從感測器著手的 Physical AI,首爾大學推出
AI TIMES ·
✦ AI 摘要
據 AI TIMES 報導,首爾大學研究團隊11月16日表示,該團隊開發出一種 Physical AI 架構,透過模仿人類神經系統功能分工的「人工三元智慧」,將移動式攝影機的物體辨識準確率提升至88%。這套架構也將遠端 AI 呼叫減少43.3%,其核心在於把感測器控制、裝置端推論…
據 AI TIMES 報導,首爾大學研究團隊11月16日表示,該團隊開發出一種 Physical AI 架構,透過模仿人類神經系統功能分工的「人工三元智慧」,將移動式攝影機的物體辨識準確率提升至88%。這套架構也將遠端 AI 呼叫減少43.3%,其核心在於把感測器控制、裝置端推論與遠端推論整合為一個循環系統。研究團隊將腦幹、小腦與大腦的角色分開設計,先保護感測器訊號,再依拍攝條件自動校正,進而調整裝置內部判斷與外部高效能推論的分工。這項做法源自一個問題意識:像過去那樣只在輸入之後進行修正,難以充分挽回感測器階段已流失的資訊。實驗顯示,在光線變化與移動情境下,系統會主動調整攝影機設定,讓有利於辨識的影像能被輸入。研究團隊計畫將這項技術擴展到攝影機以外的其他感測器,並在智慧眼鏡與機器人等裝置上持續進行實地驗證。
觀點
這項研究的意義在於,Physical AI 的競爭重心不再只停留在取得更大的模型,而是轉向連「要讓哪些輸入進來」都納入設計。這種在提升準確度同時降低遠端依賴的結果,對於必須在有限資源下更快、更穩定做出判斷的裝置尤其重要。最終來看,產業界衡量產品完成度的標準,很可能不再只是推論效能,而是感測器控制、裝置端處理與遠端協作能否一起最佳化。
此觀點為 BizCrush 自行撰寫之意見,與 AI TIMES 的報導內容無關。
本文由 BizCrush 在自動生成演算法的協助下撰寫。
來源 AI TIMES
查看原文本文由 BizCrush 根據 AI TIMES 原文摘要整理。準確引文與細節請參閱原文。