Ngày cơ sở 2026-11-03
Thực thi 2026-11-03 22:30:03
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.87
WTI
$96.76
Gold
$3,940
USD/KRW
1,344
SOX
10,600
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.87
WTI
$96.76
Gold
$3,940
USD/KRW
1,344
SOX
10,600
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 2026-11-04 07:41 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

Biến động nhân sự · Phòng lab mới · Robot & AI vật lý

Chưa có biến động nhân sự phù hợp.

Bài báo · Phòng lab mới · Robot & AI vật lý

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
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
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
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
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
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
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
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
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
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
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
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
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

Nhân vật

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...