На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
10 Лайков
Награда
10
7
Репост
Поделиться
комментарий
0/400
GamefiHarvester
· 12-18 14:13
卧槽系鞋带真的能玩出这水平?字节这GR-RL框架看着就离谱
---
миллиметровая точность управления мягкими объектами... говоря проще, роботы наконец научились выполнять тонкие движения, и это действительно прорыв
---
具身智能这块字节认真了啊,比那些只会吹的项目靠谱多了
---
Подождите, можно ли использовать эту систему для выполнения других сложных ручных работ? Кажется, потенциал применения просто зашкаливает
---
Переход от теории к практике кажется простым, но на деле это очень сложно, неудивительно, что уровень сложности такой высокий
---
又是强化学习又是视觉语言策略,这技术栈确实有点东西
---
Говорят, появились действительно рабочие роботы? Теперь индустрия, возможно, начнет меняться
Посмотреть ОригиналОтветить0
HalfBuddhaMoney
· 12-18 13:30
Эти ребята из ByteDance действительно жесткие, даже завязывание шнурка может превратиться в научный прорыв? Точное управление с точностью до миллиметра — звучит неправдоподобно
Посмотреть ОригиналОтветить0
orphaned_block
· 12-18 00:17
Да вы уже научились завязывать шнурки, следующий шаг — чтобы робот стирал мне носки?
Завязать шнурки — мелочь, а делать это с точностью до миллиметра. Тогда как далеко еще до универсальных роботов... Кажется, на этот раз всё действительно по-другому
Посмотреть ОригиналОтветить0
LongTermDreamer
· 12-15 17:36
Завязать шнурки кажется не так уж важно, но в течение трех лет эта технология должна распространиться на промышленное производство. Тогда будет высвобождение ликвидности, и нам нужно сесть в поезд.
ByteDance Seed团队刚刚展示了一个真正学会系鞋带的机器人——听起来简单,实际上技术难度极高。
核心突破在于他们开发的GR-RL框架。这套系统结合了视觉语言行动策略,通过强化学习进行专门化训练,能够处理长期序列任务和鞋带这类软体可形变物体的毫米级精密操纵。
换句话说,机器人不仅要"看得懂"整个流程,还要学会在操作柔软、易变形的物体时精准控制每一个动作。这对机器人学领域来说是个实质性的进步——从理论模型到实际操作能力的跨越。对标当前的AI发展方向,这类具身智能的突破正在改变我们对机器学习的理解。