分类: 世界模型国家主义

16 个词条

智能来自对物理世界的预测,应当用一个大模型从视频与交互中学会世界。

理解生成统一主义
看懂图和画出图是同一种能力的两面,应该由一个统一模型完成。
视觉多模态主义
以通用多模态智能为目标,但把视觉当作根基,把文字、文档和界面都当作"看"的对象。
机器人基座帝国主义
一个通用策略应当控制所有机器人本体,从机械臂到四足再到人形,用跨本体数据统一训练。
具身国家主义
认为通用智能必须有一个在世界中行动的身体,并且应当集中力量训练一个大型具身模型。
仿真规模国家主义
机器人应该在大规模并行仿真中学习,把数年经验压缩进几小时的 GPU 时间。
视频规模主义
视频是下一个互联网级语料,在它上面 scale,模型就会像从文本学会语言那样学会世界。
机器人基础主义
相信通用机器人能力将来自在大规模、多样化真实机器人数据上训练的基座模型,数据靠部署飞轮源源不断地收集。
端到端驾驶专制
自动驾驶应该是一个神经网络,从摄像头像素直接映射到方向盘和油门,中间不要任何手工模块。
人形集权主义
人造世界是为人体设计的,因此通用机器人应该是人形,人形数据也应集中起来。
预测编码国家主义
认为智能的本质是预测即将到来的感官信号,学习由最小化预测误差驱动。
世界模型先锋队
智能首先必须在内部建立一个可预测的世界模型;语言和智能体都在那之后。
视觉主义
相信视觉是智能的首要基底,语言只是给视觉早已理解的东西起了名字。
生物混合主义
长在芯片上的活神经元可以被训练来计算,提供一种硅片模仿不了的高能效计算基质。
视频原生主义
认为时间是被忽视的模态,模型应该原生地从视频中学习,而不是从静态图片和文本中学习。
接地主义
符号只有和感知、行动连起来才有意义;只靠文本学习,意义是悬空的。
自监督视觉国家主义
主张视觉模型应当在海量无标注像素上自监督学习,人工标签和图像描述只是可选的补充。