来源：公众号“Any 硬科技” 原文链接：https://mp.weixin.qq.com/s/p4Jm-1KAx01T9_s52Lh3wA 本文按赛道、论坛和嘉宾背景，整理四天参会路线。 先说结论 17高校、科研机构和 AI4S 嘉宾密度高。数学与 AI、人工智能教育、材料科学三场都集中在下午。 18如果只想选一天听底层技术，我会选这天。David Patterson、Max...

雷锋网 AI 科技评论按：前不久我们刚刚介绍了出自清华姚班并获得 2019 年斯隆研究奖的华裔学者鬲融，近日我们又获悉另一位姚班天才少年陈立杰获得 ACM STOC 2019 最佳学生论文奖殊荣。我国的青年学者真是人才辈出啊。 2018 年下半年，陈立杰做学术报告，题目为《Recent Structure Lemmas for Depth-Two Threshold Circuits》 ACM...

作者 | 李梅 编辑 | 陈彩娴...

来源：Moonlight原文链接：https://www.themoonlight.io/zh/review/a-model-based-decoupling-strategy-for-proprioception-and-contact-sensing-in-an-architected-soft-manipulator探索如何利用物理建模与稳健统计策略，优雅地解决软体机械臂本体感觉与外部接触信号的解耦难题。该论文发表于2026年 IEEE/RSJ 国际智能机器人与系统会议（IROS），提出了一种基于模型的方法，利用嵌入在架构化软体机械臂中的流体压力传感器，实现本体感觉（Proprioception）与接触感知（Contact Sensing）的解耦。核心方法与技术细节1. 结构设计：Innervated Trimmed Helicoid (ITH)研究的核心是“Innervated Trimmed...

当机器从识别图像走向介入现实，视觉研究的边界也被重新划定。作者丨郑佳美编辑丨马晓宁如果您漫步在 CVPR 2026 的会场，会产生一种强烈的错觉：自己是不是跑错了场馆，误入了 ICRA 或者 IROS 的现场？满屏的机械臂抓取、足式机器人的越野导航、以及在虚拟沙盒中进行千亿次迭代的物理模拟。具身智能（Embodied AI）已经不再是视觉领域的一个“边缘分支”，而是以一种占据主舞台的姿态，成为视觉顶会最难被忽视的叙事之一。这种范式的易位，让人们不禁回想起 2017 年机器人学界的顶级盛会 IROS。当时，机器人专家们打破了固守多年的运动学控制圈层，邀请计算机视觉泰斗、ImageNet...

编者注：《吃豆人》是一款由南梦宫公司制作的街机游戏，游戏最初于1980年5月22日在日本发行。本游戏由南梦宫公司的岩谷彻设计，游戏于1980年10月由Midway Games公司在美国发行。 星际争霸是由暴雪娱乐有限公司制作发行的一系列战争题材科幻游戏。游戏系列主要由Chris Metzen与James...

雷锋网按：这里是，雷锋字幕组编译的 ICRA 2018 系列，带你了解机器人与自动化领域的最新研究成果。原标题 ：Reinforcement Learning of Depth Stabilization with a Micro Diving Agent翻译 | 张哥华    整理 |...

7月17日至20日，2026世界人工智能大会暨人工智能全球治理高级别会议（WAIC 2026）在上海举办。作为全球人工智能领域的重要盛会，WAIC正成为观察产业发展趋势的重要窗口。今年大会上，越来越多企业不再只是展示技术能力，而是围绕真实应用、产业协同和商业化成果展开交流，具身智能正式迈入价值验证的新阶段。本届WAIC，鹿明机器人围绕”让智能走进现实”的品牌主张，集中展示了产业具身的最新实践。从联合产业伙伴发布工业场景合作案例，到展示产业具身大脑Prime...

2026年，大厂们不再比谁的GPU多，而是比谁的算法更聪明。作者丨陈淑瑜编辑丨岑 峰一个在2026年越来越难以回避的问题是：如果H100全面断供、电费账单直线飙升、训练一次大模型的成本足以买下一家创业公司，大模型的故事还讲得下去吗？也许顶级学术会议的论文能给大家一个新的启发。今年的CVPR收到了四千余篇投稿，其中一个清晰的信号正在浮现：大厂不再比拼GPU数量，而是较量如何把GPU用得更好。算力封锁之下，算法正在成为新的护城河。在论文的汪洋中，字节跳动Seed团队是出手最密集的玩家之一。AI 科技评论聚焦四篇来自字节跳动的论文——TEMF、Beyond Token Eviction、Mixture-of-Depths...

基于事件链与关键帧机制，提升时序与因果一致性。 作者丨郑佳美 编辑丨岑 峰 想象这样一些常见却又微妙的场景：一勺蜂蜜缓慢倒入热茶，本应拉出细长连续的丝状流动，但很多生成视频却会突然断裂甚至凭空消失；一块冰在室温下逐渐融化，真实过程应该是边缘先软化、体积变化、最终消散，而生成结果却常常直接从完整变成消失；一个玻璃球落入水中，本应经历接触水面、减速下沉、逐渐稳定的过程，但模型却可能只给出一个结果画面。 这些现象并不罕见，也正是当前视频生成技术最容易让人出戏的地方。画面看起来像，但过程不对，缺乏因果关系，也缺乏真实世界中那种连续演化的逻辑。 随着视频生成模型的发展，从 OpenAI Sora 到 Kling 等系统不断刷新视觉质量的上限，行业已经基本解决了清晰度和风格的问题，却逐渐暴露出更深层的瓶颈，即模型缺乏对物理规律的理解能力。 现有方法更多依赖数据驱动的模式匹配，本质上是在生成看起来合理的结果，而不是在模拟真实发生的过程，这也导致在流体、热变化以及多物体交互等场景中表现明显不足。 在这样的背景下，来自四川大学的雷印杰团队提出了一项新的研究工作《Chain of...