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 · แล็บเกิดใหม่

ประวัติการทำงานล่าสุด (อ้างอิง Wikidata อาจมีข้อมูลที่ยังไม่ได้ยืนยัน)

อียาน เลอเกิง — Advanced Machine Intelligence (ผู้ก่อตั้ง) ก่อตั้ง 2025-12-15
Mira Murati — Thinking Machines Lab เข้าร่วม 2025-02
John Schulman — แอนโทรปิก เข้าร่วม 2024-08 · สิ้นสุด 2025-02
John Schulman — Thinking Machines Lab เข้าร่วม 2025-02
Barret Zoph — Thinking Machines Lab เข้าร่วม 2025-02
Lilian Weng — Thinking Machines Lab เข้าร่วม 2025
Lilian Weng — โอเพนเอไอ เข้าร่วม 2018 · สิ้นสุด 2024-11
Mira Murati — โอเพนเอไอ เข้าร่วม 2022-05 · สิ้นสุด 2024-09
Barret Zoph — โอเพนเอไอ เข้าร่วม 2022-09 · สิ้นสุด 2024-09
John Schulman — โอเพนเอไอ เข้าร่วม 2015 · สิ้นสุด 2024-08
Ilya Sutskever — Safe Superintelligence Inc. (ผู้ก่อตั้ง) ก่อตั้ง 2024-06-19
Ilya Sutskever — โอเพนเอไอ เข้าร่วม 2016-01 · สิ้นสุด 2024-05-14
อันเดรจ คาร์แพธี — โอเพนเอไอ เข้าร่วม 2023-02 · สิ้นสุด 2024-02
Arthur Mensch — Mistral AI (ผู้ก่อตั้ง) ก่อตั้ง 2023-04-28
เฟย์-เฟย์ หลี่ — Radical Ventures เข้าร่วม 2023

งานวิจัย · แล็บเกิดใหม่

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 ↗

งานวิจัย2026-10-29 · arXiv (Cornell University)

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

Cross-Controller Transfer via In-Context Behavior Adaptation

Chelsea Finn และอีก 2 คน

ทำอะไร: ได้พัฒนาเทคโนโลยีที่ใช้ข้อมูลจากหุ่นยนต์ที่ใช้วิธีการควบคุมที่แตกต่างกันมาเรียนรู้ร่วมกันได้อย่างไม่มีความขัดแย้ง
ผลลัพธ์หลัก: อัตราความสำเร็จเฉลี่ยเพิ่มขึ้น 33 เปอร์เซ็นต์เมื่อเทียบกับวิธีแบบเดิม
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการใช้ประโยชน์จากข้อมูลหุ่นยนต์ที่รวบรวมจากสภาพแวดล้อมที่หลากหลายได้อย่างมีประสิทธิภาพมากขึ้นสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-29 · arXiv (Cornell University)

พิสูจน์ว่าโมเดลปัญญาประดิษฐ์เรียนรู้โลกใบเดียวกันแม้จะมีรูปแบบข้อมูลที่แตกต่างกัน

Proving and Improving the Platonic Representation Hypothesis with JEPAs

อียาน เลอเกิง และอีก 1 คน

ทำอะไร: คณะนักวิจัยได้พิสูจน์สมมติฐานที่ว่าโมเดลปัญญาประดิษฐ์ที่เรียนรู้จากรูปแบบอินพุตที่แตกต่างกันจะลู่เข้าสู่การแทนค่าโลกแบบเดียวกัน ให้กลายเป็นทฤษฎีบททางคณิตศาสตร์ พร้อมทั้งนำเสนอวิธีการปรับปรุง
ผลลัพธ์หลัก: ได้รับการยืนยันว่าโมเดลที่ใช้มุมมองที่ดีสามารถจับคู่การแทนค่าได้อย่างมีประสิทธิภาพด้วยข้อมูลที่น้อยกว่าวิธีทำนายโทเค็นถัดไปอย่างมาก
ความสำคัญ: งานวิจัยนี้มีส่วนช่วยในการปรับปรุงวิธีที่ปัญญาประดิษฐ์ทำความเข้าใจข้อมูลได้อย่างมีประสิทธิภาพและเชื่อมโยงรูปแบบข้อมูลที่แตกต่างกันเข้าด้วยกันสรุปโดย AI

การฝึกและการขยายขนาด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-28

การพัฒนาโมเดล AI ประสิทธิภาพสูงที่สามารถปฏิบัติงานที่ซับซ้อนได้

Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI

Ashish Vaswani และอีก 499 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา Nemotron 3.5 Super และ Lightning ซึ่งเป็นโมเดล AI แบบเปิดที่เหมาะสำหรับการใช้เหตุผล การเข้าใจบริบทRiยาวยาว และการปฏิบัติงานแบบอัตโนมัติ
ผลลัพธ์หลัก: โมเดล Super ทำคะแนนในการประเมินด้านวิศวกรรมซอฟต์แวร์ได้ 51.78% ซึ่งเหนือกว่ารุ่นก่อนหน้า แม้จะใช้พารามิเตอร์ที่ทำงานจริงน้อยกว่า และแสดงให้เห็นถึงประสิทธิภาพการประมวลผลที่สูงผ่านการปรับแต่งที่หลากหลาย
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการยกระดับประสิทธิภาพและสมรรถนะของโมเดลขนาดใหญ่ไปพร้อมๆ กัน เพื่อให้สามารถนำไปประยุกต์ใช้ได้จริงในหลากหลายสภาพแวดล้อมสรุปโดย AI

ประสิทธิภาพการอนุมาน เอเจนต์และการเขียนโค้ด

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 ↗

งานวิจัย2026-10-07 · arXiv (Cornell University)

เทคโนโลยี AI ที่แปลงวิดีโอหุ่นยนต์เสมือนจริงให้เหมือนของจริง

RoboRender: Robot-Oriented Video Generation for Visual Sim-to-Real Transfer

เฟย์-เฟย์ หลี่ และอีก 8 คน

ทำอะไร: พัฒนาเทคโนโลยีที่แปลงข้อมูลหุ่นยนต์ในสภาพแวดล้อมเสมือนจริงให้เป็นวิดีโอที่มีลักษณะเหมือนสภาพแวดล้อมจริง เพื่อเพิ่มความสามารถในการควบคุมหุ่นยนต์
ผลลัพธ์หลัก: หุ่นยนต์ที่เรียนรู้ด้วยเทคโนโลยีนี้สามารถทำอัตราความสำเร็จเฉลี่ยร้อยละ 71 ในสภาพแวดล้อมจริง ซึ่งแสดง performance ที่เหนือกว่าวิธีเดิม
ความสำคัญ: ช่วยบรรเทาปัญหาความแตกต่างทางภาพที่ทำให้ข้อมูลที่สร้างในสภาพแวดล้อมเสมือนจริงนำไปใช้กับหุ่นยนต์จริงได้ยากสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-07

พัฒนาวิธีการทำนายประสิทธิภาพของโค딩เอเจนต์จากโมเดล AI พื้นฐานล่วงหน้า

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models

Ashish Vaswani และอีก 21 คน

ทำอะไร: พัฒนาหน้าจอประเมินสามแบบที่ใช้ประโยชน์จากเส้นทางความสำเร็จของโค딩เอเจนต์ผ่านการฝึกฝนภายหลัง เพื่อประเมินศักยภาพของโมเดล AI พื้นฐาน
ผลลัพธ์หลัก: วิธีการประเมินทั้งสามแบบที่พัฒนาขึ้น สามารถทำนายการจัดอันดับของกลุ่มโมเดลโอเพนซอร์สให้ใกล้เคียงกับประสิทธิภาพจริงได้
ความสำคัญ: นำเสนอความเป็นไปได้ในการนำการประเมินมาตรฐานของโค딩เอเจนต์ไปใช้ในการประเมินโมเดลพื้นฐานในอนาคตสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

พัฒนาโครงสร้างโครงข่ายประสาทเทียมแบบใหม่ที่แยกความจำระยะสั้นและระยะยาวออกจากกัน

Continuous Memory Machines

Llion Jones และอีก 5 คน

ทำอะไร: คณะผู้วิจัยได้พัฒนาโครงสร้างโครงข่ายประสาทเทียมแบบใหม่ที่เรียกว่า Continuous Memory Machine (CMM) ซึ่งมีสถานะความจำระยะสั้นและระยะยาวในรูปแบบเมทริกซ์ที่แยกออกจากกัน
ผลลัพธ์หลัก: แสดงให้เห็นถึงประสิทธิภาพและความสามารถในการสรุปผลทั่วไปที่ดีกว่าโมเดลที่มีอยู่เดิมในงานด้านอัลกอริทึมและการอนุมาน
ความสำคัญ: สามารถมีส่วนช่วยในการยกระดับความจำและความสามารถในการอนุมานของปัญญาประดิษฐ์ในหลากหลายงานสรุปโดย AI

HBM และหน่วยความจำ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

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 ↗

งานวิจัย2026-10-06 · 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 ↗

งานวิจัย2026-10-04 · arXiv (Cornell University)

เปิดตัว 'SheetSage2' AI แปลงเพลงเป็นโน้ตดนตรี

SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision

อียาน เลอเกิง และอีก 6 คน

ทำอะไร: นำเสนอ SheetSage2 โมเดลการถอดเสียงดนตรีแบบ통합ที่แปลงบันทึกเสียงเป็นโน้ตดนตรีที่มนุษย์อ่านได้ (ลีดชีต) โดยอัตโนมัติ
ผลลัพธ์หลัก: โมเดลเดี่ยว SheetSage2-AR มีประสิทธิภาพเหนือกว่าระบบที่มีอยู่เดิมใน 12 จาก 15 คู่เกณฑ์มาตรฐานและตัวชี้วัดที่ประเมิน ดีขึ้นอย่างมากจากเวอร์ชันก่อนหน้า SheetSage1 และในบางเกณฑ์มาตรฐานยังแสดงประสิทธิภาพที่สูงกว่าโมเดลเฉพาะกิจสำหรับงานนั้นๆ อีกด้วย
ความสำคัญ: นี่คือการวิจัยที่ช่วยเพิ่มความแม่นยำของเทคโนโลยีการถอดเสียงดนตรี โดยมีการเปิดเผยน้ำหนักของโมเดลและโค้ดอนุมานเพื่อให้สามารถนำไปใช้ในการวิจัยหรือแอปพลิเคชันในอนาคตได้ อย่างไรก็ตาม จากบทคัดย่ออย่างเดียวเป็นการยากที่จะตัดสินความเป็นไปได้ในการ commercialize หรือขนาดตลาดสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

Benchmark 'ค้นหา paper ที่สร้างแรงบันดาลใจ' จัดทำโดยนักวิจัย 184 คน

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research

Chelsea Finn และอีก 13 คน

ทำอะไร: สร้างชุดข้อมูล ScholarCatalyst ซึ่งรวบรวมโดยนักวิจัยผู้เป็นชื่อแรก 184 คนจาก paper ด้านวิทยาการคอมพิวเตอร์ล่าสุด 207 ฉบับ โดยระบุว่า paper ก่อนหน้าฉบับใดที่มีประโยชน์ต่อการวิจัยของตนจริงๆ และได้นำเสนอโจทย์การค้นหา paper เหล่านี้
ผลลัพธ์หลัก: การค้นหาด้วยเอเจนต์ (AI ที่ทำงานโดยทำซ้ำการค้นหาด้วยตนเอง) ไม่ได้แสดง performance ที่ดีกว่าวิธีการค้นหาพื้นฐาน (Recall ที่ผลลัพธ์ 20 อันดับแรก 0.42 ต่อ 0.48) เอเจนต์ที่ใช้ Claude Fable 5.1 ก็ทำได้เพียง 0.51
ความสำคัญ: แสดงให้เห็นว่าปัจจุบัน AI ยังขาดสัญชาตญาณของผู้เชี่ยวชาญในการมองหาไอเดียล่วงหน้าที่จำเป็นจากวรรณกรรมวิจัยจำนวนมหาศาล และชี้ให้เห็นทิศทางว่าจำเป็นต้องมีวิธีการเรียนรู้ใหม่เพื่อสิ่งนี้ ถือเป็นอีกขั้นหนึ่งของการวิจัย AI ที่ช่วยสนับสนุนการวิจัยทางวิทยาศาสตร์ แต่ไม่สามารถยืนยันผลลัพธ์เชิงพาณิชย์หรืออุตสาหกรรมจริงได้จากบทคัดย่อสรุปโดย AI

เอเจนต์และการเขียนโค้ด AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-29 · arXiv (Cornell University)

T2Mem: เทคนิคการเรียนsรู้ให้หุ่นยนต์จดจำฉากในอดีตเพื่อปฏิบัติงาน

T$^2$Mem: Learning Test-Time Memory for Robotics

เฟย์-เฟย์ หลี่ และอีก 6 คน

ทำอะไร: สำหรับงาน manipulation ของหุ่นยนต์ที่จำเป็นต้องจดจำข้อมูลการสังเกตการณ์ในอดีต ได้มีการเสนอFramework (T2Mem) ที่เพิ่มความสามารถด้านความจำผ่านการเรียนรู้ขณะทดสอบ (test-time training) ให้กับนโยบายหุ่นยนต์ที่ฝึกอบรมล่วงหน้าซึ่งเดิมไม่มีฟังก์ชันความจำ
ผลลัพธ์หลัก: อัตราความสำเร็จเฉลี่ยใน 16 งานของ RoboMME เพิ่มขึ้นจาก 17.93% ของนโยบายพื้นฐานที่ไม่มีความจำ เป็น 56.83% และสูงกว่าวิธีหน่วยความจำแบบวนซ้ำ (recurrent memory) ที่รายงานไว้ในเบนช์มาร์ก
ความสำคัญ: มีความหมายตรงที่แสดงให้เห็นว่าสามารถพัฒนาความสามารถของหุ่นยนต์ในการใช้ประโยชน์จากข้อมูลในอดีตที่ไม่อยู่บนหน้าจอปัจจุบันได้โดยใช้เพียงข้อมูลสาธิตโดยไม่ต้องมีอุปกรณ์จัดเก็บข้อมูลภายนอก อย่างไรก็ตาม เนื่องจากบทคัดย่อกล่าวถึงเฉพาะผลลัพธ์ในขั้นตอนการวิจัย จึงไม่สามารถยืนยันการ commercialization หรือผลกระทบต่อตลาดได้สรุปโดย AI

ประสิทธิภาพการอนุมาน หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · arXiv (Cornell University)

DexAgent สร้างข้อมูลการเรียนรู้การเคลื่อนไหวของมือหุ่นยนต์โดยอัตโนมัติจากวิดีโอตัวอย่างของมนุษย์

DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library

เฟย์-เฟย์ หลี่ และอีก 4 คน

ทำอะไร: นำเสนอเฟรม워크แบบเอเจนต์ที่สร้างวิถีการเคลื่อนไหวของหุ่นยนต์ที่เป็นไปได้จริงทางฟิสิกส์ เพื่อสร้างข้อมูลสำหรับการเรียนรู้ของหุ่นยนต์ โดยรับวิดีโอมุมมองบุคคลที่หนึ่งและคำอธิบายงานที่มนุษย์บันทึกไว้
ผลลัพธ์หลัก: นโยบาย (กฎพฤติกรรมของหุ่นยนต์) ที่ฝึกด้วยข้อมูลที่สร้างโดย DexAgent ใน 11 งานในสภาพแวดล้อมจริง แสดงอัตราความสำเร็จสูงกว่าวิธีเปรียบเทียบมาตรฐานถึง 3.5 เท่า
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการ自动化กระบวนการแปลงวิดีโอตัวอย่างของมนุษย์ให้เป็นข้อมูลการเรียนรู้ของหุ่นยนต์ แต่เป็นการยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเวลาในการ 商业화 จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ

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 ↗

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 ↗

งานวิจัย2026-05-27 · arXiv.org

พัฒนาเครื่องมือวินิจฉัยเพื่อติดตามการเปลี่ยนผ่านจากการท่องจำสู่การ generalization ระหว่างการฝึกอบรมปัญญาประดิษฐ์

A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio

Ashish Vaswani และอีก 1 คน

ทำอะไร: ได้ศึกษาходилวิธีการวินิจฉัยที่ใช้ 'อัตราส่วนการจัดแนวล็อก (Log-Alignment Ratio หรือ LAR)' ซึ่งวัดพารามิเตอร์และการเปิดใช้งาน เพื่อติดตามว่าปัญญาประดิษฐ์กำลังท่องจำข้อมูลเพียงอย่างเดียวหรือกำลังเรียนรู้จริงๆ
ผลลัพธ์หลัก: LAR สามารถตรวจจับการเปลี่ยนแปลงความสามารถในการ generalization และสัญญาณของการ overfitting ของปัญญาประดิษฐ์ได้อย่างมีประสิทธิภาพ โดยไม่ต้องใช้ข้อมูลตรวจสอบเพิ่มเติม
ความสำคัญ: ช่วยให้สามารถวินิจฉัยประสิทธิภาพของ AI ในระหว่างกระบวนการฝึกอบรมได้โดยไม่ต้องใช้ข้อมูลตรวจสอบแยกต่างหาก ซึ่งอาจมีส่วนช่วยในการพัฒนาเทคโนโลยีการจัดการการฝึกอบรมโมเดลที่มีประสิทธิภาพในอนาคตสรุปโดย AI

การฝึกและการขยายขนาด

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

ผู้นำ AI: การย้ายงานและงานวิจัย — ความเคลื่อนไหวและผลงานวิจัยล่าสุด

ไฮไลต์ล่าสุด

การย้ายงาน · แล็บเกิดใหม่

งานวิจัย · แล็บเกิดใหม่

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

พิสูจน์ว่าโมเดลปัญญาประดิษฐ์เรียนรู้โลกใบเดียวกันแม้จะมีรูปแบบข้อมูลที่แตกต่างกัน

การพัฒนาโมเดล AI ประสิทธิภาพสูงที่สามารถปฏิบัติงานที่ซับซ้อนได้

ประยุกต์ใช้กฎฟิสิกส์เพื่อลดความผิดพลาดในการคาดการณ์ของโมเดลโลก AI

การพัฒนาโมเดลโลกที่รวมการทำงานของหุ่นยนต์หลากหลายรูปแบบเข้าด้วยกัน

เทคโนโลยี AI ที่แปลงวิดีโอหุ่นยนต์เสมือนจริงให้เหมือนของจริง

พัฒนาวิธีการทำนายประสิทธิภาพของโค딩เอเจนต์จากโมเดล AI พื้นฐานล่วงหน้า

พัฒนาโครงสร้างโครงข่ายประสาทเทียมแบบใหม่ที่แยกความจำระยะสั้นและระยะยาวออกจากกัน

เปิดตัวเฟรมเวิร์กโอเพน소스ที่รวมการควบคุมหุ่นยนต์และการคาดการณ์อนาคตเข้าด้วยกัน

OTel เปิดเผยข้อมูลและโมเดล AI สำหรับอุตสาหกรรมโทรคมนาคมโดยเฉพาะ

พัฒนาเกณฑ์มาตรฐานใหม่สำหรับการศึกษาปรากฏการณ์เทคโนโลยีการเลียนแบบพฤติกรรมของปัญญาประดิษฐ์

วิธีการรวบรวมข้อมูลตามประสิทธิภาพเพื่อเพิ่มประสิทธิภาพการเรียนรู้ของหุ่นยนต์

การพัฒนา H-JEPA โมเดล AI ที่เรียนรู้โครงสร้างลำดับชั้นสำหรับการวางแผนภาพที่ซับซ้อน

เปิดตัว 'SheetSage2' AI แปลงเพลงเป็นโน้ตดนตรี

Benchmark 'ค้นหา paper ที่สร้างแรงบันดาลใจ' จัดทำโดยนักวิจัย 184 คน

T2Mem: เทคนิคการเรียนsรู้ให้หุ่นยนต์จดจำฉากในอดีตเพื่อปฏิบัติงาน

DexAgent สร้างข้อมูลการเรียนรู้การเคลื่อนไหวของมือหุ่นยนต์โดยอัตโนมัติจากวิดีโอตัวอย่างของมนุษย์

งานวิจัย JEPA ที่ทำให้โมเดลโลกสำหรับการขับขี่อัตโนมัติเร็วขึ้น 100 เท่า

Cohere เปิดตัวโมเดลแปลภาษาขนาดใหญ่ที่คุ้มค่าด้านต้นทุน

เทคโนโลยีการเรียนรู้พฤติกรรมในขณะที่หุ่นยนต์กำลังรอ

เปิดตัวเครื่องมือโอเพนซอร์สและแพลตฟอร์มเปรียบเทียบประสิทธิภาพสำหรับการ learning เชิงสัมพันธ์

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

พัฒนาเทคโนโลยีใหม่เพื่อชี้แนะพฤติกรรมของหุ่นยนต์ให้แม่นยำยิ่งขึ้น

บุคคล

ทำไมต้องติดตามการย้ายงานและงานวิจัยของผู้นำ AI

ถาม: ติดตามใครบ้าง?

ถาม: ข้อมูลมาจากไหนและอัปเดตบ่อยแค่ไหน?

ถาม: ใครเป็นผู้เขียนบทสรุปงานวิจัย?