EZ.AI Daily

在机器人控制领域，一个长期被忽视的假设正在被打破。传统的机器人策略通常将感知和控制转化为固定频率的观测-动作序列，这种处理方式让“物理时间”隐藏在序列的位置中，仿佛时间是不变的背景。然而，当观测频率波动、延迟出现或推理延迟发生变化时，这种假设便显得脆弱不堪。为了解决这一痛点，研究人员提出了名为 Chronos Policy 的新方法，其核心在于让物理时间变得“显性化”。 Chronos Policy 不再仅仅依赖序列顺序，而是通过条件化观测的捕获时间和期望的动作执行时间，直接让机器人感知到真实的时间流逝。研究团队深入探索了两种将时间融入扩散变换器（Diffusion Transformer）的技术路径：一是向令牌特征中添加时间戳嵌入，二是通过时间感知的旋转位置编码（time-aware RoPE）在位置编码中编码物理时间。实验结果令人振奋，时间感知的 RoPE 展现出更强的鲁棒性。它允许注意力机制直接依赖于物理时间，同时保持令牌内容不变，从而更精准地捕捉时序关系。 在训练阶段，Chronos Policy 采用了时间随机化策略。研究人员随机化观测的采样时机以及动作块的起始时间，迫使策略暴露在更广泛的感知和执行调度场景中。这种方法不仅让机器人能够适应部署过程中可能出现的各种突发情况，还使其能够从异步、多速率的数据中学习，而无需将所有测量值强行对齐到固定的时间网格上。 无论是在仿真环境还是真实世界的实验中，Chronos Policy 都展现了卓越的性能。在动态任务中，观测到动作的时机至关重要，Chronos Policy 显著提升了表现；在多感官任务中，不同观测之间的相对时序关系变得关键，该方法同样表现出色。而在标准的准静态任务中，它不仅保持了名义性能，还增强了对感知和推理时机变化的鲁棒性。 这项研究揭示了时间维度在机器人智能中的深层价值。当机器不再仅仅处理“什么”信息，而是开始理解“何时”发生，它们便能在充满不确定性的物理世界中更加从容地行动。时间不再是隐形的背景，而是成为决策的核心要素，这或许是通往更通用、更鲁棒机器人智能的关键一步。

在三维内容生成的领域，长期以来存在着一个被忽视的痛点：我们往往过于关注物体“看起来”是什么样，却忽略了它“动起来”是否合理。当虚拟物体在重力下摇摇欲坠，或者在碰撞中穿模而过时，沉浸感便荡然无存。为了解决这一核心矛盾，研究团队提出了名为Artisan的系统，旨在将生成目标从单纯的视觉复刻，转向捕捉物体的运动规律与功能特性，从而创造出真正具备物理基础的铰接式3D资产。 Artisan并非凭空诞生，它是在现有先进方法Articraft的基础上进行的一次深度进化。其核心创新在于引入了一套多智能体流水线，并巧妙地嵌入了物理模拟反馈机制。这意味着，生成的资产不再仅仅是几何形状和外观的堆砌，而是经过物理引擎的严格检验。系统能够确保物体在运动过程中无碰撞，在重力作用下保持稳定，并且具备准确的材质属性与质量分布。这种从“几何外观”到“物理行为”的跨越，使得生成的3D资产具备了更真实的交互潜力。 为了科学地评估这一进步，研究团队构建了一个统一且全面的基准测试体系。该基准涵盖了四个关键维度：空间保真度、物理合理性、下游任务表现以及整体质量。测试数据极具代表性，包括来自ArtVIP和LightWheel的100个参考资产、50个专门用于测试稳定性的提示词，以及50个带有参考质量数据的ABO物体。通过这一标准化的协议，研究人员能够对不同模型进行多维度、细粒度的指标评估。 在针对超过10个代表性模型的广泛评估中，Artisan的表现令人瞩目。数据显示，该系统在保持具有竞争力的空间保真度的同时，实现了最低的碰撞率和最高的稳定性率。这一结果不仅证明了多智能体流水线与物理反馈机制的有效性，也表明Artisan在生成物理上可信、功能上可用的3D资产方面，显著优于其他被评估的方法。 这项研究的意义远超技术本身。它标志着3D生成技术正从“视觉欺骗”走向“物理真实”。当虚拟物体开始遵循物理定律，数字世界的边界将变得更加模糊且可信。Artisan及其基准测试为未来的3D生成研究提供了重要的洞察和方向，提醒我们：真正的虚拟现实，不仅在于看见什么，更在于触摸和互动时，世界是否像真实世界一样运作。物理，或许是通往终极数字孪生的最后一块拼图。

在人工智能追求极致效率的征途中，递归自我改进（RSI）一直被视为通往通用智能的关键路径，但高昂的外部反馈成本和随着策略演变而变得不可靠的世界模型预测，始终是横亘在研究者面前的两座大山。近日，一项名为 RSI-Anything 的新框架横空出世，它基于 JEPA-Anything 构建，旨在通过预测性世界模型来指导行动与学习数据的选择，从而打破这一僵局。 RSI-Anything 的核心逻辑在于让观察到的反馈驱动策略或工作流的改进，同时实现条件性世界模型的自适应调整。为了确保系统的稳定性，该框架引入了组件和兼容性检查机制，严格管控更新后的策略-模型对的保留。这种机制使得系统能够在不断进化的过程中保持可靠性，避免了因模型漂移导致的性能崩塌。 在代码修复领域，RSI-Anything 展现了惊人的潜力。当编码器固定不变时，传统的静态验证器成功率仅为 26.3%。然而，通过引入预测性选择，成功率提升至 29.2%；而在世界模型适应之后，这一数字进一步攀升至 31.2%，且测试用量保持在相当水平。这意味着，仅仅通过优化选择机制和模型适应，就能在不增加计算负担的情况下显著提升代码修复的成功率。 在图形用户界面（GUI）评估中，RSI-Anything 不仅提高了任务完成率，更令人瞩目的是，其平均操作次数减少了 39.4%。这表明系统不仅更聪明，而且更高效，能够以更少的步骤达成目标。在实验室规划任务中，随着五个连续策略版本的迭代，得分从 21.80% 翻倍至 46.01%，证明了递归改进在复杂规划任务中的巨大价值。 在化学反应优化领域，RSI-Anything 的表现更是令人印象深刻。在相同的 40 次实验预算下，其平均最佳观察产率达到了 96.15%，而传统的贝叶斯优化仅为 82.16%。这一显著差距表明，预测性世界模型在科学实验优化中具有超越传统方法的潜力。此外，该框架还应用于免疫科学，将工作流进化、预测建模与治疗假设生成连接起来，展示了其在跨学科领域的广泛应用前景。 RSI-Anything 的成功表明，预测性世界模型与保留的系统更新相结合，能够在多样化的环境中实现递归改进。这不仅是一个技术突破，更是对人工智能如何从被动响应转向主动预测和自我进化的一次深刻探索。当机器能够利用内部模型预测未来并据此优化自身行为时，我们或许正站在通往更高级智能形态的门槛上。未来的 AI 可能不再仅仅是执行指令的工具，而是能够自主规划、自我修正并持续进化的智能伙伴。

在理解动态世界的过程中，仅仅拥有一个能概括观测数据的潜在状态是不够的。真正的理解要求我们将状态分解为两类关键因素：在相关观测中保持共享的“不变因素”，以及在不同观测间发生变化的“变化因素”。以机器人操作为例，当机器人推动立方体前往目标时，即使摄像头角度改变或光线变暗，只要场景中的物体没有移动，机器人就应当采取相同的动作。然而，现有的方法通常依赖于重建过程来实现这种分解。这意味着潜在变量必须首先解释整个观测世界，然后才能信任其组织结构。联合嵌入预测架构（JEPA）直接在潜在状态上进行建模，从不进行重建，但此前没有任何结果能够恢复其学习到的状态中的不变和变化部分。因此，如何在不承担重建成本的情况下学习潜在世界的不变-变化结构，一直是一个未解的难题。 为了填补这一空白，研究人员提出了SplitJEPA。这是一种新的JEPA架构，能够在表示空间中直接联合恢复潜在状态及其不变和变化的组织结构，完全无需任何重建过程。研究团队证明了，在平稳高斯预测动态和满秩变化条件下，SplitJEPA能够识别不变和变化子空间，精度达到独立的块级等距变换水平，且无需引入观测解码器。由于这一保证不需要解码器，该结果将无重建的潜在恢复扩展到了不变-变化块的识别层面。 在实验方面，研究团队在合成非线性系统和机器人操作任务上进行了测试。结果支持了理论结论，并展示了其在鲁棒性和效率方面的实际价值。SplitJEPA不仅在理论上突破了传统方法的局限，还在实践中证明了其有效性。这一发现表明，我们可以在不依赖重建的情况下，更直接、更高效地理解动态世界的内在结构。这不仅为机器人控制提供了新的思路，也为更广泛的AI系统如何理解世界提供了新的视角。或许，真正的智能不在于完美复现过去，而在于精准捕捉那些在变化中恒定的本质。

在化学、材料科学和生物学的交叉领域，统一原子级建模被视为加速科学发现的关键。然而，现有的原子级生成方法往往局限于特定学科，例如仅针对化学或生物学，未能充分利用高容量的有机分子数据和无机材料数据进行通用预训练。为了解决这一瓶颈，研究团队推出了Zatom-2，这是一个基于约五百万个结构进行预训练的原子级生成模型，数据源来自OMol25和OMat24电子结构数据集。Zatom-2的核心架构结合了多尺度Transformer与条件流匹配技术，支持力条件控制以及生成、结构预测、分子和材料能量与力预测等基础预训练任务。在实证表现上，Zatom-2在分子分布保真度上优于前代模型Zatom-1，并在现有的分子和材料生成基准测试中展现出强劲性能。特别值得注意的是，该模型能够控制低力和高力环境下的样本生成，并通过联合生成-预测预训练和迁移学习，在低数据场景下显著提升了蛋白质生成能力。在长度外推设置中，经过在2000个蛋白质结构域上的微调，蛋白质骨架的可设计性从未经预训练的67.8%提升至74.8%。这一进展表明，跨领域的多任务预训练不仅能提升单一学科的性能，更能通过知识迁移解决数据稀缺领域的难题，为原子级建模的未来发展提供了新的范式。

在生成式人工智能的领域里，如何让模型既快又好一直是研究者追逐的目标。传统的流匹配模型（Flow Matching Models）虽然强大，但在引入预训练表示（如DINO）进行协同去噪时，往往面临复杂的挑战。现有的方法虽然能显著提升训练速度和生成质量，但代价是引入了第二条去噪轨迹，并且需要精心设计针对特定表示的去噪时间表，这使得整个系统变得异常繁琐且难以优化。 为了解决这一痛点，研究人员提出了一种更为简洁且高效的替代方案：Dino Forcing Flow Models。其核心理念颠覆了传统的协同去噪思路，不再对预训练表示进行复杂的去噪处理，而是直接预测这些预训练表示。随后，模型以自身的预测结果作为条件进行后续生成。这一看似简单的改变，彻底移除第二条常微分方程（ODE）的需求，同时也摒弃了那些令人头疼的、针对特定表示的去噪时间表设计。 尽管方法简化，但效果却令人惊喜。这种新方法不仅保留了表示引导带来的所有优势，更在收敛速度和生成质量上实现了双重突破。在ImageNet数据集的测试中，该方法在潜在空间（latent space）的表现超越了当前最先进的方法，而所需的训练轮数（epochs）仅为先前方法的一半。这意味着训练效率提升了整整一倍。更令人瞩目的是，在像素空间（pixel space）中，该方法的FID分数（衡量图像生成质量的关键指标）相比同类先前方法提升了超过20%。这一显著的性能提升证明了“直接预测”策略的有效性。 这一成果背后支撑着一个简单而深刻的原则：不要对你能够预测的东西进行去噪。通过直接利用预训练表示的可预测性，模型得以摆脱冗余的计算负担，从而在更短的时间内达到更高的生成标准。目前，该研究的代码已开源，为社区提供了进一步探索和应用这一高效生成范式的工具。这一进展不仅优化了现有模型的性能，也为未来生成式模型的设计提供了新的思路：有时候，简化流程并直击核心预测目标，比复杂的工程堆砌更能带来质的飞跃。

在人工智能探索具身智能的浪潮中，如何让多个虚拟智能体在共享环境中进行细腻、真实的互动，一直是一个被忽视的难题。现有的多智能体世界模型往往局限于粗略的动作指令，如移动或相机控制，难以捕捉真实世界中复杂且细微的肢体交互。为了解决这一痛点，研究团队提出了名为ME-World的多智能体第一人称世界模型，旨在填补这一技术空白。 ME-World的核心创新在于将多智能体第一人称世界建模定义为一种同步的“自我流”生成任务。在这个共享世界中，多个智能体通过细粒度的动作进行互动。为了实现这一目标，模型必须同时满足三个关键的一致性要求：跨视角的动作一致性、共享环境的一致性，以及由交互引起的状态更新的一致性传播。这意味着，当一个智能体做出动作时，其他智能体的视角必须能准确反映这一变化，且整个环境的物理状态要保持逻辑连贯。 在技术实现上，ME-World采用了一种联合去噪机制，在共享的令牌序列中同时处理多个智能体的自我流。每个智能体的视角流不仅依赖于自身的动作，还以所有智能体的目标视角位姿为条件，并通过共享的环境记忆来锚定生成过程。这种设计确保了不同视角之间的紧密耦合，使得生成的视频在逻辑和视觉上更加统一。 研究团队在真实和合成的多智能体数据上对ME-World进行了训练和评估，并引入了一套新的“共享世界一致性”指标，专门用于衡量环境、更新和身份的一致性。实验结果令人振奋：与现有方法相比，ME-World在共享世界一致性、动作控制、身份保持以及视频质量方面均取得了显著提升。这表明该模型能够更准确地模拟多智能体在复杂环境中的动态交互，为具身智能的研究提供了强有力的工具。 这一进展不仅提升了视频生成的真实感，更揭示了多智能体协作中状态同步的重要性。当虚拟世界中的多个角色能够像真实人类一样，通过细微的动作和共享的环境记忆进行无缝互动时，我们距离构建真正具备社会交互能力的具身智能体又近了一步。未来的研究或许可以进一步探索这些模型在复杂社交场景中的应用，让虚拟智能体不仅能“看见”世界，更能“理解”并“回应”其他智能体的存在。

在人工智能飞速发展的今天，让机器不仅理解语言，还能将其转化为可物理构建的实体结构，一直是极具挑战性的前沿课题。近日，研究团队提出了名为BrickBench的全新基准测试，旨在评估智能体（Agentic）在基于文本指令进行乐高套装设计方面的能力。这一基准的核心在于，它要求AI代理在接收到一段提示词后，不仅要生成符合语义和设计标准的作品，更关键的是，这些作品必须能够被真实地物理搭建出来。为了实现这一目标，AI需要从离散的零件库中精心挑选组件，并同时对局部细节和全局约束进行联合推理，这极大地考验了模型的逻辑规划与空间想象能力。BrickBench通过三个不同规模和零件可用性的设置，对设计的合法性、对齐度以及设计质量进行了多维度的评分。为了支持这一评估过程，研究团队还开发了BrickAgent环境，允许编码代理在其中构建、检查并验证其设计成果。研究发现，尽管目前领先的AI代理在满足可验证的物理和语义要求方面表现不俗，能够构建出结构合理且符合指令的作品，但在整体设计水平上，它们与人类设计师的作品相比仍存在明显差距。这一发现揭示了当前AI在复杂创造性任务中的局限性，同时也为未来的研究指明了方向。BrickBench基准及其配套环境已公开发布，为学术界和工业界提供了一个评估和推进AI物理设计能力的重要平台。这一进展不仅关乎乐高设计的自动化，更象征着人工智能在从数字世界向物理世界延伸过程中迈出的坚实一步，预示着未来人机协作在创造性工程领域拥有广阔的应用前景。