真实世界证据意味着对药物是否确实安全有效的观察角度和评估手段的丰富。AI驱动的真实世界证据生成应用潜力巨大。
在NeurlPS 2023上，研究人员将展示他们最新的工作：真实世界模拟器UniSim。
机器之心报道 编辑：Panda W ChatGPT 引发的舆论热潮至今仍未消退，以其为代表的大型语言模型（LLM）正是目前自然语言处理领域的研究热点，同时其在机器翻译、文本生成和聊天机器人等方面的应用也让实践者们跃跃欲试，期望找到新的应用和商业机会。 而在实际探索的过程中，实践者可能会苦于寻找适合自己应用的 AI 模型：是选择 LLM 还是微调模型？如果用 LLM，又该选择哪一种？ 近日，来自亚马逊、德州农工大学、莱斯大学等机构的学者对 ChatGPT 等语言模型的发展历程进行了一番讨论，其文章也得到了 Y
近些年来，随着自动驾驶技术的突飞猛进，无人车能够在大部分常规情景下有很好的表现。但是目前的技术仍难保证安全的部署，究其原因是在真实世界存在着很多安全关键（safety-critical）的场景而这些边界又是至关重要的。仿真测试变成了一种行之有效的手段，它能帮助研究者们能够以低成本的方式来生成大量的边界场景，从而全方位的测试和训练已有自动驾驶模型。由于无人车通过装配各种传感器来感知真实世界，真实的可拓展的传感器仿真变成为整个仿真系统重要的一环。
使用生成对抗网络（GAN）进行图像超分辨率（SR）已经在恢复逼真细节方面取得了巨大成功。然而，众所周知，基于 GAN 的 SR 模型会产生令人难以接受的伪影，特别是在实际场景中。以往的研究通常在训练阶段通过额外的损失惩罚来抑制瑕疵，但这些方法只适用于训练过程中生成的同分布下的瑕疵类型。
问耕 编译整理 量子位 出品 | 公众号 QbitAI OpenAI发布了一项新的机器人技术。 研究人员完全在仿真模拟环境中对机器人控制器进行训练，然后把控制器直接应用在实体机器人身上，通过这种方式让
完全的离策略强化学习可以基于之前智能体收集到的数据训练多个模型，但它无法在没有真实机器人的情况下进行模型评估。而离策略评估「off-policy evaluation，OPE」可以帮助研究人员选择最有潜力的模型，进而在真实环境中评估。谷歌最近提出一种新型离策略评估方法——离策略分类，将评估视为一个分类任务，根据过去的数据评估智能体的性能，其中智能体的动作「action」被标注为「可能导致成功」或「一定导致失败」。OPC 可以扩展到更广泛的任务，包括现实世界中基于视觉的机器人抓取任务。
谈及“计算机图形学”，可能很多人会觉得很有距离感，或者和计算机视觉、图像处理等学科混淆。但是，如果告诉大家图形学技术是支持各种影视特效、三维动画影片、计算机游戏、虚拟现实以及大家手机上各种照片视频美化特效背后的技术基础，相信大家都不会再觉得陌生。
选自arXiv 作者：Peilun Li、Xiaodan Liang、Daoyuan Jia、Eric P. Xing 机器之心编译 通过人工方式来标注真实世界数据是一件费时又费力的事。在自动驾驶训练数据的获取上，颇具真实感的视频游戏获取能够提供帮助。但视频游戏的渲染效果往往和真实世界的情况有所差异，Petuum 和 CMU 近日发布的一项研究论文试图解决这一问题；他们提出的一种「形义」（相对于自然语言处理中的「语义」）感知型 Grad-GAN 可以在虚拟到真实的城市场景生成上达到相当逼真和精细的结果。相关
选自arXiv 作者：吴翼、吴育昕、Georgia Gkioxari、田渊栋 机器之心编译 参与：路雪、李泽南 构建虚拟 3D 环境对于强化学习研究非常重要。近日，UC Bekerley 博士生吴翼、FAIR 研究工程师吴育昕、博士后 Georgia Gkioxari 和研究科学家田渊栋共同提交了一篇论文，提出一种基于 SUNCG 数据集构建的丰富、可扩展的高效环境 House3D。研究者用连续和离散动作空间训练强化学习智能体，改善了它们在新环境中的泛化能力。该论文目前已提交至 ICLR 2018 大会。
ImageNet 的出现极大推动了计算机视觉领域的发展。在通往强人工智能的路上，我们还需要考虑物体的外观、结构、物理性质、语义等因素。为此，上海交大卢策吾组近日重磅推出了大型真实世界铰接物体知识库 AKB-48！ 编译 | OGAI 编辑 | 陈彩娴 铰接物体在我们的生活中无处不在。全面理解这些铰接物体的外观、结构、物理性质和语义，对于研究社区是大有助益的。 目前的铰接物体理解方法通常是基于不考虑物理特性的 CAD 模型的合成物体数据集，这不利于视觉和机器人任务中从仿真环境到实际应用的泛化。 为了弥补这一差
本周，来自华盛顿西雅图新成立的机器人研究实验室的英伟达(NVIDIA)研究人员展示了一种新的概念强化学习方法，旨在增强在模拟环境中训练的机器人在现实世界中的表现。这项工作将在加拿大蒙特利尔举行的国际机器人和自动化会议(ICRA)上发表。
大数据文摘授权转载自AI科技评论 编译：OGAI 编辑：陈彩娴 铰接物体在我们的生活中无处不在。全面理解这些铰接物体的外观、结构、物理性质和语义，对于研究社区是大有助益的。 目前的铰接物体理解方法通常是基于不考虑物理特性的 CAD 模型的合成物体数据集，这不利于视觉和机器人任务中从仿真环境到实际应用的泛化。 为了弥补这一差距，我们提出了AKB-48：一个大规模的铰接物体知识库，它包含 48 个类别的 2,037 个真实世界中的三维铰接物体模型。 我们通过铰接知识图谱 ArtiKG 描述每个物体。为了构建 A
The Deep Bootstrap Framework: Good Online Learners are Good Offline Generalizers(ICLR21)
转自“中国中文信息学会” 由中国中文信息学会医疗健康与生物信息处理专业委员会主办的2021年度中国健康信息处理大会（CHIP2021），于12月4-5日线上举行。中国健康信息处理大会（CHIP）是中国中文信息学会医疗健康与生物信息处理专业委员会开展的“以信息处理技术助力探索生命之奥秘、提高健康之质量、提升医疗之水平”为主旨的年度会议。CHIP是中国健康信息处理领域的重要会议，是世界各地学术界、企业界和政府部门的研究人员和从业人士分享创意，进一步推广领域研究成果和经验的重要平台。诚邀大家莅临CHIP20
今天给大家介绍一篇由ZhaoyiChen, JiangBian等人2020年12月24日发表在Drug Discovery Today上的一篇综述文章” Applications of artificial intelligence in drug development using real-world data”。FDA一直在积极推动真实世界数据(RWD, real-world data )在药物开发中的应用。RWD可以产生重要的真实世界证据，反映治疗方法使用的真实世界临床环境。同时，人工智能(AI)，特别是机器和深度学习(ML/DL)方法，已经越来越多地被用于药物开发过程的许多阶段。AI的进步也为分析大型、多维的RWD提供了新的策略。
近期，谷歌 AI 与 UC 伯克利大学合作研发了一种新的强化学习算法 Soft Actor-Critic（SAC）。这是一种稳定、高效的深度强化学习算法，它高度符合机器人实验的需求，也就非常适合真实世界中的机器人技能学习。重点是，SAC 的学习效率足够高，可以在数个小时内学会解决真实世界的机器人问题，而且同一套超参数可以在多种不同的环境中工作。
2024年5月23日，将真实世界临床数据转化为高质量个性化真实世界护理证据的先驱Atropos Health宣布，随着其生成式人工智能平台（GENEVA OS™）被医疗机构、数据平台、研究机构、生命科学公司等采用，公司获得了3300万美元的B轮融资。
AI 科技评论按：今年 2 月，OpenAI 发起了一组机械手挑战，他们在基于 MuJoCo 物理模拟器的 Gym 环境中新设计了含有机械臂末端控制、机械手拿取物体的两组八个有难度的、早期强化学习算法已经不足以直接解决的问题。这些具有一定难度的任务 OpenAI 自己也在研究，他们认为这是深度强化学习发展到新时代之后可以作为新标杆的算法测试任务，而且也欢迎其它机构与学校的研究人员一同研究这些任务，把深度强化学习的表现推上新的台阶。
【新智元导读】微软亚洲研究院AI大咖童欣在中国科技大学进行题为《数据驱动方法在图形学中的应用》的前沿演讲，解释了如何通过数据驱动的方法来处理图形学问题，以及最新的图形方面的解决方案。 微软亚洲研究院童
译者 | VK 来源 | Towards Data Science 你的团队几个月来一直在收集数据、构建预测模型、创建用户界面，并与一些早期的用户一起部署新的机器学习产品。但你现在听到的并不是大家一起
世界模型算是比较前沿的研究，相较于其他 AI 话题，我觉得「世界模型」比较形而上，有点像是还没完全厘清的概念之争。
工科的同学想必离不开各种各样的模拟器，模拟器使各种工程学科能够用最少的人力快速制作原型。
在 4 月 12 日英伟达 GTC 2021 大会的 Keynote 上，黄仁勋除了展示 Grace 等一系列硬件产品之外，还曾向我们介绍了一种使用神经网络让《我的世界》（Minecraft）像素风 3D 画面自动转换为写实风格精细画面的技术（GANcraft）。最近，GANcraft 的论文被提交到了 arXiv 上，我们得以了解这项技术的细节。
近期 ChatGPT/GPT-4 系列产品引发全球关注和讨论，以其为代表的大模型在语言方面表现出了一定的通用性，使通用人工智能的概念浮出水面，进入了大众视野。
不久前，清华大学新媒体研究中心发布了《2020-2021元宇宙发展研究报告》，报告中提及2020年是人类社会虚拟化的临界点，为2021年成为元宇宙元年做了铺垫。一方面疫情加速了社会虚拟化，在新冠肺炎疫情防控措施下，全社会上网时长大幅增长，“宅经济”快速发展;另一方面，线上生活由原先短时期的例外状态成为常态，由现实世界的补充变成了与现实世界的平行世界，人类现实生活开始大规模向虚拟世界迁移，人类成为现实与数字的“两栖物种”。
视频超分辨率 (VSR) 旨在从给定的低分辨率 (LR) 视频序列重建高分辨率 (HR) 视频。得益于深度学习技术的快速发展，VSR 在过去十年中取得了长足的进步，出现了包括 EDVR 等基于滑动窗口的方法、BasicVSR 等基于递归的方法以及最新的基于 Transformer 的方法。然而，上述大多数方法都假设在 LR 和 HR 视频之间进行简单的退化。因此，这种 VSR 模型很难推广到真实世界的 LR 视频中，因为真实世界的退化要复杂得多。
虽然无人机蜂群已经通过电脑模型展示过很多次了，但是匈牙利科学院的科学家最近首次在现实世界不借助中央控制系统实现了无人机蜂群的自主飞行。这一成功为将无人机蜂群运用于多种应用指明了前进方向。
AI 科技评论按：机器人如何能够学到在多样且复杂的真实世界物体和环境中能够广泛使用的技能呢？如果机器人是设计用来在可控环境下进行高效的重复工作，那么这个任务就相对来说更加简单，比如设计一个在流水线上组装产品的机器人。但要是想要设计能够观察周围环境，根据环境决定最优的行动，同时还能够对不可预知的环境做出反应的机器人，那难度就会指数级的增长。目前，有两个有力的工具能够帮助机器人从试验中学习到这些技能，一个是深度学习，一个是强化学习。深度学习非常适合解决非结构化的真实世界场景，而强化学习能够实现较长期的推理（longer-term reasoning)，同时能够在一系列决策时做出更好更鲁棒的决策。将这两个工具结合到一起，就有可能能够让机器人从自身经验中不断学习，使得机器人能够通过数据，而不是人工手动定义的方法来掌握运动感知的技能。
最近，来自香港大学的Jihan Yang和纽约大学的谢赛宁等人，联合发表了一项新研究：在虚拟环境中模拟现实世界。
AI 科技评论按：致力于研究机器人与机器学习技术之间互动的新晋学术会议 CoRL 2018 于 10 月 29 日到 31 日在瑞士苏黎世召开。虽然 CoRL 于 2017 年才举办第一届，但由于会议关注的方向新颖有趣，仍然吸引了高水平研究人员们的关注。尤其是与 ICRA 相比的话，虽然两者都是关于机器人的学术会议，但是由于关注的方法和对成果的要求不同，机器学习研究人员们得以在 CoRL 上更自由地发挥。
在机器人领域，实现通用机器人策略需要大量数据，而在真实世界收集这些数据又耗时费力。尽管模拟为生成场景级和实例级的不同体量的数据提供了一种经济的解决方案，但由于需要大量的人力（尤其是对复杂任务），在模拟环境中增加任务多样性仍面临挑战。这就导致典型的人工模拟基准通常仅能包含数十到数百个任务。
最近 10 年的互联网发展，从电子商务到移动互联，再到“互联网+”与传统行业的互联网转型，是一个非常痛苦的转型过程。在这个过程中，一方面会给我们带来诸多的挑战，另一方面又会给我们带来无尽的机会，它会带来更多的新兴市场、新兴产业与全新业务，给我们带来全新的发展机遇。然而，在面对全新业务、全新增长点的时候，我们能不能把握住这样的机遇呢？
首先来看引言部分，概述了在视觉表示学习领域的主流研究集中于捕捉个别图像的语义和2D结构的现状，并指出本研究的重点是同时捕捉场景的3D结构和动态，这对于规划、空间和物理推理以及与现实世界的有效互动至关重要。文章强调了最近在3D视觉场景的生成模型方面取得的进展，特别是从使用体素网格、点云或纹理网格等显式表示转向通过直接优化新视图合成（NVS）来学习隐式表示的转变。如神经辐射场（Neural Radiance Fields）虽然最初限于单一场景并需要大量输入图像、控制的照明、精确的相机姿态和长时间的处理，但随后已被扩展以处理照明变化、跨场景泛化、少量图像工作、缺失相机和动态场景。
很显然我们目前处于一个不稳定的状态。这到底是一场泡沫还是一次革命？答案是当然包含一点革命——深度神经架构所创造的实实在在的成功已经颠覆了视觉和语音识别领域，更通用的机器学习也已经有了大量真实世界用例。
测试时领域适应（Test-Time Adaptation）的目的是使源域模型适应推理阶段的测试数据，在适应未知的图像损坏领域取得了出色的效果。然而，当前许多方法都缺乏对真实世界场景中测试数据流的考虑，例如：
英伟达人工智能研究人员公开了SimOpt，一个人工智能系统，经过训练可以将模拟工作转移到实际行动中，从而完成一些任务，比如把钉子插进孔里，打开和关上抽屉等。
在社交的进化（上）篇，我们讨论了随着社交需求的演变与社交网络发展，“全真互联网”在未来是值得期待的社交形态。 这个概念是由Pony（马化腾）首次提出的。按照他的观点：“当虚拟世界和真实世界的大门打开，社交和各个行业将经历一场大洗牌。就像移动互联网转型一样，上不了船的人将逐渐落伍。”
近期，由腾讯云主办的链上产业系列活动第四期「全真互联白皮书解读-区块链专场」成功举办，来自工信部、信通院、埃森哲及腾讯等单位嘉宾以“以可信协议，共建全真互联”生态为主题进行了深入交流与分享，观点前沿，干货满满。 前不久，腾讯发布《全真互联白皮书》，首次阐释了全真互联的概念、技术体系及应用场景。白皮书中提到的可信协议及区块链将如何支撑全真互联？面向未来，又会产生哪些新的商业场景和机会？这场沙龙为我们揭晓答案。 此次活动由腾讯云区块链、长安链资深运营经理范围主持，她首先介绍了本场活动的重要嘉宾及合作支持单位，
图1：Building3D数据集中最大的城市Talinn以及建筑物和房屋点云，mesh和线框模型。
当提到学习，我们往往想到的是课本、笔记和考试。但在现实世界中，真正的学习并不仅仅局限于这些。项目制学习作为一种更加接近现实的学习方式，为学生提供了一个全新的视角，帮助他们更好地理解和应用知识。
选文审编：Shawn 翻译校对：Helen，崔楠 素材来源： http://www.fintechbusiness.com [编者按] 德意志银行总裁John Cryan之前少见地在达沃斯论坛出现，并带来了一个劲爆的消息，“十年内纸币和硬币组成的现金支付系统将退出历史舞台。” 联想到中国人民银行有关负责人也表示，央行目前正积极对国内外数字货币的运行框架、关键技术与流通环境深入研究，未来数字货币不仅前景明朗甚至已经上升到国家战略层面。《大数据文摘--商业与金融专栏》今天推出数字货币专题系列之三，本文从独特的视
---- 新智元报道 编辑：袁榭 好困 【新智元导读】如何让人脸识别摆脱肤色偏见？如何让智能车撞击实验100遍？训练数据不够怎么办？英伟达：全部自己生成不就行了。 以下观点可能有点反直觉：为了让AI更好地应对真实世界应用场景，训练数据集最好别用真实世界数据。 是的，合成数据才是解锁AI真正潜力的关键所在。顾名思义，合成数据不是从真实世界搜集所得，而是由人工生成的。但合成数据的使用素来伴随争议，业界一直对其能否精确对应现实世界、能否让受训AI应对真实状况存有疑虑。为此，负责模拟技术与Omniver
随着 DeepMind、OpenAI 等一系列科技巨头对强化学习技术的应用，越来越多的科研工作者投入到该领域的研发中。然而，目前大多数的研究工作还停留在通过游戏进行仿真的阶段。在我们对研究者们在 Atari、星际争霸等游戏中战胜人类职业玩家而沾沾自喜的同时，我们更应该意识到，目前的强化学习技术还远未达到满足真实世界中通用任务需求的水准。其中，人类对强化学习的奖励函数设计、训练过程自我调节等机制的影响是目前研究者们急需突破的重要瓶颈。
“元宇宙”是2021年国际热词，2021年被称为“元宇宙元年”。作为人类前沿科技领域的一个新生事物，目前元宇宙不仅在概念界定上存在不小争论，而且人们对其前世今生的发展嬗变和关键特征也有许多不同看法。
知道自动驾驶汽车安全上路前需要进行多少里程的测试吗？特斯拉CEO马斯克说至少要96亿公里以上，兰德智库认为需要至少跑177亿公里，相当于在地球和太阳间往返50多趟。这么大的数据量，要是全靠道路测试是不是会把工程师逼疯？
机器之心发布 机器之心编辑部 从围棋的 AlphaGo 到星际争霸 II 的 AlphaStar，再到 Dota2 的 OpenAI Five，这些超级智能体研究在越来越拟真和开放的虚拟环境中取得了一个个巨大的突破，现在通才 AI 智能体"Ghost in the Minecraft"（GITM）已经能够玩转《我的世界》游戏！ 在全球最畅销的游戏《我的世界》Minecraft 中，我们可以看到生存、探索和创造等各种活动，无一不在紧密地模拟真实世界，《我的世界》好似一个缩小版的现实世界。包括 DeepMind
选自BAIR 作者：Anusha Nagabandi、Gregory Kahn 机器之心编译 参与：Panda 伯克利人工智能研究实验室（BAIR）博客近日介绍了一种使用神经网络动态的基于模型的强化学
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
