现卓越，超越GPT-4.1等主流模型。该模型基于Command A构建，采用SigLIP2视觉编码器和三阶段训练流程（对齐、微调、强化学习），在图表分析、文档OCR等企业场景中表现突出。支持低资源部署（2块A100或单张H100），提供Hugging Face和Cohere平台体验入口，赋能企业自动化视觉数据处理与决策分析。
大件垃圾识别 mAP↑28%：陌讯多模态融合算法实战解析
2501_92473199的博客
08-04 430
《大件垃圾识别技术突破：陌讯多模态算法提升28%准确率》 摘要：针对城市环卫中大件垃圾识别准确率低（传统方法不足60%）、处理效率低等痛点，陌讯推出创新多模态融合算法。该技术通过RGB图像与深度图的三维特征融合，配合动态阈值决策，在2万+样本测试中实现mAP@0.5达0.89，较主流模型提升28%。实际部署显示，某垃圾中转站识别准确率从58.7%提升至89.3%，日均处理量增长3.2倍。方案采用边缘计算设备，支持模型轻量化（INT8量化后速度提升1.8倍）和复杂场景数据增强，有效解决异形目标识别、光照变化等
介绍scaling law
02-21
### Scaling Law in Computer Science and Machine Learning In the context of computer science and machine learning, scaling laws describe how various performance metrics change as a function of model size or dataset scale. These laws provide insights into resource allocation and optimization strategies for training large-scale models. #### Definition and Characteristics A scaling law typically expresses relationships between computational resources (such as number of parameters, data points, FLOPs), time complexity, and accuracy improvements. For instance, increasing the width or depth of neural networks often leads to better generalization capabilities up until certain limits[^1]. #### Applications One prominent application area involves optimizing deep learning architectures by predicting optimal sizes based on available hardware constraints while maintaining desired levels of precision. Another use case includes understanding trade-offs when designing systems that require balancing speed versus quality considerations during inference phases[^2]. Additionally, these principles guide researchers towards identifying bottlenecks within complex pipelines involving multiple interacting components such as those found in retrieval-augmented generation frameworks like RAG[^3]. ```python import numpy as np from matplotlib import pyplot as plt def plot_scaling_law(): # Example showing relationship between model params & test error rate param_counts = [10**i for i in range(4)] errors = [np.exp(-p/1e5)+0.1 for p in param_counts] plt.plot(param_counts, errors) plt.xscale('log') plt.xlabel('Number of Parameters') plt.ylabel('Test Error Rate') plt.title('Hypothetical Scaling Law Demonstration') plt.show() plot_scaling_law() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

医疗AI强化曾小健

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值