Rumah Peranti teknologi AI Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Feb 01, 2024 am 09:48 AM
industri robotik fmb Kawalan fungsi

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Dengan perkembangan pesat kecerdasan buatan dan teknologi robotik, kepentingan manipulasi berfungsi dalam robotik telah menjadi semakin menonjol. Ujian penanda aras tradisional tidak lagi dapat memenuhi keperluan semasa robot untuk tugasan manipulasi yang kompleks, yang memerlukan kemunculan penanda aras manipulasi baharu (Tanda Aras Manipulasi Fungsian).

Ikhtisar

Manipulasi robot menghadapi dua cabaran utama: cara robot bijak mengendalikan dinamik sentuhan yang kompleks dan cara menangani kepelbagaian persekitaran dan objek. Sebagai tindak balas kepada cabaran ini, teknologi pembelajaran robot dianggap sebagai penyelesaian utama. Oleh itu, medan memerlukan rangka kerja yang komprehensif dan boleh diakses yang menyediakan tugasan dunia sebenar yang mencabar, data berkualiti tinggi, tetapan yang mudah ditiru dan kaedah yang berkaitan yang menyepadukan hasil garis dasar, penyelidik boleh menjalankan eksperimen pada tugasan yang dicadangkan analisis yang mendalam.

Pasukan penyelidik di University of California, Berkeley, Robotics Intelligent Laboratory (RAIL) mencadangkan penanda aras dunia sebenar seperti yang dinyatakan di atas, dipanggil FMB (Functional Manipulation Benchmark for Generalizable Robotic Learning).

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

  • Laman utama projek: https://functional-manipulation-benchmark.github.io/
  • Alamat kertas: https://arxiv.org/abs/2401.08553
  • Tajuk FMB : Penanda Aras Manipulasi Berfungsi untuk Pembelajaran Robotik Boleh Digeneralisasikan
  • Laman utama pengarang bersama pertama: https://people.eecs.berkeley.edu/~jianlanluo/
  • https://charlesxu0124.github.io/
  • .
Tugas yang pelbagai: termasuk tugasan manipulasi berbilang peringkat objek tunggal dan berbilang objek, benar-benar meniru cabaran dalam persekitaran harian.

Set Data Besar: Melalui sejumlah besar demonstrasi manusia, robot itu disediakan dengan set data yang kaya.

Garis Asas Pembelajaran Peniruan: Menggunakan kaedah pembelajaran mesin yang canggih, hasil asas dan komponen modular disediakan untuk digunakan oleh penyelidik lain.
  • Objek dan tugasan
  • Tugasan dalam FMB secara kasar dibahagikan kepada dua kategori: tugasan manipulasi berbilang-langkah objek tunggal dan tugasan manipulasi berbilang objek. Tugasan ini direka bentuk untuk menguji kemahiran asas robot seperti menggenggam, meletakkan semula dan memasang, yang diperlukan untuk menyelesaikan keseluruhan tugasan. Tugasan dalam FMB memerlukan robot bukan sahaja melengkapkan satu kemahiran kawalan, tetapi juga memerlukan robot untuk menggabungkan kemahiran ini untuk menyelesaikan tugasan berbilang langkah yang lebih kompleks.
Reka bentuk tugas FMB adalah fleksibel dan boleh diubah Penyelidik boleh memilih untuk menumpukan pada satu kemahiran dan mengkaji keupayaan kawalan robot secara mendalam seperti yang diperlukan, atau mereka boleh mengkaji tugasan berbilang langkah yang lengkap, yang memerlukan robot untuk membuat masa yang panjang. -perancangan jangka dan mempunyai keupayaan untuk pulih daripada kegagalan. Tugasan berbilang langkah yang lebih kompleks memerlukan robot membuat keputusan masa nyata yang kompleks, kerana ia melibatkan pemilihan objek yang sesuai dan membuat alasan tentang urutan memanipulasinya.

Set Data Besar

Dalam proses pembelajaran robot, peranan data tidak boleh dipandang remeh. Untuk membolehkan robot lebih memahami dan menguasai tugas yang kompleks, pasukan penyelidik mengumpul set data demonstrasi manusia pakar berskala besar yang meliputi tugas di atas, yang mengandungi lebih daripada 20,000 trajektori operasi. Pasukan penyelidik menggunakan empat kamera berbeza untuk merakam data demonstrasi ini, dua daripadanya dipasang pada pergelangan tangan robot dan dua daripadanya memberikan perspektif global. Kamera ini menangkap data seperti maklumat imej warna RGB, maklumat kedalaman dan banyak lagi yang penting untuk robot belajar menyelesaikan tugas.

Selain itu, set data juga merekodkan maklumat daya/torsi pengesan akhir robot, yang sangat penting untuk tugas seperti pemasangan yang memerlukan sentuhan dengan sejumlah besar objek. Melalui data yang kaya ini, robot dapat memahami dengan mendalam setiap butiran tugas dan meniru kemahiran pengendalian manusia dengan lebih tepat. Ia adalah tepat kerana kedalaman dan keluasan data yang menyediakan asas yang kukuh untuk pembelajaran robot. Ini membolehkan robot bertindak balas terhadap tugas dengan lebih berperikemanusiaan dan cekap apabila melakukan tugas yang rumit.

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Garis asas pembelajaran imitasi

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Rajah seni bina strategi garis dasar.

Kedua-dua model berdasarkan Transformer dan ResNet menggunakan pengekod ResNet dengan berat yang dikongsi untuk mengekod setiap paparan imej, dan kemudian menggabungkannya dengan maklumat proprioseptif dan objek pilihan serta ciri pengekodan kemahiran robot yang sepadan, untuk meramalkan tindakan dengan 7 darjah kebebasan.

Bahagian percubaan FMB menjalankan satu siri ujian ke atas prestasi sistem pembelajaran tiruan, membandingkan kaedah pembelajaran yang berbeza dan meneroka kesan mod input dan keputusan reka bentuk yang berbeza. Eksperimen mendapati bahawa menggunakan maklumat mendalam membantu meningkatkan keberkesanan strategi memahami, dan maklumat daya/torsi adalah sangat penting untuk tugas pemasangan. Untuk tugasan berbilang langkah, kaedah ResNet, Transformer dan Diffusion tradisional telah gagal, tetapi kaedah kawalan hierarki yang dicadangkan dalam kertas ini menunjukkan potensi.

Tugas merangkak

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Hasil eksperimen menunjukkan bahawa strategi ResNet yang menggabungkan maklumat mendalam secara konsisten berprestasi lebih baik dalam tugas merangkak berbanding strategi yang hanya menggunakan maklumat RGB. Melalui kajian pengurangan data, pasukan penyelidik meneroka kesan jumlah data latihan yang berbeza terhadap prestasi tugas merangkak. Keputusan menunjukkan bahawa prestasi strategi ResNet yang menggabungkan maklumat mendalam semasa memproses objek yang dilihat akan bertambah baik apabila jumlah data latihan meningkat. Terutama, strategi ini menunjukkan prestasi yang serupa dengan objek yang dilihat untuk objek yang tidak kelihatan, menunjukkan bahawa kepelbagaian objek latihan sangat menyumbang kepada keupayaan generalisasi robot.

Tugas Perhimpunan

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Dalam tugas pemasangan, kepentingan maklumat daya/torsi disahkan. Maklumat daya/torsi adalah sangat penting untuk strategi yang diguna pakai oleh robot untuk menentukan sama ada objek telah menghubungi permukaan sasaran dan untuk menjalankan tindakan secara berkesan seperti mencari.

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Walau bagaimanapun, apabila dasar dilatih pada semua objek, robot tidak selalu dapat menyelesaikan tugas pemasangan dengan jayanya. Ini kerana strategi perlu terlebih dahulu menentukan lubang mana objek harus dipasang dan kemudian menjana tindakan yang sepadan, yang meningkatkan kerumitan tugas dengan ketara. Untuk menyelesaikan masalah ini, pasukan penyelidik menambah mekanisme pemilihan objek kepada strategi untuk membantu strategi menentukan bentuk objek yang perlu dipasang, dengan itu memfokuskan pada penjanaan tindakan pemasangan yang betul.

Tugas pelbagai langkah

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Rangka kerja FMB terdiri daripada dua tugas yang kompleks. Tugas kompleks ini memerlukan robot untuk dapat menyelesaikan beberapa langkah berturut-turut sama seperti manusia. Kaedah sebelumnya adalah untuk membiarkan robot mempelajari keseluruhan proses, tetapi kaedah ini terdedah kepada terkumpul ralat disebabkan oleh ralat dalam satu pautan, akhirnya membawa kepada kegagalan keseluruhan tugas. Pendekatan ini mempunyai kadar kejayaan 0/10 dalam kedua-dua tugasan manipulasi objek tunggal dan berbilang.

Untuk menangani masalah ralat kumulatif, pasukan penyelidik menggunakan strategi kawalan hierarki. Strategi hierarki menguraikan tugas kepada beberapa bahagian kecil Setiap bahagian yang telah dilengkapkan bersamaan dengan melepasi titik keputusan Walaupun ralat berlaku, ia boleh dibetulkan dengan cepat untuk mengelak daripada menjejaskan pautan berikutnya. Contohnya, jika robot gagal memegang objek dengan selamat semasa genggaman, ia akan terus mencuba sehingga berjaya.

Pasukan penyelidik menguji dua kaedah hierarki Kaedah pertama menyediakan vektor berkesan yang menunjukkan jenis tugasan untuk satu strategi, manakala kaedah kedua melatih strategi yang berbeza secara berasingan untuk setiap kemahiran manipulasi, kedua-duanya menggunakan arahan operator sebagai bahagian atas. strategi peringkat, dalam ujian, pasukan penyelidik mendapati bahawa kedua-dua kaedah menunjukkan prestasi yang baik.

Keputusan ujian menunjukkan keberkesanan pendekatan hierarki dalam mengendalikan tugas robotik yang kompleks dan menyediakan arah penyelidikan baharu untuk penyelidikan masa hadapan.

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Seperti yang ditunjukkan dalam gambar di atas, robot boleh mengawal fungsi secara autonomi selepas pembelajaran.

Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks

Secara amnya, eksperimen di atas menunjukkan inovasi teknologi pasukan penyelidik dalam bidang pembelajaran robot, dan juga mengesahkan bahawa FMB ialah penanda aras yang sesuai untuk membangunkan kaedah pembelajaran robot lanjutan. Pasukan penyelidik menantikan penyelidikan masa depan yang boleh menolak lagi sempadan pembelajaran robot berdasarkan FMB.

Atas ialah kandungan terperinci Penanda aras kawalan robot berskala besar sumber terbuka Berkeley, tidak lagi sukar untuk menghadapi tugas kawalan autonomi yang kompleks. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Repo: Cara menghidupkan semula rakan sepasukan
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Robot DeepMind bermain pingpong, dan pukulan depan dan pukulan kilasnya tergelincir ke udara, mengalahkan manusia pemula sepenuhnya Robot DeepMind bermain pingpong, dan pukulan depan dan pukulan kilasnya tergelincir ke udara, mengalahkan manusia pemula sepenuhnya Aug 09, 2024 pm 04:01 PM

Tetapi mungkin dia tidak dapat mengalahkan lelaki tua di taman itu? Sukan Olimpik Paris sedang rancak berlangsung, dan pingpong telah menarik perhatian ramai. Pada masa yang sama, robot juga telah membuat penemuan baru dalam bermain pingpong. Sebentar tadi, DeepMind mencadangkan ejen robot pembelajaran pertama yang boleh mencapai tahap pemain amatur manusia dalam pingpong yang kompetitif. Alamat kertas: https://arxiv.org/pdf/2408.03906 Sejauh manakah robot DeepMind bermain pingpong? Mungkin setanding dengan pemain amatur manusia: kedua-dua pukulan depan dan pukulan kilas: pihak lawan menggunakan pelbagai gaya permainan, dan robot juga boleh bertahan: servis menerima dengan putaran yang berbeza: Walau bagaimanapun, keamatan permainan nampaknya tidak begitu sengit seperti lelaki tua di taman itu. Untuk robot, pingpong

Claude pun dah jadi malas! Netizen: Belajar untuk memberi percutian kepada diri sendiri Claude pun dah jadi malas! Netizen: Belajar untuk memberi percutian kepada diri sendiri Sep 02, 2024 pm 01:56 PM

Permulaan sekolah akan bermula, dan bukan hanya pelajar yang akan memulakan semester baharu yang harus menjaga diri mereka sendiri, tetapi juga model AI yang besar. Beberapa ketika dahulu, Reddit dipenuhi oleh netizen yang mengadu Claude semakin malas. "Tahapnya telah banyak menurun, ia sering berhenti seketika, malah output menjadi sangat singkat. Pada minggu pertama keluaran, ia boleh menterjemah dokumen penuh 4 halaman sekaligus, tetapi kini ia tidak dapat mengeluarkan separuh halaman pun. !" https:// www.reddit.com/r/ClaudeAI/comments/1by8rw8/something_just_feels_wrong_with_claude_in_the/ dalam siaran bertajuk "Totally disappointed with Claude", penuh dengan

Cakar mekanikal pertama! Yuanluobao muncul di Persidangan Robot Dunia 2024 dan mengeluarkan robot catur pertama yang boleh memasuki rumah Cakar mekanikal pertama! Yuanluobao muncul di Persidangan Robot Dunia 2024 dan mengeluarkan robot catur pertama yang boleh memasuki rumah Aug 21, 2024 pm 07:33 PM

Pada 21 Ogos, Persidangan Robot Dunia 2024 telah diadakan dengan megah di Beijing. Jenama robot rumah SenseTime "Yuanluobot SenseRobot" telah memperkenalkan seluruh keluarga produknya, dan baru-baru ini mengeluarkan robot permainan catur AI Yuanluobot - Edisi Profesional Catur (selepas ini dirujuk sebagai "Yuanluobot SenseRobot"), menjadi robot catur A pertama di dunia untuk rumah. Sebagai produk robot permainan catur ketiga Yuanluobo, robot Guoxiang baharu telah melalui sejumlah besar peningkatan teknikal khas dan inovasi dalam AI dan jentera kejuruteraan Buat pertama kalinya, ia telah menyedari keupayaan untuk mengambil buah catur tiga dimensi melalui cakar mekanikal pada robot rumah, dan melaksanakan Fungsi mesin manusia seperti bermain catur, semua orang bermain catur, semakan notasi, dsb.

Pada Persidangan Robot Sedunia, robot domestik yang membawa 'harapan penjagaan warga tua masa depan' ini telah dikepung Pada Persidangan Robot Sedunia, robot domestik yang membawa 'harapan penjagaan warga tua masa depan' ini telah dikepung Aug 22, 2024 pm 10:35 PM

Pada Persidangan Robot Dunia yang diadakan di Beijing, paparan robot humanoid telah menjadi tumpuan mutlak di gerai Stardust Intelligent, pembantu robot AI S1 mempersembahkan tiga persembahan utama dulcimer, seni mempertahankan diri dan kaligrafi dalam. satu kawasan pameran, berkebolehan kedua-dua sastera dan seni mempertahankan diri, menarik sejumlah besar khalayak profesional dan media. Permainan elegan pada rentetan elastik membolehkan S1 menunjukkan operasi halus dan kawalan mutlak dengan kelajuan, kekuatan dan ketepatan. CCTV News menjalankan laporan khas mengenai pembelajaran tiruan dan kawalan pintar di sebalik "Kaligrafi Pengasas Syarikat Lai Jie menjelaskan bahawa di sebalik pergerakan sutera, bahagian perkakasan mengejar kawalan daya terbaik dan penunjuk badan yang paling menyerupai manusia (kelajuan, beban). dll.), tetapi di sisi AI, data pergerakan sebenar orang dikumpulkan, membolehkan robot menjadi lebih kuat apabila ia menghadapi situasi yang kuat dan belajar untuk berkembang dengan cepat. Dan tangkas

Pasukan Li Feifei mencadangkan ReKep untuk memberi robot kecerdasan spatial dan mengintegrasikan GPT-4o Pasukan Li Feifei mencadangkan ReKep untuk memberi robot kecerdasan spatial dan mengintegrasikan GPT-4o Sep 03, 2024 pm 05:18 PM

Penyepaduan mendalam penglihatan dan pembelajaran robot. Apabila dua tangan robot bekerja bersama-sama dengan lancar untuk melipat pakaian, menuang teh dan mengemas kasut, ditambah pula dengan 1X robot humanoid NEO yang telah menjadi tajuk berita baru-baru ini, anda mungkin mempunyai perasaan: kita seolah-olah memasuki zaman robot. Malah, pergerakan sutera ini adalah hasil teknologi robotik canggih + reka bentuk bingkai yang indah + model besar berbilang modal. Kami tahu bahawa robot yang berguna sering memerlukan interaksi yang kompleks dan indah dengan alam sekitar, dan persekitaran boleh diwakili sebagai kekangan dalam domain spatial dan temporal. Sebagai contoh, jika anda ingin robot menuang teh, robot terlebih dahulu perlu menggenggam pemegang teko dan memastikannya tegak tanpa menumpahkan teh, kemudian gerakkannya dengan lancar sehingga mulut periuk sejajar dengan mulut cawan. , dan kemudian condongkan teko pada sudut tertentu. ini

Anugerah ACL 2024 Diumumkan: Salah satu Kertas Terbaik mengenai Pentafsiran Oracle oleh HuaTech, Anugerah Ujian Masa GloVe Anugerah ACL 2024 Diumumkan: Salah satu Kertas Terbaik mengenai Pentafsiran Oracle oleh HuaTech, Anugerah Ujian Masa GloVe Aug 15, 2024 pm 04:37 PM

Pada persidangan ACL ini, para penyumbang telah mendapat banyak keuntungan. ACL2024 selama enam hari diadakan di Bangkok, Thailand. ACL ialah persidangan antarabangsa teratas dalam bidang linguistik pengiraan dan pemprosesan bahasa semula jadi Ia dianjurkan oleh Persatuan Antarabangsa untuk Linguistik Pengiraan dan diadakan setiap tahun. ACL sentiasa menduduki tempat pertama dalam pengaruh akademik dalam bidang NLP, dan ia juga merupakan persidangan yang disyorkan CCF-A. Persidangan ACL tahun ini adalah yang ke-62 dan telah menerima lebih daripada 400 karya termaju dalam bidang NLP. Petang semalam, persidangan itu mengumumkan kertas kerja terbaik dan anugerah lain. Kali ini, terdapat 7 Anugerah Kertas Terbaik (dua tidak diterbitkan), 1 Anugerah Kertas Tema Terbaik, dan 35 Anugerah Kertas Cemerlang. Persidangan itu turut menganugerahkan 3 Anugerah Kertas Sumber (ResourceAward) dan Anugerah Impak Sosial (

Hongmeng Smart Travel S9 dan persidangan pelancaran produk baharu senario penuh, beberapa produk baharu blockbuster dikeluarkan bersama-sama Hongmeng Smart Travel S9 dan persidangan pelancaran produk baharu senario penuh, beberapa produk baharu blockbuster dikeluarkan bersama-sama Aug 08, 2024 am 07:02 AM

Petang ini, Hongmeng Zhixing secara rasmi mengalu-alukan jenama baharu dan kereta baharu. Pada 6 Ogos, Huawei mengadakan persidangan pelancaran produk baharu Hongmeng Smart Xingxing S9 dan senario penuh Huawei, membawakan sedan perdana pintar panoramik Xiangjie S9, M7Pro dan Huawei novaFlip baharu, MatePad Pro 12.2 inci, MatePad Air baharu, Huawei Bisheng With banyak produk pintar semua senario baharu termasuk pencetak laser siri X1, FreeBuds6i, WATCHFIT3 dan skrin pintar S5Pro, daripada perjalanan pintar, pejabat pintar kepada pakaian pintar, Huawei terus membina ekosistem pintar senario penuh untuk membawa pengguna pengalaman pintar Internet Segala-galanya. Hongmeng Zhixing: Pemerkasaan mendalam untuk menggalakkan peningkatan industri kereta pintar Huawei berganding bahu dengan rakan industri automotif China untuk menyediakan

Model UI besar pertama di China dikeluarkan! Model besar Motiff mencipta pembantu terbaik untuk pereka bentuk dan mengoptimumkan aliran kerja reka bentuk UI Model UI besar pertama di China dikeluarkan! Model besar Motiff mencipta pembantu terbaik untuk pereka bentuk dan mengoptimumkan aliran kerja reka bentuk UI Aug 19, 2024 pm 04:48 PM

Kecerdasan buatan berkembang lebih cepat daripada yang anda bayangkan. Sejak GPT-4 memperkenalkan teknologi multimodal ke mata umum, model besar multimodal telah memasuki tahap pembangunan pesat, secara beransur-ansur beralih daripada penyelidikan dan pembangunan model tulen kepada penerokaan dan aplikasi dalam bidang menegak, dan disepadukan secara mendalam dengan semua lapisan masyarakat. Dalam bidang interaksi antara muka, gergasi teknologi antarabangsa seperti Google dan Apple telah melabur dalam penyelidikan dan pembangunan model UI berbilang modal yang besar, yang dianggap sebagai satu-satunya jalan ke hadapan untuk revolusi AI telefon mudah alih. Dalam konteks ini, model UI berskala besar pertama di China telah dilahirkan. Pada 17 Ogos, di Persidangan Reka Bentuk Pengalaman Antarabangsa IXDC2024, Motiff, alat reka bentuk dalam era AI, melancarkan model berbilang modal UI yang dibangunkan secara bebas - Model Motiff. Ini ialah alat reka bentuk UI pertama di dunia

See all articles