基准日期 2026-11-03
上次运行 2026-11-03 21:00:25
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

AI 领袖:人事变动与论文 — 最新任职变化与研究

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
AI 实验室、大型科技公司和学术界关键人物的去向与论文,是技术方向和企业竞争力的先行信号。人事变动与论文每天自动收集,经编辑审核后以通俗摘要和原文链接呈现。

近期要闻

人事变动 · 世界模型与多模态

暂无符合条件的人事变动。

论文 · 世界模型与多模态

论文2026-10-30

开发突破复杂机器人控制限制的分层世界模型

Hierarchical World Models with Implicit Dynamics
扬·勒丘恩 等 6 人
做了什么
研究团队开发了ID-WM(Hierarchical World Models with Implicit Dynamics),这是一种能够分离状态可及性与局部控制,从而执行复杂且漫长任务的分层世界模型。
核心结果
与现有最高性能的方法相比,性能提升了38.5%;与单层世界模型相比,性能提升了135%。
意义
这项研究展示了机器人在复杂且陌生的环境中减少错误并进行长期规划的可能性。AI 摘要
论文2026-10-11 · arXiv (Cornell University)

应用物理定律减少AI世界模型的预测误差

LeHami: Symplectic Latent Dynamics for World Models
扬·勒丘恩 等 2 人
做了什么
研究团队开发了一种名为LeHami的新型世界模型训练方法,该方法将物理系统的几何性质与人工智能相结合。
核心结果
与传统方法不同,该方法防止了长期预测过程中信息被压缩而丢失的现象,并显著提升了速度预测性能。
意义
这项研究有助于人工智能更准确地理解和模拟物理空间。AI 摘要
论文2026-10-07 · arXiv (Cornell University)

开发整合各种机器人动作的世界模型

Cross-Embodiment Robot Foundation World Models with Latent Actions
李飞飞 等 11 人
做了什么
开发了一种机器人世界模型,利用可供各种形态机器人共享的统一潜在动作空间。
核心结果
应用于新机器人时,在精细操作任务中比传统方法性能提升高达46.7%,在LIBERO性能评估中提升了11.7%。
意义
实现了不同机器人之间的高效学习,有助于解决机器人学中的主要难题。AI 摘要
论文2026-10-06 · arXiv (Cornell University)

公开结合机器人控制与未来预测的开源框架

OpenWAM: An Open Framework for Composable World-Action Models
李飞飞 等 9 人
做了什么
开发了OpenWAM,这是一个开源框架,可用于比较和研究同时处理机器人控制与未来视频预测的世界-行动模型。
核心结果
所提出的方法显著提高了机器人操作任务的成功率,并通过反事实数据训练提升了动力学模型的性能。
意义
为公平比较各种机器人控制和视频预测方法提供了基础,从而提高了相关技术研究的效率。AI 摘要
论文2026-10-05 · arXiv (Cornell University)

开发用于复杂视觉规划的层级学习AI模型 H-JEPA

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
扬·勒丘恩 等 4 人
做了什么
开发了根据时间段划分抽象级别的层级世界模型 H-JEPA。
核心结果
在仿真环境和真实机器人视频实验中,相比现有的单层级模型,其规划成功率更高,计算效率得到了提升。
意义
有助于在需要复杂长期规划的机器人控制和视觉任务中提高效率。AI 摘要
论文2026-09-28 · The International Journal of Robotics Research

一目了然梳理机器人学习“世界模型”研究的综合综述

World model for robot learning: A comprehensive survey
做了什么
这是一篇从机器人学习的角度系统梳理“世界模型”(预测根据行动环境将如何变化的模型)的综述(全面回顾)论文。
核心结果
根据摘要,文章梳理了世界模型如何应用于机器人策略、模拟器、评估以及数据生成,整理了基于机器人视频的世界模型的发展历程,并总结了代表性的数据集、基准和评估方法。
意义
该资料将分散的机器人学习研究方法整合到一个框架中,有助于把握相关研究的脉络。不过,摘要并未证明各项技术的具体性能或商业成果。AI 摘要
论文2026-09-28 · arXiv (Cornell University)

使自动驾驶世界模型提速100倍的JEPA研究

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
扬·勒丘恩 等 3 人
做了什么
对自动驾驶中使用的基于预测的世界模型(JEPA系列)进行了对比评估,并提出了大幅减少计算量的改进架构 AD-E2E-JEPA。
核心结果
据报告,该提议架构将规划使用的图像块数量减少到1/16,嵌入维度减少到1/4,在保持规划性能的同时,将推理速度提高了约100倍。
意义
虽然该研究展示了降低自动驾驶AI计算成本的方向,但仅凭摘要很难判断其实际车辆应用效果和商业化可能性。AI 摘要

人物

为什么要关注 AI 领袖的人事与论文?

在 AI 行业,人就是技术。关键研究者加入哪家公司、创办哪家实验室,往往在几个月后演变为产品、融资和并购。本页按前沿实验室、新兴实验室、学术界、AI 芯片以及韩国、中国人物分类追踪任职变化。

论文反映一个人当下的关注点。我们把论文分为 HBM 与存储、GPU 与加速器、推理效率、智能体、机器人等 10 个与投资相关的领域,并根据摘要提供“做了什么·核心结果·意义”三行摘要及原文与 PDF 链接。本页仅为寻找投资思路的信息,不构成任何证券的买卖建议。

常见问题

问:追踪哪些人物?

包括前沿实验室(OpenAI、Google DeepMind、Anthropic、Meta 等)、新兴实验室、学术界、AI 芯片企业以及韩国和中国的关键研究者与高管。很少发表论文的高管只追踪人事变动。

问:数据来自哪里,多久更新一次?

论文来自 Semantic Scholar 与 arXiv,履历来自维基数据(CC0)及官方公告和媒体报道,每天自动收集。只有经编辑审核批准的条目才会公开。

问:论文摘要由谁撰写?

由 AI(Google Gemini)根据论文摘要撰写初稿,经编辑审核后发布。其他语言版本由 AI 翻译自审核过的韩文摘要。具体数据与背景请务必查阅原文。

本页面整理已发表的论文、官方公告和媒体报道,仅供参考。论文摘要由 AI 根据论文摘要撰写并经编辑审核,可能与原文存在差异,重要内容请查阅原文。本页面不构成任何证券的买卖建议或投资咨询。 人事变动以官方公告或主要媒体报道为来源,部分履历参考维基数据(CC0)。 本页摘要由 AI 根据编辑审核过的韩文版本翻译。

🐩 支持코봉이零食基金
코봉이
如果这个页面对你有帮助,也欢迎支持코봉이的零食基金 🦴
💬 社区评论
基于IP的匿名昵称 · 滥用可能导致限制
加载中...