май    2026

Пн	Вт	Ср	Чт	Пт	Сб	Вс
				1	2	3
4	5	6	7	8	9	10
11	12	13	14	15	16	17
18	19	20	21	22	23	24
25	26	27	28	29	30	31

показать все 

08.05.2026

ИИ-агенты будут влиять на выручку бизнеса

Читать далее 

07.05.2026

Группа «Борлас» (ГК Softline) представила комплексное решение для управления жизненным циклом изделия на конференции «Практики цифровизации: применение методик повышения эффективности производства»

Читать далее 

06.05.2026

АПКИТ представил первое исследование цифровой зрелости станкоинструментальных производств России

Читать далее 

05.05.2026

Маркировка отечественного ПО с открытым кодом откладывается

Читать далее 

05.05.2026

Монитор технологий проведет первую публичную офлайн презентацию итогов ежегодного панельного исследования и представит Технологическую карту российского ПО 2025

Читать далее 

показать все 

22.04.2026

Суверенные облака: стратегия на 2026–2028

Читать далее 

22.04.2026

Российское ПО дорожает: как обосновать бюджет?

Читать далее 

22.04.2026

Управление данными: искусство превращения хаоса в актив

Читать далее 

23.03.2026

Эволюция бизнес-процессов от ИИ-инструментов к мультиагентным командам

Читать далее 

23.03.2026

Время внедрения: ИИ в вашем бизнесе – эксперимент или реальная прибыль?

Читать далее 

29.07.2025

Точность до метра и сантиметра: как применяют технологии позиционирования

Читать далее 

18.04.2024

Как искусственный интеллект изменит экономику

Читать далее 

22.09.2023

Эпоха российской ориентации на Запад в сфере программного обеспечения завершилась

Читать далее 

22.09.2023

Сладкая жизнь

Читать далее 

22.09.2023

12 бизнес-концепций, которыми должны овладеть ИТ-руководители

Читать далее 

показать все 

Главная / Архив номеров / 2026 / Выпуск №2 (155) / Три способа, с помощью которых ИИ учится понимать физический мир

Рубрика: Исследования

Бен Диксон, инженер-программист

Три способа,
с помощью которых ИИ учится понимать физический мир

Большие языковые модели (LLM) сталкиваются с ограничениями в областях, требующих понимания физического мира, – от робототехники до автономного вождения и производства. LLM превосходно обрабатывают абстрактные знания с помощью прогнозирования следующего токена, но им в корне не хватает физической причинно-следственной связи. Они не могут надежно предсказать физические последствия реальных действий. Это ограничение подталкивает инвесторов к разработке моделей мира (world models).

Исследователи ИИ и интел­лектуальные лидеры все громче заявляют об этих ограничениях по мере того, как индустрия пытается вытеснить ИИ из веб-браузеров в физические пространства. Так, лауреат премии Тьюринга Ричард Саттон считает, что LLM просто подражают тому, что говорят люди, вместо того чтобы моделировать мир, это ограничивает их способность учиться на собственном опыте и приспосабливаться к изменениям в мире.

Вот почему модели, основанные на LLM, включая модели на языке визуализации (VLM), могут демонстрировать неустойчивое поведение и ломаться при очень незначительных изменениях в их входных данных.

<...>

Ключевые слова: большие языковые модели (LLM), архитектура JEPA, Гауссово размытие, сквозная генерация, гибридные архитектуры.

Полную версию статьи читайте в журнале.
Подпишитесь на журнал

В начало⇑

Комментарии отсутствуют

Комментарии могут отставлять только зарегистрированные пользователи