Ngày cơ sở 2026-11-03
Thực thi 2026-11-03 21:00:25
한국어 English Español 中文 Tiếng Việt ภาษาไทย 日本語
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

Lãnh đạo AI: Biến động nhân sự & Bài báo — thay đổi công việc và nghiên cứu mới nhất

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
Nơi các nhân vật chủ chốt của phòng lab AI, Big Tech và giới học thuật chuyển đến và những gì họ công bố là tín hiệu sớm về hướng đi của công nghệ và lợi thế cạnh tranh. Biến động nhân sự và bài báo được thu thập tự động mỗi ngày, được biên tập viên kiểm tra và tóm tắt dễ hiểu kèm liên kết gốc.

Tin nổi bật

Bài báo2026-10-30
Phát triển mô hình phân cấp vượt qua các giới hạn trong điều khiển robot phức tạp
Yann LeCun
Bài báo2026-10-29
Công nghệ huấn luyện chung dữ liệu robot sử dụng nhiều bộ điều khiển khác nhau
Chelsea Finn
Bài báo2026-10-29
Chứng minh rằng các mô hình trí tuệ nhân tạo học cùng một thế giới ngay cả qua các dạng thông tin khác nhau
Yann LeCun
Bài báo2026-10-29
Nâng cao hiệu suất AI tiếp nhận tâm thần thông qua đào tạo trong môi trường mô phỏng
Mark Chen
Nhân vật Tất cả Phòng lab tiên phongPhòng lab mớiHọc thuậtPhần cứng AIHàn QuốcTrung QuốcLãnh đạo
Lĩnh vực Tất cả HBM & bộ nhớGPU & bộ tăng tốc AIHiệu quả suy luậnHuấn luyện & mở rộngAgent & lập trìnhRobot & AI vật lýMô hình thế giới & đa phương thứcTrung tâm dữ liệu & điệnAI cho khoa họcAn toàn & quy định

Biến động nhân sự · Phòng lab mới

Lý lịch gần đây (theo Wikidata; có thể có thông tin chưa xác minh)
  • Yann LeCun — Advanced Machine Intelligence (Nhà sáng lập) thành lập 2025-12-15
  • Mira Murati — Thinking Machines Lab gia nhập 2025-02
  • John Schulman — Anthropic gia nhập 2024-08 · kết thúc 2025-02
  • John Schulman — Thinking Machines Lab gia nhập 2025-02
  • Barret Zoph — Thinking Machines Lab gia nhập 2025-02
  • Lilian Weng — Thinking Machines Lab gia nhập 2025
  • Lilian Weng — OpenAI gia nhập 2018 · kết thúc 2024-11
  • Mira Murati — OpenAI gia nhập 2022-05 · kết thúc 2024-09
  • Barret Zoph — OpenAI gia nhập 2022-09 · kết thúc 2024-09
  • John Schulman — OpenAI gia nhập 2015 · kết thúc 2024-08
  • Ilya Sutskever — Safe Superintelligence Inc. (Nhà sáng lập) thành lập 2024-06-19
  • Ilya Sutskever — OpenAI gia nhập 2016-01 · kết thúc 2024-05-14
  • Andrej Karpathy — OpenAI gia nhập 2023-02 · kết thúc 2024-02
  • Arthur Mensch — Mistral AI (Nhà sáng lập) thành lập 2023-04-28
  • Fei-Fei Li — Radical Ventures gia nhập 2023

Bài báo · Phòng lab mới

Bài báo2026-10-30

Phát triển mô hình phân cấp vượt qua các giới hạn trong điều khiển robot phức tạp

Hierarchical World Models with Implicit Dynamics
Yann LeCun và 6 người khác
Nội dung
Các nhà nghiên cứu đã phát triển ID-WM, một mô hình thế giới phân cấp có khả năng thực hiện các nhiệm vụ phức tạp và dài hạn bằng cách tách biệt khả năng tiếp cận trạng thái và điều khiển cục bộ.
Kết quả chính
Nó ghi nhận hiệu suất cải thiện 38.5 phần trăm so với phương pháp tiên tiến nhất trước đó, và cải thiện 135 phần trăm so với các mô hình thế giới đơn cấp.
Ý nghĩa
Nghiên cứu này thể hiện khả năng giúp robot lên kế hoạch dài hạn đồng thời giảm thiểu lỗi, ngay cả trong các môi trường phức tạp và mới lạ.Tóm tắt AI
Agent & lập trình Mô hình thế giới & đa phương thức
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-29 · arXiv (Cornell University)

Công nghệ huấn luyện chung dữ liệu robot sử dụng nhiều bộ điều khiển khác nhau

Cross-Controller Transfer via In-Context Behavior Adaptation
Chelsea Finn và 2 người khác
Nội dung
Đã phát triển công nghệ tận dụng dữ liệu từ các robot sử dụng các phương thức điều khiển khác nhau để học tập mà không xảy ra xung đột.
Kết quả chính
Tỷ lệ thành công trung bình cải thiện 33 điểm phần trăm so với các phương pháp thông thường.
Ý nghĩa
Cho thấy tiềm năng tận dụng hiệu quả hơn dữ liệu robot được thu thập từ các môi trường đa dạng.Tóm tắt AI
Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-29 · arXiv (Cornell University)

Chứng minh rằng các mô hình trí tuệ nhân tạo học cùng một thế giới ngay cả qua các dạng thông tin khác nhau

Proving and Improving the Platonic Representation Hypothesis with JEPAs
Yann LeCun và 1 người khác
Nội dung
Các nhà nghiên cứu đã chứng minh giả thuyết rằng các mô hình trí tuệ nhân tạo được huấn luyện trên các dạng đầu vào khác nhau sẽ hội tụ về cùng một biểu diễn thế giới thành một định lý toán học và đề xuất phương pháp cải thiện điều đó.
Kết quả chính
Đã xác nhận rằng các mô hình sử dụng góc nhìn tốt có thể căn chỉnh các biểu diễn hiệu quả hơn nhiều với dữ liệu ít hơn đáng kể so với phương pháp dự đoán mã thông báo tiếp theo.
Ý nghĩa
Nghiên cứu này có thể góp phần cải thiện cách trí tuệ nhân tạo hiểu dữ liệu một cách hiệu quả và kết nối các dạng thông tin khác nhau.Tóm tắt AI
Huấn luyện & mở rộng
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-28

Phát triển các mô hình AI hiệu suất cao có khả năng thực hiện các tác vụ phức tạp

Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI
Ashish Vaswani và 499 người khác
Nội dung
Các nhà nghiên cứu đã phát triển Nemotron 3.5 Super và Lightning, các mô hình AI mã nguồn mở phù hợp cho việc suy luận, hiểu ngữ cảnh dài và thực hiện tác vụ tự động.
Kết quả chính
Mô hình Super đạt 51.78% trong các đánh giá về kỹ thuật phần mềm trong khi sử dụng ít tham số kích hoạt hơn, vượt trội hơn các mô hình trước đây và thể hiện hiệu suất xử lý cao thông qua nhiều tối ưu hóa khác nhau.
Ý nghĩa
Nghiên cứu này chứng minh khả năng nâng cao đồng thời hiệu quả và hiệu suất của các mô hình quy mô lớn để chúng có thể được ứng dụng thực tế trong nhiều môi trường khác nhau.Tóm tắt AI
Hiệu quả suy luận Agent & lập trình
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-11 · arXiv (Cornell University)

Giảm lỗi dự đoán của mô hình thế giới AI bằng cách áp dụng các định luật vật lý

LeHami: Symplectic Latent Dynamics for World Models
Yann LeCun và 2 người khác
Nội dung
Các nhà nghiên cứu đã phát triển LeHami, một phương pháp huấn luyện mô hình thế giới mới kết hợp các tính chất hình học của hệ thống vật lý với trí tuệ nhân tạo.
Kết quả chính
Khác với các phương pháp thông thường, phương pháp này ngăn chặn hiện tượng thông tin bị nén và biến mất trong quá trình dự đoán dài hạn, đồng thời cải thiện đáng kể hiệu suất dự đoán vận tốc.
Ý nghĩa
Nghiên cứu này có thể đóng góp vào việc giúp trí tuệ nhân tạo hiểu và mô phỏng các không gian vật lý một cách chính xác hơn.Tóm tắt AI
Hiệu quả suy luận Mô hình thế giới & đa phương thức
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-07 · arXiv (Cornell University)

Phát triển mô hình thế giới tích hợp các hành vi của nhiều loại robot thành một thể thống nhất

Cross-Embodiment Robot Foundation World Models with Latent Actions
Fei-Fei Li và 11 người khác
Nội dung
Đã phát triển một mô hình thế giới robot tận dụng không gian hành động ẩn tích hợp có thể được chia sẻ bởi nhiều loại robot khác nhau.
Kết quả chính
Khi áp dụng cho các robot mới, mô hình cho thấy hiệu suất cải thiện tới 46.7% trong các tác vụ thao tác tinh vi và cải thiện 11.7% trong đánh giá hiệu năng LIBERO so với các phương pháp thông thường.
Ý nghĩa
Cho phép học tập hiệu quả giữa các robot khác nhau, góp phần giải quyết các thách thức lớn trong lĩnh vực robot.Tóm tắt AI
Robot & AI vật lý Mô hình thế giới & đa phương thức
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-07 · arXiv (Cornell University)

Công nghệ AI biến video robot ảo thành video thực tế

RoboRender: Robot-Oriented Video Generation for Visual Sim-to-Real Transfer
Fei-Fei Li và 8 người khác
Nội dung
Đã phát triển công nghệ nâng cao năng lực điều khiển robot bằng cách chuyển đổi dữ liệu robot từ môi trường ảo thành video giống như thế giới thực.
Kết quả chính
Robot được huấn luyện bằng công nghệ này đạt tỷ lệ thành công trung bình 71 phần trăm trong môi trường thực tế, thể hiện hiệu suất vượt trội so với các phương pháp hiện có.
Ý nghĩa
Điều này có thể giúp giảm7 bớt vấn đề trực quan khi dữ liệu được tạo ra trong môi trường ảo khó áp dụng trực tiếp lên robot thực tế.Tóm tắt AI
Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-07

Phát triển phương pháp dự đoán trước hiệu năng tác nhân lập trình của các mô hình AI cơ sở

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models
Ashish Vaswani và 21 người khác
Nội dung
Phát triển ba màn hình đánh giá tận dụng các đường dẫn thành công của các tác nhân lập trình đã qua huấn luyện hậu kỳ để đánh giá tiềm năng của các mô hình AI cơ sở.
Kết quả chính
Cả ba phương pháp đánh giá được phát triển đều dự đoán sát với hiệu năng thực tế các thứ hạng của nhóm mô hình mở.
Ý nghĩa
Đưa ra khả năng tận dụng các tiêu chuẩn đánh giá tác nhân lập trình trong tương lai cho việc đánh giá mô hình cơ sở.Tóm tắt AI
Agent & lập trình
Tóm tắt chi tiết Đọc bài gốc ↗
Bài báo2026-10-06 · arXiv (Cornell University)

Phát triển kiến trúc mạng thần kinh nhân tạo mới tách biệt bộ nhớ ngắn hạn và dài hạn

Continuous Memory Machines
Llion Jones và 5 người khác
Nội dung
Các nhà nghiên cứu đã phát triển một kiến trúc mạng thần kinh nhân tạo mới có tên là Continuous Memory Machines (CMM), phân tách các trạng thái bộ nhớ ngắn hạn và dài hạn dạng ma trận.
Kết quả chính
Nó cho thấy hiệu suất vượt trội và khả năng tổng quát hóa so với các mô hình hiện có trong các tác vụ thuật toán và suy luận.
Ý nghĩa
Nó có thể góp phần cải thiện khả năng ghi nhớ và suy luận của trí tuệ nhân tạo trong nhiều tác vụ khác nhau.Tóm tắt AI
HBM & bộ nhớ
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-06 · arXiv (Cornell University)

Làm rõ mối quan hệ giữa khả năng kiểm soát môi trường và độ trung tâm cấu trúc trong tác nhân trí tuệ nhân tạo

The Geometry of Empowerment
Sergey Levine và 3 người khác
Nội dung
Các nhà nghiên cứu đã tiết lộ mối quan hệ giữa sự trao quyền, nghĩa là khả năng của tác nhân AI trong việc kiểm soát môi trường xung quanh, và độ trung tâm cấu trúc, yếu tố mang lại khả năng tiếp cận rộng rãi với các kết quả trong tương lai.
Kết quả chính
Đề xuất một cấu trúc hình học mới có thể giải thích và phân tích điều này bằng cách kết nối việc tối đa hóa sự trao quyền với các phương pháp học kỹ năng.
Ý nghĩa
Cung cấp những hàm ý lý thuyết cần thiết để xây dựng các phương pháp tối đa hóa sự trao quyền có khả năng mở rộng.Tóm tắt AI
Agent & lập trình
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-06 · arXiv (Cornell University)

Ra mắt khung mở kết hợp điều khiển robot và dự đoán tương lai

OpenWAM: An Open Framework for Composable World-Action Models
Fei-Fei Li và 9 người khác
Nội dung
Phát triển OpenWAM, một khung mã nguồn mở để so sánh và nghiên cứu các mô hình thế giới-hành động xử lý đồng thời việc điều khiển robot và dự đoán video tương lai.
Kết quả chính
Phương pháp được đề xuất đã nâng cao đáng kể tỷ lệ thành công trong các tác vụ thao tác của robot và cải thiện hiệu suất của mô hình động lực học thông qua việc học dữ liệu phản thực tế.
Ý nghĩa
Cung cấp một nền tảng chung để so sánh các phương pháp điều khiển robot và dự đoán video khác nhau, từ đó nâng cao hiệu quả nghiên cứu công nghệ liên quan.Tóm tắt AI
Robot & AI vật lý Mô hình thế giới & đa phương thức
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-06

OTel công bố các mô hình và tập dữ liệu AI chuyên dụng cho lĩnh vực viễn thông

OTel: Open Telco AI Datasets, Benchmarks, and Models
Ashish Vaswani và 17 người khác
Nội dung
Các nhà nghiên cứu đã công bố tài nguyên 'Open Telco (OTel)', bao gồm các tập dữ liệu, tiêu chuẩn đánh giá và các mô hình được huấn luyện bằng các tài nguyên đó, cần thiết cho việc huấn luyện AI chuyên dụng cho lĩnh vực viễn thông.
Kết quả chính
Các mô hình dựa trên OTel được công bố lần lượt đạt hiệu suất 93,1%, 0,947 và 87,8% trong việc truy xuất dữ liệu viễn thông, sắp xếp lại tài liệu và đánh giá độ chính xác của mô hình ngôn ngữ.
Ý nghĩa
Việc công bố này cung cấp một điểm khởi đầu có thể tái tạo nhằm thúc đẩy nghiên cứu và ứng dụng trí tuệ nhân tạo trong lĩnh vực viễn thông.Tóm tắt AI
Hiệu quả suy luận
Tóm tắt chi tiết Đọc bài gốc ↗
Bài báo2026-10-05 · arXiv (Cornell University)

Phát triển tiêu chuẩn mới nghiên cứu hiện tượng công nghệ sao chép hành vi của trí tuệ nhân tạo

Behavioral Cloning Mystery
Sergey Levine và 1 người khác
Nội dung
Đề xuất OCBench, một công cụ đánh giá thao tác robot có các đặc điểm tương tự như sự thị phạm của con người.
Kết quả chính
Cho thấy công cụ này cho phép nghiên cứu khoa học về các hiện tượng khác nhau liên quan đến việc sao chép hành vi và kiểm định các giả thuyết trong môi trường dựa trên đơn vị xử lý đồ họa (GPU).
Ý nghĩa
Cung cấp nền tảng để phân tích các hiện tượng từng có nguyên nhân không rõ ràng trong công nghệ học tập của robot trong một môi trường được kiểm soát.Tóm tắt AI
Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-05 · arXiv (Cornell University)

Phương pháp thu thập dữ liệu hướng dẫn bằng hiệu suất nhằm nâng cao hiệu quả học tập của robot

Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning
Chelsea Finn và 6 người khác
Nội dung
Các nhà nghiên cứu đã đề xuất Mulligan, một kỹ thuật nâng cao hiệu quả trong quá trình học thao tác của robot bằng cách thu thập dữ liệu tập trung vào các trạng thái thất bại và chưa được thử nghiệm.
Kết quả chính
Kỹ thuật Mulligan đã cải thiện tỷ lệ thành công trong tác vụ cuối cùng của robot từ 10 phần trăm lên 34 phần trăm so với các phương pháp thông thường.
Ý nghĩa
Điều này cho thấy một bước tiến công nghệ giúp con người sử dụng thời gian và nỗ lực hiệu quả hơn khi dạy robot.Tóm tắt AI
Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-05 · arXiv (Cornell University)

Phat trien mo hinh AI H-JEPA hoc cau truc phan cap cho ke hoach truc quan phuc tap

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
Yann LeCun và 4 người khác
Nội dung
Da phat trien H-JEPA, mot mo hinh the gioi phan cap hoc theo cac muc do truu tuong khac nhau tuy theo khung thoi gian.
Kết quả chính
Trong cac thi nghiem tren moi truong mo phong va video robot thuc te, ty le thanh cong cua ke hoach cao hon va hieu suat tinh toan duoc cai thien so voi mo hinh mot muc do thong thuong.
Ý nghĩa
Co the gop phan nang cao hieu suat trong dieu khien robot va cac tac vu truc quan doi hoi ke hoach dai han phuc tap.Tóm tắt AI
Robot & AI vật lý Mô hình thế giới & đa phương thức
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-04 · arXiv (Cornell University)

Ra mắt AI 'SheetSage2' chuyển đổi âm nhạc thành bản nhạc

SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision
Yann LeCun và 6 người khác
Nội dung
Giới thiệu SheetSage2, một mô hình ký âm nhạc tích hợp giúp tự động chuyển đổi bản thu âm thanh thành bản nhạc (lead-sheet) mà con người có thể đọc được.
Kết quả chính
Mô hình đơn lẻ SheetSage2-AR đã vượt trội hơn các hệ thống hiện có được liệt kê ở 12 trong tổng số 15 cặp tiêu chuẩn và chỉ số đánh giá, cải thiện đáng kể so với phiên bản trước đó SheetSage1, và thậm chí vượt qua cả các mô hình chuyên biệt cho từng tác vụ ở một số tiêu chuẩn.
Ý nghĩa
Đây là nghiên cứu nâng cao độ chính xác của công nghệ ký âm, đồng thời trọng số mô hình và mã suy luận đã được công bố để phục vụ cho các nghiên cứu tiếp theo hoặc ứng dụng. Tuy nhiên, rất khó để đánh giá khả năng thương mại hóa hoặc quy mô thị trường chỉ dựa vào phần tóm tắt.Tóm tắt AI
Agent & lập trình
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-10-01 · arXiv (Cornell University)

Bộ chuẩn đánh giá 'tìm kiếm bài báo truyền cảm hứng' do 184 nhà nghiên cứu tạo ra

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research
Chelsea Finn và 13 người khác
Nội dung
Chúng tôi đã tạo ra ScholarCatalyst, một tập dữ liệu trong đó các tác giả chính của 207 bài báo khoa học máy tính gần đây đã chỉ ra những bài báo trước đó thực sự giúp ích cho nghiên cứu của họ, đồng thời đưa ra một nhiệm vụ truy xuất để tìm ra chúng.
Kết quả chính
Tìm kiếm theo tác tử (AI tự lặp lại các tác vụ để thực hiện nhiệm vụ) không cho thấy hiệu suất tốt hơn các phương pháp tìm kiếm cơ bản (độ thu hồi 0,42 so với 0,48 dựa trên 20 kết quả hàng đầu). Các tác tử dựa trên Claude Fable 5.1 chỉ đạt 0,51.
Ý nghĩa
Điều này cho thấy AI hiện tại vẫn thiếu trực giác chuyên môn cần thiết để nhận ra các ý tưởng tiền đề cần thiết từ lượng tài liệu nghiên cứu khổng lồ, chỉ ra nhu cầu về các phương pháp huấn luyện mới. Mặc dù điều này có thể được xem là một bước tiến cho AI hỗ trợ nghiên cứu khoa học, nhưng hiệu quả thương mại hóa thực tế hoặc tác động công nghiệp không thể được xác nhận từ phần tóm tắt.Tóm tắt AI
Agent & lập trình AI cho khoa học
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-09-29 · arXiv (Cornell University)

T2Mem: Ky thuat huan luyen robot ghi nhac lai cac canh trong qua khu de thuc hien nhiem vu

T$^2$Mem: Learning Test-Time Memory for Robotics
Fei-Fei Li và 6 người khác
Nội dung
Doi voi cac tac vu thao tac cua robot doi hoi phai ghi nho thong tin quan sat trong qua khu, chung toi de xuat mot khung (T2Mem) bo sung nang luong bo nho thong qua huan luyen tai thoi diem kiem tra cho cac chinh sach robot da duoc huan luyen truoc do von thieu chuc nang bo nho.
Kết quả chính
Ty le thanh cong trung binh tren 16 tac vu RoboMME da tang tu 17.93% doi voi chinh sach co so khong co bo nho len 56.83%, cao hon cac phuong phap bo nho hoi quy duoc bao cao trong chuan danh gia.
Ý nghĩa
Dieu nay co y nghia o cho no cho thay kha nang cua robot trong viec su dung thong tin trong qua khu khong con nhin thay tren man hinh co the duoc phat trien chi bang cach su dung du lieu trinh dien ma khong can thiet bi bo nho ngoai, mac du ban tom tat chi de cap den cac ket qua o giai doan nghien cuu, do do khong the xac nhan kha nang thuong mai hoa hoac anh huong thi truong.Tóm tắt AI
Hiệu quả suy luận Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-09-28 · arXiv (Cornell University)

DexAgent tự động tạo dữ liệu huấn luyện chuyển động bàn tay robot từ video mô phỏng của con người

DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library
Fei-Fei Li và 4 người khác
Nội dung
Chúng tôi đề xuất một framework dạng tác nhân nhận một video góc nhìn thứ nhất của con người và một mô tả tác vụ để tạo ra các quỹ đạo chuyển động robot khả thi về mặt vật lý, từ đó tạo ra dữ liệu phục vụ việc học cho robot.
Kết quả chính
Các chính sách được huấn luyện bằng dữ liệu do DexAgent tạo ra trên 11 tác vụ trong môi trường thực tế cho thấy tỷ lệ thành công cao hơn 3.5 lần so với các phương pháp chuẩn đối chứng.
Ý nghĩa
Nó cho thấy tiềm năng tự động hóa quá trình chuyển đổi video mô phỏng của con người thành dữ liệu học tập cho robot, mặc dù khó có thể đánh giá mức độ ứng dụng công nghiệp hoặc thời điểm thương mại hóa chỉ dựa vào phần tóm tắt.Tóm tắt AI
Agent & lập trình Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-09-28 · arXiv (Cornell University)

Nghiên cứu JEPA giúp mô hình thế giới xe tự lái nhanh gấp 100 lần

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
Yann LeCun và 3 người khác
Nội dung
Đánh giá các mô hình thế giới dựa trên dự đoán (dòng JEPA) được sử dụng trong xe tự lái và đề xuất kiến trúc cải tiến AD-E2E-JEPA, giúp giảm đáng kể khối lượng tính toán.
Kết quả chính
Kiến trúc được đề xuất đã giảm số lượng bản vá (patch) dùng cho việc lập kế hoạch xuống 16 lần và chiều nhúng (embedding) xuống 4 lần, giúp tăng tốc độ suy luận khoảng 100 lần trong khi vẫn duy trì hiệu suất lập kế hoạch.
Ý nghĩa
Nghiên cứu này cho thấy một hướng đi để giảm chi phí tính toán của AI xe tự lái, mặc dù hiệu quả ứng dụng trên xe thực tế và khả năng thương mại hóa rất khó đánh giá chỉ qua phần tóm tắt.Tóm tắt AI
Hiệu quả suy luận Robot & AI vật lý Mô hình thế giới & đa phương thức
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-09-12

Cohere công bố mô hình dịch thuật dựa trên ngôn ngữ lớn tiết kiệm chi phí

North Small Translate: Advanced Cost-Effective Translation (Cohere CAT+)
Aidan Gomez và 22 người khác
Nội dung
Các nhà nghiên cứu đã giới thiệu 'North Small Translate', một mô hình dịch máy dựa trên mô hình ngôn ngữ lớn tiết kiệm chi phí mang lại hiệu suất vượt trội trên 50 ngôn ngữ.
Kết quả chính
Mô hình này đã đạt được hiệu suất dịch máy hàng đầu trên 50 ngôn ngữ trong số các nhóm mô hình có dưới 1 nghìn tỷ tham số.
Ý nghĩa
Nó thể hiện tiềm năng thực hiện hiệu quả các tác vụ dịch ngôn ngữ và hậu biên tập đa dạng mà không tốn các phép tính đắt đỏ trong quá trình suy luận.Tóm tắt AI
Hiệu quả suy luận
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-08-24

Công nghệ học cách hành động trong lúc robot suy nghĩ

Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency
Sergey Levine và 19 người khác
Nội dung
Các nhà nghiên cứu đã phát triển ARLI, một khung học tăng cường nhận thức độ trễ nhằm giải quyết các vấn đề phát sinh do thời gian suy nghĩ (độ trễ suy luận) của các mô hình robot.
Kết quả chính
Phương pháp mới này cho phép robot tiếp tục học tập thành công ngay cả trong môi trường có độ trễ, cho thấy hiệu suất tương đương hoặc vượt trội hơn môi trường lý tưởng không có độ trễ.
Ý nghĩa
Nó mở ra khả năng giúp AI robot phức tạp và khổng lồ tự chủ cải thiện hiệu suất trong môi trường thực tế mà không bị đơ hay giật hình.Tóm tắt AI
Hiệu quả suy luận Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-08-17

Công bố công cụ mã nguồn mở và nền tảng so sánh hiệu suất cho học tập quan hệ

Advancing Open and Reproducible Relational Learning: RelArena-$\alpha$, TabPFN-Rel and RPI
Yann LeCun và 46 người khác
Nội dung
Các nhà nghiên cứu đã mã nguồn mở hóa một nền tảng so sánh tích hợp và hai phần mềm liên quan nhằm thúc đẩy nghiên cứu trong lĩnh vực học tập quan hệ.
Kết quả chính
Trong số các công cụ mới được công bố, TabPFN-Rel, một mô hình dành cho cơ sở dữ liệu quan hệ, đã đạt thứ hạng cao nhất trên nền tảng so sánh.
Ý nghĩa
Việc công bố này có thể làm nền tảng để thiết lập các tiêu chuẩn so sánh đáng tin cậy trong lĩnh vực học tập quan hệ và hỗ trợ ứng dụng trong môi trường nghiên cứu và công nghiệp.Tóm tắt AI
AI cho khoa học
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-08-03

Làm sáng tỏ lý do tại sao gom nhóm hành động (action chunking) cải thiện hiệu suất điều khiển robot

Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control?
Sergey Levine và 5 người khác
Nội dung
Thông qua các thí nghiệm, nghiên cứu đã phân tích nguyên nhân cải thiện hiệu suất của kỹ thuật 'gom nhóm hành động', trong đó điều khiển robot dự đoán và thực thi nhiều hành động cùng một lúc.
Kết quả chính
Nghiên cứu cho thấy các giả thuyết trước đây là sai, tiết lộ rằng yếu tố thành công cốt lõi của việc gom nhóm hành động là hiệu ứng 'ensemble ẩn (implicit ensembling)' học hỏi các mối quan hệ thời gian đa dạng, đồng thời đề xuất một chính sách mới tận dụng điều này.
Ý nghĩa
Bằng cách khám phá ra các yếu tố chính nâng cao hiệu suất của công nghệ điều khiển robot, nghiên cứu cung cấp nền tảng lý thuyết cho việc phát triển các mô hình học tập robot hiệu quả trong tương lai.Tóm tắt AI
Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-06-11 · arXiv.org

Phát triển công nghệ mới giúp định hướng hành vi của robot chính xác hơn

Improving Robotic Generalist Policies via Flow Reversal Steering
Sergey Levine và 4 người khác
Nội dung
Để cải thiện hiệu suất của các chính sách robot tổng quát được huấn luyện trên nhiều tập dữ liệu robot khác nhau, một phương pháp gọi là Flow Reversal Steering (FRS), giúp biến đổi các hành động chưa tối ưu thành hành động tốt hơn, đã được đánh giá trong các thiết lập điều khiển.
Kết quả chính
Việc sử dụng FRS có thể chuyển đổi các chỉ dẫn sơ lược từ con người hoặc mô hình thị giác-ngôn ngữ thành hành vi robot tốt, cho thấy mức cải thiện tỷ lệ thành công nhiệm vụ tuyệt đối lên tới 95% chỉ với chưa đầy 1 phút huấn luyện.
Ý nghĩa
Điều này cho thấy tiềm năng giúp robot thực hiện tốt hơn các tác vụ mới bằng cách tận dụng các chỉ dẫn của con người hoặc các kỹ thuật hiện có.Tóm tắt AI
Robot & AI vật lý
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗
Bài báo2026-05-27 · arXiv.org

Phát triển công cụ chẩn đoán để theo dõi sự chuyển đổi giữa việc ghi nhớ và tổng quát hóa trong quá trình huấn luyện trí tuệ nhân tạo

A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio
Ashish Vaswani và 1 người khác
Nội dung
Chúng tôi đã nghiên cứu một phương pháp chẩn đoán tận dụng Tỷ lệ Căn chỉnh Lô-garit (LAR), đo lường các tham số và kích hoạt, để theo dõi xem trí tuệ nhân tạo đang ghi nhớ dữ liệu đơn thuần hay thực sự đang học tập.
Kết quả chính
LAR đã nắm bắt hiệu quả các thay đổi về khả năng tổng quát hóa của trí tuệ nhân tạo và các dấu hiệu quá khớp ngay cả khi không có dữ liệu xác thực bổ sung.
Ý nghĩa
Vì có thể chẩn đoán hiệu suất của AI trong quá trình huấn luyện mà không cần dữ liệu xác thực riêng biệt, điều này có thể đóng góp vào sự phát triển trong tương lai của các công nghệ quản lý huấn luyện mô hình hiệu quả.Tóm tắt AI
Huấn luyện & mở rộng
Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Nhân vật

Phòng lab tiên phong
Noam ShazeerDong truong nhom Google GeminiDario AmodeiCEO AnthropicHoạt động gần nhất 2026-10-27Demis HassabisCEO Google DeepMindHoạt động gần nhất 2026-10-20Mark ChenGiam doc nghien cuu OpenAIHoạt động gần nhất 2026-10-29Alexandr WangTruong nhom Meta Superintelligence LabsHoạt động gần nhất 2026-06-10Jakub PachockiNha khoa hoc truong OpenAIHoạt động gần nhất 2026-09-28Jared KaplanDong sang lap AnthropicHoạt động gần nhất 2026-10-09Jeff DeanNha khoa hoc truong GoogleNat FriedmanMeta Superintelligence LabsNoam BrownOpenAIRob FergusGiam doc Meta FAIRHoạt động gần nhất 2026-10-20Mustafa SuleymanCEO Microsoft AIHoạt động gần nhất 2026-10-22Shane LeggDong sang lap Google DeepMindHoạt động gần nhất 2026-09-28Jan LeikeAnthropicOriol VinyalsGoogle DeepMindShengjia ZhaoNha khoa hoc cap cao tai Meta Superintelligence LabsJason WeiMeta Superintelligence LabsKoray KavukcuogluKien truc su AI truong GoogleHoạt động gần nhất 2026-07-02Chris OlahAnthropicHoạt động gần nhất 2026-05-28Pushmeet KohliGoogle DeepMind Science AIHoạt động gần nhất 2026-10-20
Phòng lab mới
Mira MuratiCEO Thinking Machines LabAndrej KarpathyNha sang lap Eureka LabsYann LeCunNha sang lap AMI LabsHoạt động gần nhất 2026-10-30Ilya SutskeverCEO SSILlion JonesSakana AIHoạt động gần nhất 2026-10-06Lilian WengDong sang lap Thinking Machines LabBarret ZophChuyen doi thuong xuyen (bao cao tro lai OpenAI nam 2026 roi chuyen tiep)Sergey LevinePhysical Intelligence va UC BerkeleyHoạt động gần nhất 2026-10-06Aravind SrinivasCEO PerplexityArthur MenschCEO Mistral AIAshish VaswaniEssential AIHoạt động gần nhất 2026-10-28Aidan GomezCEO CohereHoạt động gần nhất 2026-09-12John SchulmanNha khoa hoc cap cao tai Thinking Machines LabChelsea FinnPhysical Intelligence va Dai hoc StanfordHoạt động gần nhất 2026-10-29Fei-Fei LiCEO World Labs va Dai hoc StanfordHoạt động gần nhất 2026-10-07
Học thuật
Richard SuttonĐại học AlbertaStuart RussellUC BerkeleyAndrew NgDeepLearning.AI và AI FundYoshua BengioĐại học Montreal và LawZeroHoạt động gần nhất 2026-10-12Geoffrey HintonGiáo sư danh dự, Đại học TorontoHoạt động gần nhất 2026-09-28Christopher ManningĐại học StanfordHoạt động gần nhất 2026-07-20Percy LiangĐại học Stanford và Together AIHoạt động gần nhất 2026-10-22Pieter AbbeelUC BerkeleyHoạt động gần nhất 2026-10-06Kaiming HeMITHoạt động gần nhất 2026-10-01
Phần cứng AI
Bill DallyTrưởng nhà khoa học NVIDIATri DaoTogether AI và PrincetonHoạt động gần nhất 2026-08-12Song HanMIT và NVIDIAHoạt động gần nhất 2026-10-07Andrew FeldmanCEO CerebrasJonathan RossGroqJim KellerCEO TenstorrentJim FanRobotics NVIDIA
Hàn Quốc
Ha Jung-wooPhó Chủ tịch Ủy ban Chiến lược AI Quốc gia (Từ chức Thư ký Phụ trách AI của Văn phòng Tổng thống năm 2026)Hoạt động gần nhất 2026-04-22Kim Sung HunCEO của UpstageBae KyunghoonBộ trưởng Bộ Khoa học và CNTT-TT (Cựu Giám đốc Viện Nghiên cứu LG AI)Oh Alice HaeyunKAISTLee Hae-minThư ký Phụ trách Hoạch định Tương lai AI của Văn phòng Tổng thống (Bổ nhiệm năm 2026)Cho KyunghyunNYU và GenentechHoạt động gần nhất 2026-10-04
Trung Quốc
Liang WenfengNgười sáng lập DeepSeekHoạt động gần nhất 2026-10-12Yang ZhilinNgười sáng lập Moonshot AIHoạt động gần nhất 2026-07-27Lý Khai PhụcKai-Fu Lee01.AI
Lãnh đạo
Kwak Noh-jungCEO SK hynixMark ZuckerbergCEO MetaSam AltmanCEO OpenAIJun Young-hyunTrưởng bộ phận DS Samsung ElectronicsJensen HuangCEO NVIDIAC.C. WeiChủ tịch kiêm CEO TSMCGreg BrockmanChủ tịch OpenAILisa SuCEO AMDLip-Bu TanCEO IntelSatya NadellaCEO MicrosoftSanjay MehrotraCEO MicronMasayoshi SonChủ tịch SoftBankSundar PichaiCEO AlphabetAndy JassyCEO AmazonElon MuskCEO của xAI và TeslaKevin ScottCTO MicrosoftHock TanCEO Broadcom

Vì sao nên theo dõi biến động và bài báo của lãnh đạo AI?

Trong ngành AI, con người chính là công nghệ. Việc một nhà nghiên cứu chủ chốt gia nhập công ty nào hay thành lập phòng lab nào thường dẫn đến sản phẩm, vòng gọi vốn và thương vụ M&A vài tháng sau. Trang này theo dõi biến động nhân sự tại các phòng lab tiên phong, phòng lab mới, giới học thuật, chip AI và các nhân vật ở Hàn Quốc, Trung Quốc.

Bài báo cho thấy một người đang tập trung vào điều gì. Chúng tôi phân loại bài báo vào 10 lĩnh vực gắn với đầu tư như HBM & bộ nhớ, GPU & bộ tăng tốc, hiệu quả suy luận, agent và robot, kèm tóm tắt ba dòng — nội dung, kết quả chính, ý nghĩa — dựa trên phần tóm tắt, cùng liên kết bản gốc và PDF. Đây là thông tin để tìm ý tưởng, không phải khuyến nghị mua bán chứng khoán.

Câu hỏi thường gặp

H. Theo dõi những ai?

Các nhà nghiên cứu và lãnh đạo chủ chốt tại phòng lab tiên phong (OpenAI, Google DeepMind, Anthropic, Meta…), phòng lab mới, giới học thuật, công ty chip AI, cùng nhân vật ở Hàn Quốc và Trung Quốc. Lãnh đạo ít công bố bài báo chỉ được theo dõi biến động nhân sự.

H. Dữ liệu lấy từ đâu và cập nhật bao lâu một lần?

Bài báo lấy từ Semantic Scholar và arXiv, lý lịch từ Wikidata (CC0) cùng thông báo chính thức và báo chí, được thu thập tự động mỗi ngày. Chỉ những mục đã được biên tập viên kiểm tra và duyệt mới được công bố.

H. Ai viết bản tóm tắt bài báo?

AI (Google Gemini) viết bản nháp dựa trên phần tóm tắt của bài báo, biên tập viên kiểm tra trước khi đăng. Các ngôn ngữ khác là bản AI dịch từ bản tóm tắt tiếng Hàn đã kiểm tra. Hãy luôn xác nhận số liệu và bối cảnh trong bản gốc.

Trang này tổng hợp các bài báo đã công bố, thông báo chính thức và tin báo chí chỉ nhằm mục đích cung cấp thông tin. Tóm tắt do AI viết dựa trên phần tóm tắt của bài báo và được biên tập viên kiểm tra; có thể khác bản gốc, vì vậy hãy kiểm tra bản gốc cho các nội dung quan trọng. Đây không phải khuyến nghị mua bán chứng khoán hay tư vấn đầu tư. Biến động nhân sự ghi nguồn từ thông báo chính thức hoặc báo chí lớn; một phần lý lịch tham khảo Wikidata (CC0). Các bản tóm tắt trên trang này được AI dịch từ bản tiếng Hàn đã được biên tập viên kiểm tra.

🐩 Ủng hộ tiền ăn vặt cho Kobong
코봉이
Nếu trang này hữu ích với bạn, sự ủng hộ tiền ăn vặt cho Kobong cũng được chào đón 🦴
💬 Bình luận cộng đồng
Biệt danh ẩn danh dựa trên IP · Có thể bị xử lý nếu chửi bậy/spam
Đang tải...