AI LEADERS · MOVES & PAPERS

ผู้นำ AI: การย้ายงานและงานวิจัย — ความเคลื่อนไหวและผลงานวิจัยล่าสุด

การย้ายงานและผลงานวิจัยของบุคคลสำคัญในแล็บ AI, Big Tech และแวดวงวิชาการ เป็นสัญญาณล่วงหน้าของทิศทางเทคโนโลยีและความได้เปรียบทางการแข่งขัน ข้อมูลถูกรวบรวมอัตโนมัติทุกวัน ตรวจสอบโดยผู้ดูแล และสรุปให้เข้าใจง่ายพร้อมลิงก์ต้นฉบับ

ไฮไลต์ล่าสุด

งานวิจัย2026-10-30

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

อียาน เลอเกิง

งานวิจัย2026-10-29

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

Chelsea Finn

งานวิจัย2026-10-29

พิสูจน์ว่าโมเดลปัญญาประดิษฐ์เรียนรู้โลกใบเดียวกันแม้จะมีรูปแบบข้อมูลที่แตกต่างกัน

อียาน เลอเกิง

งานวิจัย2026-10-29

ยกระดับประสิทธิภาพ AI บทสนทนาการตรวจทางจิตเวชด้วยการฝึกฝนในสภาพแวดล้อมเสมือน

Mark Chen

บุคคล ทั้งหมด แล็บแนวหน้า แล็บเกิดใหม่แวดวงวิชาการ ฮาร์ดแวร์ AI เกาหลี จีน ผู้บริหาร

สาขา ทั้งหมด HBM และหน่วยความจำ GPU และตัวเร่ง AI ประสิทธิภาพการอนุมาน การฝึกและการขยายขนาด เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล ดาต้าเซ็นเตอร์และพลังงาน AI เพื่อวิทยาศาสตร์ความปลอดภัยและกฎระเบียบ

การย้ายงาน · World model และมัลติโมดัล

ยังไม่มีการย้ายงานตามเงื่อนไขนี้

งานวิจัย · World model และมัลติโมดัล

งานวิจัย2026-10-30

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

Hierarchical World Models with Implicit Dynamics

อียาน เลอเกิง และอีก 6 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา ID-WM ซึ่งเป็นโมเดลโลกแบบลำดับชั้นที่แยกความสามารถในการเข้าถึงสถานะและการควบคุมเฉพาะที่ออกจากกัน เพื่อให้สามารถปฏิบัติงานที่ซับซ้อนและยาวนานได้
ผลลัพธ์หลัก: บันทึกประสิทธิภาพที่ดีขึ้น 38.5 เปอร์เซ็นต์เมื่อเทียบกับวิธีที่ดีที่สุดที่มีอยู่ และแสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้น 135 เปอร์เซ็นต์เมื่อเทียบกับโมเดลโลกระดับเดี่ยว
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ที่หุ่นยนต์จะสามารถลดข้อผิดพลาดและวางแผนระยะยาวได้ แม้ในสภาพแวดล้อมที่ซับซ้อนและพบเป็นครั้งแรกสรุปโดย AI

เอเจนต์และการเขียนโค้ด World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-11 · arXiv (Cornell University)

ประยุกต์ใช้กฎฟิสิกส์เพื่อลดความผิดพลาดในการคาดการณ์ของโมเดลโลก AI

LeHami: Symplectic Latent Dynamics for World Models

อียาน เลอเกิง และอีก 2 คน

ทำอะไร: คณะผู้วิจัยได้พัฒนา LeHami ซึ่งเป็นวิธีการฝึกอบรมโมเดลโลกแบบใหม่ที่ผสมผสานคุณสมบัติทางเรขาคณิตของระบบฟิสิกส์เข้ากับปัญญาประดิษฐ์
ผลลัพธ์หลัก: วิธีนี้แตกต่างจากวิธีเดิมๆ โดยช่วยป้องกันไม่ให้ข้อมูลถูกบีบอัดและสูญหายระหว่างกระบวนการคาดการณ์ระยะยาว และช่วยเพิ่มประสิทธิภาพในการคาดการณ์ความเร็วได้อย่างมาก
ความสำคัญ: การศึกษานี้มีส่วนช่วยให้ปัญญาประดิษฐ์สามารถเข้าใจและจำลองพื้นที่ทางกายภาพได้อย่างแม่นยำยิ่งขึ้นสรุปโดย AI

ประสิทธิภาพการอนุมาน World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-07 · arXiv (Cornell University)

การพัฒนาโมเดลโลกที่รวมการทำงานของหุ่นยนต์หลากหลายรูปแบบเข้าด้วยกัน

Cross-Embodiment Robot Foundation World Models with Latent Actions

เฟย์-เฟย์ หลี่ และอีก 11 คน

ทำอะไร: พัฒนาโมเดลโลกของหุ่นยนต์ที่ใช้พื้นที่การกระทำแฝงแบบบูรณาการ ซึ่งหุ่นยนต์ที่มีรูปร่างหลากหลายสามารถใช้ร่วมกันได้
ผลลัพธ์หลัก: เมื่อนำไปใช้กับหุ่นยนต์ใหม่ แสดงประสิทธิภาพที่ดีขึ้นสูงสุด 46.7% ในงานควบคุมที่ประณีต และดีขึ้น 11.7% ในการประเมินประสิทธิภาพ LIBERO เมื่อเทียบกับวิธีเดิม
ความสำคัญ: ช่วยให้เกิดการเรียนรู้ที่มีประสิทธิภาพระหว่างหุ่นยนต์ที่หลากหลาย ซึ่งมีส่วนช่วยในการแก้ปัญหาความท้าทายสำคัญในด้านวิทยาการหุ่นยนต์สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

เปิดตัวเฟรมเวิร์กโอเพน소스ที่รวมการควบคุมหุ่นยนต์และการคาดการณ์อนาคตเข้าด้วยกัน

OpenWAM: An Open Framework for Composable World-Action Models

เฟย์-เฟย์ หลี่ และอีก 9 คน

ทำอะไร: ได้พัฒนา OpenWAM ซึ่งเป็นเฟรมเวิร์กโอเพน소스สำหรับการเปรียบเทียบและวิจัยโมเดลโลกและการกระทำที่จัดการทั้งการควบคุมหุ่นยนต์และการคาดการณ์วิดีโอในอนาคต
ผลลัพธ์หลัก: วิธีที่นำเสนอช่วยเพิ่มอัตราความสำเร็จของงานmanipulationของหุ่นยนต์ได้อย่างมาก และปรับปรุงประสิทธิภาพของโมเดลพลศาสตร์ผ่านการเรียนรู้ด้วยข้อมูลcounterfactual
ความสำคัญ: เป็นรากฐานในการเปรียบเทียบวิธีการควบคุมหุ่นยนต์และการคาดการณ์วิดีโอที่หลากหลายได้อย่างเท่าเทียม ซึ่งช่วยเพิ่มประสิทธิภาพในการวิจัยเทคโนโลยีที่เกี่ยวข้องสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-05 · arXiv (Cornell University)

การพัฒนา H-JEPA โมเดล AI ที่เรียนรู้โครงสร้างลำดับชั้นสำหรับการวางแผนภาพที่ซับซ้อน

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning

อียาน เลอเกิง และอีก 4 คน

ทำอะไร: ได้พัฒนา H-JEPA (H-JEPA) ซึ่งเป็นโมเดลโลกแบบลำดับชั้นที่เรียนรู้โดยแบ่งระดับความนามธรรมตามช่วงเวลา
ผลลัพธ์หลัก: ในการทดลองในสภาพแวดล้อมจำลองและวิดีโอหุ่นยนต์จริง อัตราความสำเร็จในการวางแผนสูงขึ้นและประสิทธิภาพในการคำนวณดีขึ้นกว่าโมเดลระดับเดี่ยวแบบเดิม
ความสำคัญ: สามารถมีส่วนช่วยเพิ่มประสิทธิภาพในการควบคุมหุ่นยนต์และงานด้านภาพที่ต้องการการวางแผนระยะยาวที่ซับซ้อนสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · The International Journal of Robotics Research

บทความปริทัศน์ครอบคลุมงานวิจัย 'เวิลด์โมเดล' สำหรับการเรียนรู้ของหุ่นยนต์

World model for robot learning: A comprehensive survey

Pieter Abbeel และอีก 17 คน

ทำอะไร: นี่คือบทความสำรวจ (บทความปริทัศน์แบบองค์รวม) ที่รวบรวมและจัดระเบียบ 'เวิลด์โมเดล' ซึ่งเป็นโมเดลที่ทำนายว่าสภาพแวดล้อมจะเปลี่ยนแปลงไปอย่างไรตามการกระทำ จากมุมมองของการเรียนรู้ของหุ่นยนต์
ผลลัพธ์หลัก: จากบทคัดย่อ บทความนี้ได้สรุปวิธีการที่เวิลด์โมเดลถูกนำไปใช้ในนโยบายของหุ่นยนต์, ตัวจำลองสถานการณ์, การประเมินผล และการสร้างข้อมูล รวมถึงเส้นทางการพัฒนาของเวิลด์โมเดลวิดีโอของหุ่นยนต์ พร้อมทั้งสรุปชุดข้อมูล, เกณฑ์มาตรฐาน และวิธีการประเมินที่เป็นตัวแทน
ความสำคัญ: เอกสารนี้ช่วยรวบรวมแนว2ทางการวิจัยการเรียนรู้ของหุ่นยนต์ที่กระจัดกระจายให้อยู่ในกรอบเดียวกัน ซึ่งช่วยให้เข้าใจทิศทางการวิจัยที่เกี่ยวข้อง อย่างไรก็ตาม บทคัดย่อไม่ได้พิสูจน์ประสิทธิภาพเฉพาะตัวหรือความสำเร็จทางการค้าของแต่ละเทคโนโลยีสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · arXiv (Cornell University)

งานวิจัย JEPA ที่ทำให้โมเดลโลกสำหรับการขับขี่อัตโนมัติเร็วขึ้น 100 เท่า

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving

อียาน เลอเกิง และอีก 3 คน

ทำอะไร: ได้ทำการประเมินเปรียบเทียบโมเดลโลกแบบอิงการทำนาย (ตระกูล JEPA) ที่ใช้ในการขับขี่อัตโนมัติ และเสนอโครงสร้างที่ปรับปรุงใหม่ AD-E2E-JEPA ซึ่งช่วยลดปริมาณการคำนวณลงอย่างมาก
ผลลัพธ์หลัก: รายงานระบุว่าโครงสร้างที่เสนอสามารถลดจำนวนแพตช์ที่ใช้ในการวางแผนลง 16 เท่า และลดมิติของอิมเบดดิ้งลง 4 เท่า ทำให้ความเร็วในการอนุมานเพิ่มขึ้นประมาณ 100 เท่า โดยที่ยังคงประสิทธิภาพการวางแผนไว้
ความสำคัญ: แม้ว่างานวิจัยนี้จะแสดงให้เห็นถึงทิศทางในการลดต้นทุนการคำนวณของ AI ขับขี่อัตโนมัติ แต่ก็ยากที่จะตัดสินประสิทธิผลในการใช้งานจริงกับรถยนต์และความเป็นไปได้ในการเชิงพาณิชย์จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

ประสิทธิภาพการอนุมาน หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

บุคคล

แล็บแนวหน้า

แล็บเกิดใหม่

Mira MuratiCEO Thinking Machines Lab อันเดรจ คาร์แพธีAndrej Karpathyผู้ก่อตั้ง Eureka Labs อียาน เลอเกิงYann LeCunผู้ก่อตั้ง AMI Labsกิจกรรมล่าสุด 2026-10-30 Ilya SutskeverCEO SSI Llion JonesSakana AIกิจกรรมล่าสุด 2026-10-06 Lilian Wengผู้ร่วมก่อตั้ง Thinking Machines Lab Barret Zophย้ายบ่อย (มีรายงานว่ากลับสู่ OpenAI ปี 2026 แล้วย้ายอีกครั้ง)Sergey LevinePhysical Intelligence·UC เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 Aravind Srinivasซีอีโอ Perplexity Arthur Menschซีอีโอ Mistral AI Ashish VaswaniEssential AIกิจกรรมล่าสุด 2026-10-28 Aidan Gomezซีอีโอ Cohereกิจกรรมล่าสุด 2026-09-12 John Schulmanนักวิทยาศาสตร์หลัก Thinking Machines Lab Chelsea FinnPhysical Intelligence·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-29 เฟย์-เฟย์ หลี่Fei-Fei LiCEO World Labs·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-07

แวดวงวิชาการ

Richard Suttonมหาวิทยาลัยอัลเบอร์ตา Stuart Russellมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์แอนดรูว์ อึ่งAndrew NgDeepLearning.AI และ AI Fund Yoshua Bengioมหาวิทยาลัยมอนทรีออล และ LawZeroกิจกรรมล่าสุด 2026-10-12 เจฟฟรีย์ ฮินตันGeoffrey Hintonศาสตราจารย์กิตติคุณ มหาวิทยาลัยโตรอนโตกิจกรรมล่าสุด 2026-09-28 Christopher Manningมหาวิทยาลัยสแตนฟอร์ดกิจกรรมล่าสุด 2026-07-20 Percy Liangมหาวิทยาลัยสแตนฟอร์ด และ Together AIกิจกรรมล่าสุด 2026-10-22 Pieter Abbeelมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 เหอ ไข่หมิงKaiming Heสถาบันเทคโนโลยีแมสซาชูเซตส์กิจกรรมล่าสุด 2026-10-01

ฮาร์ดแวร์ AI

Bill Dallyหัวหน้านักวิทยาศาสตร์ NVIDIA Tri DaoTogether AI · มหาวิทยาลัยพรินซ์ตันกิจกรรมล่าสุด 2026-08-12 Song HanMIT · NVIDIAกิจกรรมล่าสุด 2026-10-07 Andrew Feldmanซีอีโอ Cerebras Jonathan RossGroq Jim Kellerซีอีโอ Tenstorrent Jim Fanฝ่ายหุ่นยนต์ NVIDIA

เกาหลี

Ha Jung-wooรองประธานคณะกรรมการยุทธศาสตร์ AI แห่งชาติ (ลาออกจากตำแหน่งหัวหน้าฝ่าย AI สำนักประธานาธิบดีในปี 2026)กิจกรรมล่าสุด 2026-04-22 Kim Sung Hunซีอีโอ Upstage Bae Kyunghoonรัฐมนตรีว่าการกระทรวงวิทยาศาสตร์และเทคโนโลยีสารสนเทศและการสื่อสาร (อดีตผู้อำนวยการสถาบันวิจัย AI ของ LG)Oh Alice HaeyunKAIST Lee Hae-minหัวหน้าฝ่ายวางแผนอนาคต AI สำนักประธานาธิบดี (แต่งตั้งในปี 2026)Cho Kyunghyunมหาวิทยาลัยนิวยอร์ก และ Genentechกิจกรรมล่าสุด 2026-10-04

จีน

Liang Wenfengผู้ก่อตั้ง DeepSeekกิจกรรมล่าสุด 2026-10-12 Yang Zhilinผู้ก่อตั้ง Moonshot AIกิจกรรมล่าสุด 2026-07-27 Kai-Fu Lee01.AI

ผู้บริหาร

Kwak Noh-jungซีอีโอ SK Hynix มาร์ก ซักเคอร์เบิร์กMark Zuckerbergซีอีโอ Meta แซม ออลต์เมินSam Altmanซีอีโอ OpenAI Jun Young-hyunหัวหน้าแผนก DS Samsung Electronics เจนเซ่น หวงJensen Huangซีอีโอ NVIDIA C.C. Weiประธานและซีอีโอ TSMC Greg Brockmanประธาน OpenAI Lisa Suซีอีโอ AMD Lip-Bu Tanซีอีโอ Intel สัตยา นาเดลลาSatya Nadellaซีอีโอ Microsoft Sanjay Mehrotraซีอีโอ Micron Masayoshi Sonประธาน SoftBank ศุนทัร ปิจไชSundar Pichaiซีอีโอ Alphabet Andy Jassyซีอีโอ Amazon อีลอน มัสก์Elon Muskซีอีโอ xAI และ Tesla Kevin ScottCTO Microsoft Hock Tanซีอีโอ Broadcom

ทำไมต้องติดตามการย้ายงานและงานวิจัยของผู้นำ AI

ในอุตสาหกรรม AI คนคือเทคโนโลยี การที่นักวิจัยคนสำคัญย้ายไปบริษัทใดหรือก่อตั้งแล็บใหม่ มักกลายเป็นผลิตภัณฑ์ การระดมทุน และการควบรวมกิจการในอีกไม่กี่เดือน หน้านี้ติดตามการเปลี่ยนสังกัดในแล็บแนวหน้า แล็บเกิดใหม่ แวดวงวิชาการ ชิป AI และบุคคลในเกาหลีและจีน

งานวิจัยบอกว่าบุคคลนั้นกำลังโฟกัสเรื่องอะไร เราจัดงานวิจัยเป็น 10 สาขาที่เชื่อมโยงกับการลงทุน เช่น HBM และหน่วยความจำ GPU และตัวเร่ง ประสิทธิภาพการอนุมาน เอเจนต์ และหุ่นยนต์ พร้อมสรุปสามบรรทัด — ทำอะไร ผลลัพธ์หลัก ความสำคัญ — จากบทคัดย่อ และลิงก์ต้นฉบับกับ PDF ข้อมูลนี้มีไว้เพื่อหาไอเดีย ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใด

คำถามที่พบบ่อย

ถาม: ติดตามใครบ้าง?

นักวิจัยและผู้บริหารคนสำคัญในแล็บแนวหน้า (OpenAI, Google DeepMind, Anthropic, Meta ฯลฯ) แล็บเกิดใหม่ แวดวงวิชาการ บริษัทชิป AI รวมถึงเกาหลีและจีน ผู้บริหารที่แทบไม่เขียนงานวิจัยจะติดตามเฉพาะการย้ายงาน

ถาม: ข้อมูลมาจากไหนและอัปเดตบ่อยแค่ไหน?

งานวิจัยมาจาก Semantic Scholar และ arXiv ส่วนประวัติมาจาก Wikidata (CC0) และประกาศทางการกับรายงานข่าว รวบรวมอัตโนมัติทุกวัน และเผยแพร่เฉพาะรายการที่ผู้ดูแลตรวจสอบและอนุมัติแล้ว

ถาม: ใครเป็นผู้เขียนบทสรุปงานวิจัย?

AI (Google Gemini) ร่างบทสรุปจากบทคัดย่อของงานวิจัย และผู้ดูแลตรวจสอบก่อนเผยแพร่ ภาษาอื่นเป็นการแปลด้วย AI จากบทสรุปภาษาเกาหลีที่ตรวจแล้ว โปรดยืนยันตัวเลขและบริบทในต้นฉบับเสมอ

หน้านี้รวบรวมงานวิจัยที่เผยแพร่ ประกาศอย่างเป็นทางการ และรายงานข่าว เพื่อเป็นข้อมูลเท่านั้น บทสรุปงานวิจัยเขียนโดย AI จากบทคัดย่อและตรวจสอบโดยผู้ดูแล อาจแตกต่างจากต้นฉบับ โปรดตรวจสอบต้นฉบับสำหรับเนื้อหาสำคัญ ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใดหรือคำปรึกษาด้านการลงทุน การย้ายงานอ้างอิงประกาศอย่างเป็นทางการหรือสื่อหลัก และประวัติการทำงานบางส่วนอ้างอิงจาก Wikidata (CC0) บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว