Yann关键词检索结果

《地球俯视》作者带着令人惊叹的淡水图像归来

Earth from Above author returns with astonishing freshwater images

从肯尼亚的生命之树到斯瓦尔巴群岛冰川,这些令人惊叹的照片取自 Yann Arthus-Bertrand 的新书,他的《俯视地球》在 25 年前曾红极一时

2026 年 5 月 22 日每周回顾

Weekly Review 22 May 2026

我上周在 Twitter 上发布的一些有趣的链接(我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接):AI 繁荣带来的硬件需求正在给三星带来劳资关系问题:https://www.rnz.co.nz/news/world/595429/at-samsung-the-global-ai-boom-spurred-a-looming-strike-and-deep-divisions在普林斯顿这样的所谓“精英”机构中,30%的学生正在使用人工智能作弊:https://arstechnica.com/tech-policy/2026/05/ai-driv

Innopolis 大学将举办一系列有关使用 CoppeliaSim 模拟器的网络研讨会

Университет Иннополис проведёт серию вебинаров по работе с симулятором CoppeliaSim

Aleksey Ovsyannikov,俄罗斯IT大学奥林匹克机器人学方法学家,将于3月25日18:00告诉您如何在模拟器中对移动机器人进行编程。该网络研讨会将帮助您准备将于 2020 年 6 月 18 日至 21 日举行的 Innopolis 机器人奥林匹克公开赛。

石油公司 TotalEnergies 首席执行官将就战时暴利问题面对法国议会

Oil firm TotalEnergies chief to face French parliament over war-time windfall profits

能源巨头 TotalEnergies 的首席执行官 Patrick Pouyanne 将于下个月面临质询。法国议会财政委员会将质询他。这已经超过了他的集团在西亚战争期间获得的巨额利润。该公司是面临征收暴利税的呼声之一。听证会定于 6 月 17 日举行。

基于梯度的长期世界模型规划

Gradient-based planning for world models at longer horizons

GRASP 是一种新的基于梯度的学习动态规划器(“世界模型”),它通过以下方式使长视野规划变得实用:(1) 将轨迹提升到虚拟状态,以便优化在时间上是并行的;(2) 直接向状态迭代添加随机性以进行探索;(3) 重塑梯度,以便动作获得清晰的信号,同时我们通过高维视觉模型避免脆弱的“状态输入”梯度。大型学习世界模型的能力越来越强。他们可以预测高维视觉空间中未来观察的长序列,并以几年前难以想象的方式概括任务。随着这些模型的扩展,它们开始看起来不再像特定于任务的预测器,而更像通用模拟器。但是拥有强大的预测模型并不等于能够有效地将其用于控制​​/学习/规划。在实践中,现代世界模型的长期规划仍然脆弱:优化变

亲爱的家长:为什么你的患有阅读障碍的孩子在阅读方面遇到困难

Dear parent: why your dyslexic child struggles with reading

在一封写给有阅读问题的儿童家长的信中,玛丽安·沃尔夫 (Maryanne Wolf) 解释了患有阅读障碍的儿童大脑的不同组织方式。没有人能为父母做好两件事准备:养育孩子所带来的无法估量的爱;当您的孩子似乎以与其他孩子不同的方式学习时,您会感到悲伤和困惑。我是一名教育家和神经科学家,研究大脑如何学习阅读,以及当年轻的大脑无法轻松学习阅读时会发生什么,例如童年学习挑战,发展性阅读障碍。然而,尽管有了这些知识,我还是没有准备好意识到我的第一个儿子本患有阅读障碍。当我把所有的碎片拼凑起来时,他五岁了,我和其他父母一样无声地、深深地哭泣。我哭泣并不是因为他有阅读障碍,对此我很理解,而是因为我知道本在一个

基于梯度的长期世界模型规划

Gradient-based planning for world models at longer horizons

GRASP 是一种新的基于梯度的学习动态规划器(“世界模型”),它通过以下方式使长视野规划变得实用:(1) 将轨迹提升到虚拟状态,以便优化在时间上是并行的;(2) 直接向状态迭代添加随机性以进行探索;(3) 重塑梯度,以便动作获得清晰的信号,同时我们通过高维视觉模型避免脆弱的“状态输入”梯度。大型学习世界模型的能力越来越强。他们可以预测高维视觉空间中未来观察的长序列,并以几年前难以想象的方式概括任务。随着这些模型的扩展,它们开始看起来不再像特定于任务的预测器,而更像通用模拟器。但是拥有强大的预测模型并不等于能够有效地将其用于控制​​/学习/规划。在实践中,现代世界模型的长期规划仍然脆弱:优化变