在图片分类里，我们通过卷积层和池化层逐渐减少图片高宽最终得到跟预测类别数长的向量。例如用于ImageNet分类的ResNet 18里，我们将高宽为224的输入图片首先减少到高宽7，然后使用全局池化层得到512维输出，最后使用全连接层输出长为1000的预测向量。 但在 ...

当前，大语言模型（LLMs）和视觉语言模型（VLMs）在语义领域的成功未能直接迁移至物理机器人，归根结底在于其互联网原生的基因。主流的 “预训练 - 后适配”（Pretrain-then-Adapt）的范式依赖互联网静态数据，导致模型先天缺失物理基础（Physical ...

Arduino Nicla Vision（图1）是一款集成AI的摄像头模块，专为图像分析与处理而设计。该模块采用基于STMicroelectronics VL53LIX飞行时间（ToF）传感器的接近传感器来测量距离。Nicla Vision适用于物体识别和资产追踪，其配备的六轴惯性测量单元（IMU）可采集三维加速度计数据，实现基于机器学习的物体识别功能。

Across China, scenes like this are becoming more common as AI reshapes how people exercise, train and compete. From sensor-enabled running tracks and intelligent fitness gear to robot training ...

Across China, scenes like this are becoming more common as AI reshapes how people exercise, train and compete. From sensor-enabled running tracks and intelligent fitness gear to robot training ...

在《麻省理工科技评论》专访中，杨立昆表示：「为什么我们没有一个像家猫一样敏捷的家用机器人」——这句话背后是「莫拉维克悖论」：感知、运动协调、物理直觉，这些对人类来说不需要思考的能力，对 AI 来说恰恰是最难的部分，而 LLM 完全绕开了这些。

在目标检测领域，小样本目标检测（Few-Shot Object Detection, FSOD）一直是个“硬骨头”。传统的做法通常需要在大规模基类数据上预训练，再针对极少数的新类样本进行微调。但微调过程不仅耗时，还容易导致模型对新类样本过拟合。近日，来自澳门大学和英特灵达的研究团队提出了一种全新的框架—— FSOD-VFM 。

首个 visual prior unified discrete diffusion model，用一套离散扩散框架同时打通文生图、图生文和VQA AI大模型，可能正在悄悄换基座。 过去几年，整个行业最熟悉、也最成功的预训练范式，几乎都围绕同一个问题展开：预测下一个词。 从GPT到后来的各种视觉语言模型 ...

人类有听觉、视觉、触觉、味觉、嗅觉五种感官。近年来，科学家正在研究把人类的感官维度进一步扩大的可能性。 编者按：人类有听觉、视觉、触觉、味觉、嗅觉五种感官。近年来，科学家正在研究把人类的感官维度进一步扩大的可能性，而本文就是对目前相关成果的一个全面介绍。本文编译自《大西洋月刊》原题为“Beyond the Five Senses”的文章。 The world we experience is no ...

China has pledged to inspire cultural creativity and foster a thriving socialist culture during the 15th Five-Year Plan (2026-30). This effort is central to sustaining the nation's spiritual lifeline ...