Наука

Визуальное мышление в действии: ИИ осваивает навигацию в 3D-мире

от

Система AgentVLN использует подход VLM-as-Brain, разбивая сложные задачи навигации на последовательность модульных действий, при этом контекстно-зависимая детализированная стратегия и QD-PCoT эффективно снижают погрешности локализации и неоднозначность масштаба, обеспечивая точное определение целевой точки в трехмерном пространстве.

Новая разработка позволяет искусственному интеллекту эффективно ориентироваться и перемещаться в сложных трехмерных пространствах, используя возможности обработки изображений и естественного языка.

От цифровых двойников к моделям мира: новый горизонт интеллекта на грани

от

Цифровые двойники эволюционируют в мировые модели, формируя основу для развития общего интеллекта на периферийных устройствах, где каждый элемент системы предсказуемо влияет на будущие отказы.

В статье рассматривается эволюция от традиционных цифровых двойников к более гибким и эффективным моделям мира для реализации интеллектуальных систем на мобильных устройствах и периферии сети.

Обучение будущего: Как ИИ помогает создавать эффективные методики

от

Предлагаемая структура RIGID объединяет принципы обучения в процессы проектирования обучения посредством четырех итеративных фаз, используя искусственный интеллект в качестве посреднического механизма, где внутренний круг отражает основные действия по проектированию обучения, средний - поддержку этих действий ИИ, а внешний - вклад наук об обучении, образуя тем самым цикл, в котором идеи, полученные на каждой фазе, формируют и уточняют последующие решения в области проектирования обучения.

Новая концепция RIGID объединяет передовые исследования в области обучения с возможностями генеративного искусственного интеллекта для разработки более персонализированных и результативных образовательных программ.

Тактильные подсказки: как ускорить обучение новым движениям

от

Оценка поведенческой модели демонстрирует, что участники склонны переходить от низких к высоким латентным состояниям навыков под воздействием входных данных [latex] u_k = -1.57, -1.11 [/latex] и [latex] a_k = 0, \cdot s, 5 [/latex], при этом порядок латентных состояний навыков определяется средними значениями эмиссии [latex] RE [/latex].

Новое исследование демонстрирует, что обучение сложным моторным навыкам может быть значительно ускорено благодаря тактильной обратной связи, адаптированной к скрытому состоянию навыков обучающегося.