العقود الآجلة
وصول إلى مئات العقود الدائمة
TradFi
الذهب
منصّة واحدة للأصول التقليدية العالمية
الخیارات المتاحة
Hot
تداول خيارات الفانيلا على الطريقة الأوروبية
الحساب الموحد
زيادة كفاءة رأس المال إلى أقصى حد
التداول التجريبي
مقدمة حول تداول العقود الآجلة
استعد لتداول العقود الآجلة
أحداث مستقبلية
"انضم إلى الفعاليات لكسب المكافآت "
التداول التجريبي
استخدم الأموال الافتراضية لتجربة التداول بدون مخاطر
إطلاق
CandyDrop
اجمع الحلوى لتحصل على توزيعات مجانية.
منصة الإطلاق
-التخزين السريع، واربح رموزًا مميزة جديدة محتملة!
HODLer Airdrop
احتفظ بـ GT واحصل على توزيعات مجانية ضخمة مجانًا
منصة الإطلاق
كن من الأوائل في الانضمام إلى مشروع التوكن الكبير القادم
نقاط Alpha
تداول الأصول على السلسلة واكسب التوزيعات المجانية
نقاط العقود الآجلة
اكسب نقاط العقود الآجلة وطالب بمكافآت التوزيع المجاني
اختراق جديد في الذكاء المجسد: شركة AutoNavi تطلق نموذج قاعدة الروبوت العام الشامل المفتوح المصدر ABot-M0
null
تشهد مجال الذكاء المتمحور حول الجسد تطورًا محوريًا. أعلنت شركة Amap اليوم رسميًا عن إطلاق المصدر المفتوح بالكامل لأول نموذج أساس لعمليات الروبوتات بُنية موحدة على مستوى العالم، والمعروف باسم ABot-M0. يتمثل الدور الأساسي للنموذج في تحقيق “عقلٌ عامٌّ واحد يتكيف مع أشكالٍ متعددة من الروبوتات”، بهدف كسر الحواجز بين العتاد غير المتجانس، وتسريع انتقال الذكاء المتمحور حول الجسد من المختبرات إلى سيناريوهات الصناعة والمنزل.
الأداء والتقنيات الأساسية
أظهر ABot-M0 أداءً متميزًا في العديد من الاختبارات المعيارية المعترف بها على مستوى الصناعة. تُظهر البيانات أن معدل نجاح المهام في معيار Libero-Plus يبلغ 80.5%، مقارنةً بحلول مرجعية سابقة في الصناعة مثل Pi0 التي ارتفعت بنحو 30%. إضافة إلى ذلك، حقق سجلات SOTA (الأعلى على مستوى الصناعة) في اختبارات مثل Libero وRoboCasa.
ثلاثة أبعاد: إطلاق المصدر المفتوح بالكامل
ولمعالجة نقطتي الألم السائدتين في مجال الذكاء المتمحور حول الجسد، وهما “جزر البيانات” و"صعوبات النشر"، يغطي فتح المصدر الذي أجرته Amap هذه المرة ثلاثة أبعاد رئيسية:
طبقة البيانات: تم إتاحة أكبر مجموعة بيانات عامة للروبوتات من حيث الحجم والمعروفة بـ UniACT. تُجَمِّع مجموعة البيانات هذه أكثر من 6 ملايين سجل لمسارات عمليات حقيقية، كما توفر خط معالجة متكاملًا بدءًا من البيانات غير المتجانسة وصولًا إلى بيانات التدريب المعيارية.
طبقة الخوارزميات: تم أيضًا نشر بنية النموذج وإطار التدريب بشكل متزامن. ومن أبرز الملامح خوارزمية تعلم فضاء الحركة (AML) المبتكرة من Amap، إضافةً إلى بنية الإدراك ثنائي التدفق، بما يمنح الروبوتات قدرة فائقة على فهم المكان وتنفيذ الحركة.
طبقة النموذج: توفير نماذج ما قبل التدريب من طرف إلى طرف وسلسلة أدوات كاملة. يمكن للمطورين تحقيق “جاهزية للاستخدام مباشرة” دون الحاجة إلى بناء الإطار من الصفر، ما يقلل بشكل كبير من عتبة تكييف الروبوتات للتعاون الصناعي أو خدمات المنازل.
الأثر على الصناعة
صرّح المسؤول التقني عن مشروع ABot-M0 لدى Amap بأن الذكاء المتمحور حول الجسد “العام حقًا” يتطلب تحسينًا مشتركًا من المطورين حول العالم. إن إطلاق ABot-M0 للمصدر المفتوح ليس مجرد مشاركة للتقنية، بل أيضًا رغبة في بناء جسر يربط بين الأبحاث الأكاديمية وتطبيقات الصناعة، بحيث تمتلك كل روبوتات—بغض النظر عن شكلها—“عقلًا” ذكيًا وموثوقًا وعامًا يمكنها الاعتماد عليه.