世间万物皆能带来灵感,无论是自然界的生物,还是生活中的一个小物件。日前,美国北卡罗来纳州立大学的研究人员开发出了一种软体机器人,以按扣发卡为灵感的双稳态翅膀附着在柔软的硅胶身体上,通过将空气注入软体内部的腔室来控制翅膀在两种稳定状态间切换。当这些腔室充气和放气时,身体会上下弯曲,推动翅膀来回摆动。
由于它的游泳动作类似于人类蝶泳时手臂的动作,该机器人也被称为“蝴蝶机器人”。实测中,蝴蝶机器人能够达到每秒3.74个体长的速度,比之前的游泳机器人快4倍以上。
我们的科技留言板“有意见”如下
@不倒翁:为了实现飞行梦想,早期人类无数次尝试直接模仿鸟类飞行,比如达芬奇就对鸟类进行了细微之至的观察和研究,包括鸟类翅膀的形状、飞行的姿态、飞行的动力等,试图设计人造翅膀来飞行。但是直到知识进化到人类了解了飞行的本质是空气动力学之后,真正的飞行器才得以实现。现如今,仿生机械又开始热起来,让机器模拟生物是一种研究捷径,但是这种捷径的功效如何,还是需要时间的检验。
@周一见:蝴蝶机器人的外形也酷似蝠鲼,通过驱动单元来控制两个翅膀,可急速直行,也可操纵进行急转弯,不过这也是目前原型机器人的局限所在,等后续一个无拴、自动的版本。
@黑咕隆咚:游泳机器人越来越发达了,听说可以替代人类救生员救助落水者,还能应用于研究领域、也可以潜入水中代替人类完成一些操作,去地下海洋寻找地球以外生命的希望之地。水下环境恶劣危险,人的潜水深度有限,游泳机器人也是个不错的选择。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。