แล็บเกิดใหม่

Sergey Levine

Physical Intelligence·UC เบิร์กลีย์

เหตุผลที่ติดตาม: การเรียนรู้ของหุ่นยนต์

การย้ายงาน

ยังไม่มีการย้ายงานที่เผยแพร่

งานวิจัย

งานวิจัย2026-10-06 · arXiv (Cornell University)

การระบุความสัมพันธ์ระหว่างความสามารถในการควบคุมสิ่งแวดล้อมและความเป็นศูนย์กลางเชิงโครงสร้างของเอเจนต์ปัญญาประดิษฐ์

The Geometry of Empowerment

Sergey Levine และอีก 3 คน

ทำอะไร: คณะนักวิจัยได้เปิดเผยความสัมพันธ์ระหว่างการเสริมพลัง (Empowerment) ซึ่งหมายถึงความสามารถของเอเจนต์ปัญญาประดิษฐ์ในการควบคุมสภาพแวดล้อมรอบตัว กับความเป็นศูนย์กลางเชิงโครงสร้างที่ช่วยให้เข้าถึงผลลัพธ์ในอนาคตได้อย่างกว้างขวาง
ผลลัพธ์หลัก: นำเสนอโครงสร้างเชิงเรขาคณิตแบบใหม่ที่เชื่อมโยงระหว่างการเพิ่มการเสริมพลังสูงสุดกับวิธีการเรียนรู้ทักษะ เพื่อให้สามารถตีความและวิเคราะห์สิ่งเหล่านี้ได้
ความสำคัญ: ให้ข้อเสนอแนะเชิงทฤษฎีที่จำเป็นสำหรับการสร้างวิธีการเพิ่มการเสริมพลังสูงสุดที่สามารถขยายขนาดได้สรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-05 · arXiv (Cornell University)

พัฒนาเกณฑ์มาตรฐานใหม่สำหรับการศึกษาปรากฏการณ์เทคโนโลยีการเลียนแบบพฤติกรรมของปัญญาประดิษฐ์

Behavioral Cloning Mystery

Sergey Levine และอีก 1 คน

ทำอะไร: นำเสนอ OCBernch (OCBench) ซึ่งเป็นเครื่องมือประเมินการจัดการของหุ่นยนต์ที่มีลักษณะคล้ายกับการสาธิตของมนุษย์
ผลลัพธ์หลัก: แสดงให้เห็นว่าผ่านเครื่องมือนี้ สามารถทำการศึกษาทางวิทยาศาสตร์เกี่ยวกับปรากฏการณ์ต่างๆ ที่เกี่ยวข้องกับการเลียนแบบพฤติกรรม และตรวจสอบสมมติฐานในสภาพแวดล้อมที่ใช้หน่วยประมวลผลกราฟิก (GPU) ได้
ความสำคัญ: เป็นพื้นฐานในการวิเคราะห์ปรากฏการณ์ในเทคโนโลยีการเรียนรู้ของหุ่นยนต์ที่เคยไม่ทราบสาเหตุชัดเจน ภายใต้สภาพแวดล้อมที่มีการควบคุมสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-08-24

เทคโนโลยีการเรียนรู้พฤติกรรมในขณะที่หุ่นยนต์กำลังรอ

Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency

Sergey Levine และอีก 19 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา ARLI ซึ่งเป็นโครงงานการเรียนรู้เสริมกำลังที่รับรู้ความหน่วง เพื่อแก้ไขปัญหาที่เกิดจากเวลาในการคิด (ความหน่วงในการอนุมาน) ของโมเดลหุ่นยนต์
ผลลัพธ์หลัก: วิธีใหม่นี้ช่วยให้หุ่นยนต์สามารถเรียนรู้ต่อไปได้อย่างประสบความสำเร็จแม้ในสภาพแวดล้อมที่มีความหน่วง และแสดงประสิทธิภาพที่เท่าเทียมหรือเหนือกว่าสภาพแวดล้อมในอุดมคติที่ไม่มีความหน่วง
ความสำคัญ: เป็นการเปิดความเป็นไปได้ให้อปัญญาประดิษฐ์หุ่นยนต์ที่มีความซับซ้อนและขนาดใหญ่สามารถปรับปรุงประสิทธิภาพของตนเองได้ในสถานการณ์จริงโดยไม่มีอาการสะดุดหรือหยุดชะงักสรุปโดย AI

ประสิทธิภาพการอนุมาน หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-08-03

การ ศึกษา กลไก การ ทำงาน ของ การ จัด กลุ่ม การ กระทำ (Action chunking) ที่ ช่วย เพิ่ม ประสิทธิภาพ การ ควบคุม หุ่นยนต์

Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control?

Sergey Levine และอีก 5 คน

ทำอะไร: วิเคราะห์ ผ่าน การ ทดลอง ถึง สาเหตุ ที่ ทำให้ เทคโนโลยี 'การ จัด กลุ่ม การ กระทำ' ซึ่ง ทำนาย และ ดำเนิน การ หลาย การ กระทำ พร้อม กัน ใน การ ควบคุม หุ่นยนต์ มี ประสิทธิภาพ สูง ขึ้น
ผลลัพธ์หลัก: แสดง ให้ เห็น ว่า สมมติฐาน เดิม ไม่ ถูกต้อง ค้นพบ ว่า ปัจจัย ความ สำเร็จ หลัก ของ การ จัด กลุ่ม การ กระทำ คือ เอฟเฟกต์ 'การ รวม โมเดล แบบ โดย นัย (Implicit ensembling)' ที่ เรียน รู้ ความ สัมพันธ์ เชิง เวลา ที่ หลากหลาย และ ได้ เสนอ นโยบาย ใหม่ ที่ ใช้ ประโยชน์ จาก สิ่ง นี้
ความสำคัญ: การ เปิดเผย ปัจจัย หลัก ที่ เพิ่ม ประสิทธิภาพ ของ เทคโนโลยี การ ควบคุม หุ่นยนต์ ช่วย เป็น รากฐาน ทาง ทฤษฎี สำหรับ การ พัฒนา โมเดล การ เรียน รู้ ของ หุ่นยนต์ ที่ มี ประสิทธิภาพ ใน อนาคตสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-06-11 · arXiv.org

พัฒนาเทคโนโลยีใหม่เพื่อชี้แนะพฤติกรรมของหุ่นยนต์ให้แม่นยำยิ่งขึ้น

Improving Robotic Generalist Policies via Flow Reversal Steering

Sergey Levine และอีก 4 คน

ทำอะไร: เพื่อเพิ่มประสิทธิภาพของนโยบายหุ่นยนต์อเนกประสงค์ที่ฝึกฝนด้วยชุดข้อมูลหุ่นยนต์ที่หลากหลาย ได้มีการประเมินวิธีที่เรียกว่า 'โฟลว์รีเวอร์ซัลสเตียริง (FRS)' ซึ่งช่วยเปลี่ยนพฤติกรรมที่เก้ๆ กังๆ ให้กลายเป็นพฤติกรรมที่ดีขึ้นในระบบควบคุม
ผลลัพธ์หลัก: การใช้ FRS สามารถเปลี่ยนคำแนะนำคร่าวๆ จากมนุษย์หรือโมเดลวิสัยทัศน์และภาษาให้เป็นพฤติกรรมหุ่นยนต์ที่ดีได้ โดยเพิ่มอัตราความสำเร็จของงานสูงสุด 95% ด้วยการเรียนรู้ที่ไม่ถึง 1 นาที
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการช่วยให้หุ่นยนต์มีประสิทธิภาพที่ดีขึ้นในงานใหม่ๆ โดยใช้คำแนะนำของมนุษย์หรือเทคโนโลยีที่มีอยู่สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

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