פתור את זה פעם אחת: הפוך עבודה מקצועית חוזרת לפ skill שהסוכן שלך יכול להריץ

הגבול המיושם #2: מודלי עולם להפסיק לחזות סמלים, להתחיל לדמות עולמות הגבול המיושם הוא מפגש טכני אינטימי עבור בונים, חוקרים, מייסדים ומהנדסים העובדים בשוליים של מערכות בינה מלאכותית. המהדורה השנייה עוסקת לעומק במודלי עולם, המעבר ממערכות בינה מלאכותית שחוזות את הסמל הבא למערכות בינה מלאכותית שלומדות מודל פנימי של המציאות, ולאחר מכן משתמשות במודל הזה על מנת לחזות, לתכנן ולפעול. בשלוש השנים האחרונות, הגבול היה נתון לשליטת השפה. מודלים למדו את העולם דרך טקסט, תמונות, וידיאו ותיאורים אנושיים. הם יכולים לתאר כוס שנופלת, אך לא הבינו באמת מה קורה כשהיא מטה מעבר למרכז המסה שלה. הם יכולים לייצר חדר, אך לא יכולים לדמות באופן מהימן מה משתנה כאשר סוכן עובר דרכו. הפער הזה הופך כעת לאירוע המרכזי. פי-פי לי קראה לאינטליגנציה מרחבית כאחת מהחזיתות הבאות של הבינה המלאכותית. יאן לקון טוען שהתחזיות של הסמל הבא אינן מספיקות, והחלק החסר הוא מודל של העולם שניתן להריץ קדימה על מנת לתמוך בתכנון. Across the field, the question is becoming sharper: האם נוכל לבנות מודלים שאינם רק מתארים את המציאות, אלא מדמים אותה? מודל עולם הוא סימולטור שנלמד. תן לו מצב ומעשה, והוא חוזה מה קורה לאחר מכן. כמה מודלי עולם יוצרים סביבות אינטראקטיביות שאפשר לעבור דרכן. אחרים מסייעים לרובוטים להסיק על תוצאות פיזיות. חלקם מייצרים עולמות סינתטיים להכשרה והערכה. אחרים חוזים מצבים עתידיים אבסטרקטיים במקום להציג כל פיקסל. השאלה המרכזית אינה אם המערכות הללו נראות מרשימות. השאלה היא האם הן שימושיות כאשר סוכן צריך לפעול. מה נד discuter הערבות הארבע על גבול אחד נשווה את הכיוונים המרכזיים המתרקמים במודלי עולם: סימולציה אינטראקטיבית, אינטליגנציה מרחבית, למידת ייצוג חיזויי, ותשתית בינה מלאכותית פיזית. זה כולל מערכות כמו Genie 3 של DeepMind, מודלי עולם בזמן אמת של Decart, Marble של World Labs, V-JEPA של Meta, וקוסמוס של NVIDIA. כל אחת מהן עושה הימור שונה לגבי מה זה אומר למודל את העולם, מה צריך להיווצר, מה צריך להיות חוזה, ומה בכלל שימושי לסוכנים. מודלי עולם גנרטיביים מול חיזויי קבוצה אחת מייצרת את העתיד בפיקסלים ומהמרת שהריאליזם יוביל להבנה. אחרת חוזה מצבים חבויים אבסטרקטיים, וטוענת שלרוב פרטי פיקסל אינו רלוונטי לתכנון ולשליטה. הבחירה הזו משנה הכל במורד: נתוני הכשרה, הערכה, חישוב, זיכרון, התאמה לפעולה, קוהרנטיות, ואם המודל יכול למעשה לתמוך בהחלטות. מעצם צפייה לפעולה מודל עולם מקבל את שמו כאשר סוכן יכול לתכנן מולו. נדבר על מה נדרש כדי לעבור מהפקת וידיאו פסיבית לסימולציה מותאמת לפעולה, מהוצאת רולאוטס יפים לתוצאה מעשית, וממה ש"נראה אמיתי" ל"זה מסייע לסוכן לבחור את הפעולה הנכונה." עולמות כתשתית מודלי עולם becoming תשתית עבור רובוטיקה, נהיגה עצמית, סוכנים מגולמים, משחקים, נתונים סינתטיים ובחינות סגורות. נדבר על יצירת תרחישים, כיסוי, אירועים לא צפויים, תאומים דיגיטליים, הכשרה של רובוטים, הערכה מבוססת סימולציה, והפער הקשיח בין סימולציה למציאות שעדיין מפר את ההדגמות הטובות ביותר. היכן שמודלי עולם דולפים מודלי עולם לעיתים קרובות נכשלים בדרכים עדינות. הפיזיקה עשויה להיראות נכונה בעוד שהיא שגויה. קיימת שגיאה ביציבות האובייקטים. קוהרנטיות לטווח ארוך יכולה להתמוטט. סוכנים יכולים לנצל טעויות בסימולטור. ריאליזם ויזואלי יכול להסתיר שגיאות סיבתיות. השאלה העמוקה יותר עדיין פתוחה: האם המערכות הללו לומדות את המבנה של העולם, או שהן חוזות פיקסלים בצורה טובה מספיק כדי להטעות אותנו? עבור מי זה? זה עבור קבוצה מוגבלת של אנשים טכניים מאוד העוסקים בבניית מודלים, מחקר, או חקר מודלי עולם ובינה מלאכותית פיזית ברצינות. עליך להגיע אם אתה עובד בהנדסת בינה מלאכותית, הפקת וידיאו, רובוטיקה, למידת חיזוקים, סימולציה, תלת מימד, גרפיקה, סוכנים מגולמים, נתונים סינתטיים, מערכות אוטונומיות, או תשתית להערכת בינה מלאכותית בסביבות סגורות. בוא עם משהו אמיתי: מודל שאתה בונה, כישלון סימולציה למציאות, בעיית הערכה, סיפור רובוטיקה, צינור נתונים סינתטיים, שאלה מחקר קשה, או דעה强ה לגבי היכן השדה טועה. איך זה עובד זה לא מפגש רשתות. גבול מיושם מתוכנן כהדון טכני באותם אמצעים עם קבוצת בונים רצינית. המטרה היא לטעון יחד, להתגרות בהנחות, להשוות אדריכלות, ולהציף את הבעיות שלא עולות בדמואים מפתים. צפו לחדר ממוקד, שיחה טכנית, ודיאלוג ישיר סביב מה עובד, מה נשבר, ומה צריך להתקיים הלאה. למה זה חשוב מודלים של שפה למדו את העולם בעקיפין, דרך מה שכתבו, סימנו, תיעדו והעלו בני אדם. מודלי עולם מנסים ללמוד אותו בצורה ישירה יותר, דרך תצפית, אינטראקציה, חיזוי ודימוי. ההיפוך הזה חשוב כי הדור הבא של מערכות בינה מלאכותית לא רק יענה על שאלות. הם ינועו בסביבות, יפעילו מכונות, ינהגו ברובוטים, יבחנו החלטות, ויתכננו תחת אי וודאות. שני מודלים יכולים להתאמן על אותו תיעוד ולהיראות מרשימים באותה מידה בדמו. אחד מהם עשוי ללמוד מספיק מבנה כדי לתמוך בתכנון. האחר עשוי ללמוד רק להציג פריימים נראים. הדמו עשוי שלא לדעת את ההבדל. המהנדס יודע. פרטי האירוע תאריך: יום חמישי, 30 ביולי 2026זמן: 18:00 עד 21:00מקום: 111 Maiden Ln #540, San Francisco, CA 94108פורמט: דיון טכני והחלפת בונים בקבוצה קטנהקיבולת: מוגבלתגישה: דרושה רישום מראש. על משתתפים להביא תעודת זהות פיזית תקפה לצורך צ'ק-אין.