4月14日报道,据美国《连线》报道,致力于让编程平民化的埃文斯认为:“是时候让所有人都能够制造机器人了,或者,至少我们应该告诉他们将来要做什么。”
他说:“现在机器人世界仍然存活在研究领域,但是,未来的机器人将走向大众,而这些普通人可能会想出专业人士从未想过的东西。”
为了迎接这一浪潮,他和他的同事们在一家名为The Hybrid Group的公司创建了一套免费框架——代码的基本框架,这些框架让很多非专业人士也能自由编写很多有意思的东西,而且是在不同的硬件上,从 Arduino电路板到ARDrones,再到Sphero机器人。
极客再次成为炫酷一族!不!我们应该说极客从未如此炫酷,这是他们首次真正登上历史舞台。
埃 文斯希望这些框架能够使机器编程变得更加容易,这样,人们便可以节省大量的时间去做那些真正有意思的事情。虽然现在使用这套工具依然需要学习一些代码,但 是,至少我们希望硬件编程变得越来越容易。比如最新被授予Cylon的框架已经在设计界和网页开发界小有名气,它让很多人使用Java语言为硬件编程。
公司的最终目的是开发出这样一款工具:让普通大众不需要写代码也能创造自己的机器人或者物联网。
应用程序的创建逐渐大众化
上 世纪80年代,埃文斯在苹果公司的Hypercard项目工作,该项目帮助人们创建自己的应用程序,而不需要复杂的编程知识。最初Hypercard向所 有的苹果用户免费,并且可以创造一切,从企业软件到广受大众欢迎的游戏Myst。Hypercard向所有人表明:不只是计算机科学学位高材生可以创建交 互应用程序,实际上任何人都可以创建交互应用程序,这激励了一代程序员,而且很多程序员都受到设计的启发。埃文斯说Hypercard的团队由比尔•阿特 金森和丹·温克勒领导,这个团队对计算机民主化非常感兴趣。
最近,他的很多项目也继承了这种精神,比如Kids Ruby,该教育软件旨在教孩子们使用大众化的Ruby编程语言写代码。
正是Ruby论坛促使埃文斯开始编写Hybrid Group的前三个框架——Artoo,该框架让普通人也能为机器人和其他设备写代码。
借 鉴Ruby网页的其他框架,比如 Ruby on Rails和Sinatra,埃文斯着手创建了一个在所有设备通用的平台。Artoo和公司其他框架的一大优势是:代码仍然可以重复使用,比如你首先使用 Arduino电路板创建了一个小工具,但你决定把它升级到一个诸如Spark orTessel这种大平台时,你仍然可以使用很多原有的代码。
起初,埃文斯只准备创建一套框架,但是很快,他获得创建更多框架的灵感。“过去,我们认为它对Ruby是一件非常重要的事,但是后来,我们发现Java的人对它更感兴趣。”
所以他们准备让Artoo适配JavaScript,他们创造了一个叫Gobot的框架,该框架一直是基于Google’s Go的编程语言。
这些框架开源并且免费,那么Hybrid Group如何盈利呢?目前,公司的盈利来自咨询,而项目组也建立了自己的云服务系统,充分利用自己的框架来托管应用程序。但是,埃文斯希望这些基础技术永远免费使用,这样才尽可能让更多的人使用它。
埃文斯说:“我们希望人们能够控制自己的设备,就好像他们在自己的网页和博客上发表文章。我们乐见人们利用技术掌控环境。”
极客,炫酷一族
“极客是炫酷一族”这个说法听起来有点牵强,因为现在没多少人可以自己为自己写程序。但是,万维网发展早期,拥有个人网页的网民也很少。而如今有了Facebook这类网站,我们每个人都拥有了自己的网页,并且可以实时更新自己动态。
当然,即使写代码已经变得越来越容易,但是在Facebook上更新动态和为机器人编代码是两回事。为了使写代码变得更加方便,埃文斯和他的团队正在研发一个新版本的Cylon,该版本使用了Google’s Blocky,一个帮助不会写代码的小孩编程的软件。
他说:“新版本的Cylon只需要拖拽,而其内部依然采用Cylon结构,以便你能够得到真正代码的所有优点。”
同时,学习编程的人数超过了以往任何时候,而且越来越多。未来,人们会掌握更多的编程知识,而不只是满足于购买商品,按照发明者的意图来使用它。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。