Core Viewpoint - The breakthrough in embodied intelligence relies heavily on high-quality data, with a significant focus on synthetic data generation due to the high costs of real data collection [1][2]. Group 1: Data Challenges - The current state of embodied intelligence data is characterized by scarcity and inadequacy, with existing sources being limited and not sufficiently diverse [16][18]. - Three main categories of existing data sources are identified: real scan data, game engine environments, and open-source synthetic datasets, each with its limitations [17]. - The indoor embodied intelligence scenarios require structured, semantic, and interactive 3D scene data, which is challenging to collect due to the unique layouts and usage patterns of individual households [18][19]. Group 2: Technical Approaches - There are two primary technical routes for synthetic data generation: "video synthesis + 3D reconstruction" and "end-to-end 3D generation" [3][24]. - The "video synthesis + 3D reconstruction" approach involves generating video or images first, which can lead to cumulative errors and limited structural accuracy [24][39]. - The "end-to-end 3D generation" method aims for direct synthesis of structured spatial data but faces challenges such as low generation quality and lack of common sense [67][68]. Group 3: Innovations in Data Generation - A new technical solution called "modal encoding" is proposed to address the common sense gap in end-to-end 3D generation, allowing for the digital encoding and implicit learning of spatial solutions [5][91]. - The Sengine SimHub is introduced as a system that integrates design knowledge into the generation process, enhancing the stability and adaptability of the generated data [75][78]. - The focus is on creating a data generation system that not only produces space but also generates "understandable and usable" environments, incorporating design logic and user preferences [91][96]. Group 4: Future Directions - The industry is at a critical juncture where the need for a new approach to data generation is evident, moving beyond mere data accumulation to creating "useful data" [95][96]. - The future of embodied intelligence may hinge on how space is defined and understood, emphasizing the importance of integrating rules and preferences into spatial data generation [96][100].

以下文章来源于CSDN ，作者万有引力 CSDN . 成就一亿技术人 作者 | 万有引力 出品 | CSDN（ID：CSDNnews） 在过去短短的几周里，大模型赛道的信息密度飙升至前所未有的高度。DeepSeek 连续 五天开源 ，直接引发了一场复现热潮；阿里巴巴通义实验室、 腾讯相继推出面向视觉文档的 RAG 系统 ViDoRAG、新一代混元快思考模型 Turbo S ，加速了大模型的演进步伐；马斯克用 20 万张 GPU 训练出的 Grok 3 ，超越了许多业界标杆，再次验证了"大力出奇迹"的定律； Claude 3.7 Sonnet 迎来编码能力大升级，AI 编程的技术平权时代正在加速到来； DeepSeek 论文与 Kimi"撞车"，越来越多公司开始布局稀疏注意力与线性注意力机制，这些技术正成为 Transformer 之后的关键探索方向；此外， Manus 模式的"虚拟机"概 念迅速走红，正在重塑大模型的运行方式... 在这场眼花缭乱的技术竞赛背后，真正值得我们关注的是什么？DeepSeek 的五连发 究竟意欲何为？在 545% 的成本利润率之下，其他大模型公司是 否也能找到盈利空间？面对行业变 ...

图片来源： Nvidia 据报道，Nvidia 已收购了总部位于圣地亚哥的初创公司 Gretel，该公司开发了⼀个⽣成合成 AI 训练数据的平台。收购条款尚不清楚。 据 Wired 报道，收 购价格据称达到了九位数，超过了 Gretel 最近 3.2 亿美元的估值。 据报道，Gretel 及其约 80 名员⼯团队将被并⼊ Nvidia， 其技术将作为 Nvidia 为开发者提供的⽣成式 AI 服务套件的⼀部分进⾏部署。 Gretel 由 Alex Watson、Laszlo Bock、John Myers 和 Ali Golshan 于 2019 年创⽴，其中 Ali Golshan 还担任公司 CEO。这家初创公司对模型进⾏微调，添 加专有技术，然后将这些模型打包销售。 根据 Crunchbase 的数据，Gretel 在退出前从包括 Anthos Capital、Greylock 和 Moonshots Capital 在内的投资者那⾥筹集了超过 6700 万美元的资⾦。 英伟达的收购具有战略意义且时机恰当。随着现实世界数据资源的枯竭，微软、Meta、OpenAI 和 Anthropic 等科技巨头已在， ...

新栏目上线试运行。 文丨 贺乾明 编辑丨黄俊杰 到了 11 月，越来越多的人说，成就 OpenAI 的这条路似乎撞到了墙： 多家媒体报道，Google、OpenAI、Anthropic 等公司，开发下一代模型时，都没能像前些年那样让模型能力大幅提升。 硅谷风投 a16z 创始合伙人、投资了 OpenAI 等多家大模型公司的马克·安德森（Marc Andreessen）说："我们以相 同的速度增加（GPU），根本没有智能提升。" OpenAI 联合创始人、前首席科学家伊尔亚·苏茨克维 (Ilya Sutskever) 说："2010 年代是扩大规模的时代，现在我 们再次回到了需要奇迹和新发现的时代。" 这些公司的高管否认了 "撞墙" 的说法，也有证据表明他们仍在想办法突破，毕竟建设更大规模的算力中心的势头并没 有放缓，甚至还在加速。 他们同步在大模型应用上倾注更多的资源。从 OpenAI、Anthropic 到 Google、微软，再到风投机构，都把 Agent——让 大模型理解人类指令，调度数据库和工具完成复杂任务的系统——当作下一个赛点。 11 月，ChatGPT 迎来两周年，却是 OpenAI 官方相对沉 ...

人工智能向前发展要造数据、合成数据，有可能带来大模型创业下新的百亿美金的问题。 本文为IPO早知道原创 作者｜苏打 微信公众号｜ipozaozhidao "如果说今天有什么事是我们一定要做的，那就是AI For Science。难以想象今天还有什么事情比它 更重要，今年诺贝尔奖的颁布便是最好证明。" 11月22日召开的2024年IDEA大会上，IDEA研究院创院理事长、美国国家工程院外籍院士沈向洋在 题为《从技术突破到产业融合》的主题演讲中指出，在技术大爆发时期开展创新，对技术的深度理解 尤为重要。 沈向洋表示，从长远的人类社会发展角度来看，巨大跃迁都是由技术创新带来的。工业时代的全球 GDP年均增速约为1%-2%，信息时代在3%-4%，人工智能时代，这个数字会是多少？与此同时， 他强调，随着AI的各项能力逼近、甚至超越人类，AI治理已成亟待全球共同面对的议题。 深圳或将成全球算力中心之一 "过去这几年人工智能的蓬勃发展，令大家对整个行业充满着期待。其中，算力、算法、数据是绕不 开的'三件套'。"现场，沈向洋分享了对上述三要素的新理解。 首先，算力是关键生产力。过去四五十年间，计算行业的发展中，最重要的一件事 ...