AI 时代，智能科技深度渗透生活各个角落。从便捷的语音助手到精准的图像识别，从高效的智能生产到个性化的服务推荐，AI 重塑着工作模式与产业格局。它既带来前所未有的创新机遇，如医疗诊断革新、交通优化管理，也引发数据隐私、就业结构调整等诸多思考与挑战。
未来的通用人工智能（ AGl ）正掀起一场知识处理与应用的革命。它能够汇聚来自互联网、各类数据库以及人类日常交互中产生的海量碎片化知识与数据资源。通过复杂的算法和强大的计算能力，对这些碎片化信息（ 数字资产 ）进行集中整合与深度分析，挖掘其中的关联与规律，然后进行重组，构建起更为系统、全面且富有逻辑性的知识体系。在生成与运算阶段，大模型依据用户的需求和设定的目标，快速地从重组后的知识体系中提取关键信息，进行精准的运算和创造性的生成，无论是生成一篇文章、一个动漫、一个视频或者提供一种解决方案还是预测某种趋势，都能高效完成。之后，借助网络分发机制，将结果输出给用户或其他关联系统。
而各个分散独立的 AI 或数字人则成为通用大模型的得力助手，它们依据大模型的指令和赋予的能力，在不同的场景和领域中执行具体任务，如数字人可以在客服领域回答用户的各种问题；AI 智能体则能够在工业生产中进行故障诊断与优化操作等。这一模式不仅提高了知识的利用效率和价值创造能力，还将深刻改变人类的生产生活方式、工作模式以及社会的知识传播与创新生态，为人类社会的智能化发展注入强大动力。对此，您有什么见解呢？自古以来，我国就有“为天地立心，为生民立命，为往圣继绝学，为万世开太平”的志向和传统。一切有理想、有抱负的中国人都应该立时代之潮头、通古今之变化、发思想之先声，积极建言献策，担负起历史赋予的光荣使命！快来《共绘网》的评论区参与讨论吧！
一共有人参与 条评论
现代欧陆哲学的主要困境或者疑难在于：语言符号是人类直觉能力创造出来的，但是直觉能力本身具有难以表达的特点（神秘性），从而思想就倾向于更加重视语言及其结构，而忽视了符号的起源，当德里达等人（解构）试图思考符号的起源时，德里达的用语不可避免地是晦涩的，因为他试图说清楚原本就说不清楚的问题，他陷入了悖谬，我称之为“在起源问题上的原初复杂性。”
(0)AIGC，生成式人工智能全称为“人工智能生成内容”（Artificial Intelligence Generated Content），是指利用人工智能技术自动生成各种形式的内容，包括文本、图像、音频、视频等。随着深度学习、自然语言处理和生成式对抗网络等人工智能技术的迅速发展，AIGC在内容创作领域展现出了巨大的潜力。
(0)基于预测的方法（Prediction-based Methods）：基于预测的世界模型通过构建和利用内部表示来预测和理解环境。通过根据给定条件在潜在空间重建相应的特征，它捕获了更深层次的语义和相关的世界知识。这个模型将输入信息映射到潜在空间，并在该空间内操作，提取和利用高级语义信息，从而使机器人能够更准确地感知世界环境的基本表示（例如，I-JEPA [16]、MC-JEPA [342]、A-JEPA [343]、Point-JEPA [354]、IWM [344]）并更准确地执行具身下游任务（例如，iVideoGPT [345]、IRASim [346]、STP [347]、MuDreamer [348]）。与传统的像素级信息相比，潜在特征可以抽象并解耦各种形式的知识，使模型能够更有效地处理复杂任务和场景，并提高其泛化能力[355]。例如，在时空建模中，世界模型需要根据对象的当前状态和交互的性质预测其交互后的后状态，将这些信息与其内部知识结合起来。知识驱动的方法（Knowledge-driven Methods）： 知识驱动的世界模型将人工构建的知识注入模型中，赋予它们世界知识。这种方法在具身人工智能领域显示出广泛的应用潜力。例如，在real2sim2real方法[357]中，使用真实世界知识构建符合物理规则的模拟器，然后使用这些模拟器训练机器人，增强模型的鲁棒性和泛化能力。此外，人工构建常识或符合物理规则的知识并将其应用于生成模型或模拟器是一种常见策略（例如，ElastoGen[350]、One-2-3-45[351]、PLoT[349]）。这种方法对模型施加了更符合物理实际的约束，增强了其在生成任务中的可靠性和可解释性。这些约束确保了模型的知识既准确又一致，减少了训练和应用过程中的不确定性。一些方法将人工创建的物理规则与LLMs或MLMs结合起来。通过利用LLMs和MLMs的常识能力，这些方法（例如，Holodeck[71]、LEGENT[352]、GRUtopia[353]）通过自动空间布局优化生成了多样化且语义丰富的场景。这极大地推进了通用具身代理的发展，通过在新颖和多样化的环境中训练它们。作者：张长旺
(0)
手机扫描二维码访问
1 
