With aluminum prices up 20%, recycling startups bet on AI to cash in
TechCrunch AI12d agoBusiness由於全球鋁價近期飆升 20%，回收產業迎來巨大商機。許多回收新創公司正積極導入 AI 技術，藉由先進的影像識別與自動化分類系統，大幅提升鋁等關鍵礦物的回收效率與純度。此舉不僅能降低對傳統採礦的依賴，更旨在建立一個龐大且可持續的再生金屬供應源，實現循環經濟與商業利益的雙贏。
The Internet can't stop watching Figure AI's humanoid robots handling packages
Ars Technica AI13d agoRelease人形機器人新創公司 Figure AI 近期推出了 24 小時不間斷的直播，展示其人形機器人在模擬倉庫環境中搬運與處理包裹。這個直播迅速在網路上走紅，吸引了大量觀眾駐足觀看。這項企劃不僅展示了機器人在實際工作場景中的穩定度與技術進步，也揭示了人類對於「人形」機器人從事日常勞動時所產生的獨特情感連結與好奇心。
The Autonomous Drone Tech Stack & Economics of Drones — Yaroslav Azhnyuk, The Fourth Law & Guest Host Noah Smith, Noahpinion
Latent Space15d agoCommentary本期 Latent Space 訪談了烏克蘭無人機新創 The Fourth Law 創辦人 Yaroslav Azhnyuk 與客座主持人 Noah Smith。他們深入探討了從寵物攝影機轉向 AI 導引武器的技術歷程，解析了現代自主無人機的技術棧與低成本製造經濟學。Azhnyuk 警告，西方國家在面對這場由 AI 驅動的無人機軍備競賽中顯得過於遲鈍，亟需正視其對未來國防的衝擊。
Introducing Gemini Omni★ 95
Google DeepMind Blog16d agoReleaseGoogle DeepMind 發表新一代「Gemini Omni」模型，採用原生端到端全模態架構，能同時處理並輸出文字、音訊與視覺資訊。該模型顯著降低了互動延遲，實現如同真人般的流暢對話與即時視訊引導，未來將深度整合至 Android 系統與 Google 生態系，並透過 API 開放給開發者。
Gemini Robotics-ER 1.6: Powering real-world robotics tasks through enhanced embodied reasoning★ 85
Google DeepMind Blog50d agoReleaseGoogle DeepMind 發表全新 Gemini Robotics-ER 1.6 模型，專為自主機器人設計。該版本專注於提升「具身推理（Embodied Reasoning）」能力，特別加強了空間推理與多視角理解。這項技術突破將使機器人能更精準地整合不同角度的視覺資訊，並在真實世界中執行更複雜的物理任務。
Falcon Perception★ 75
Hugging Face Blog62d agoRelease阿聯酋技術創新研究所（TII）在 Hugging Face 上發表了「Falcon Perception」模型。這標誌著著名的 Falcon 開源家族正式擴展至多模態與視覺感知領域。該模型旨在提升開源社群在視覺問答、圖像理解及多模態任務上的能力，延續了 TII 一貫的高效能與開源精神，為開發者提供強大的視覺感知工具。
ImportAI 449: LLMs training other LLMs; 72B distributed training run; computer vision is harder than generative text★ 75
Import AI (Jack Clark)78d agoCommentaryJack Clark 在本期電子報中探討了三個技術趨勢與一個社會政治議題。技術上，LLM 訓練其他 LLM（合成資料與自我提升）正成為主流；社群成功完成了 72B 參數模型的分散式訓練，展示了去中心化算力的潛力；同時指出電腦視覺因物理世界的複雜性，比文本生成更具挑戰性。最後，他思考了 AI 的快速崛起是否會導致現有政治體制進入混亂的「過渡期」。
Teaching AI to see the world more like we do★ 75
Google DeepMind Blog203d agoPaperGoogle DeepMind 發表最新研究，探討 AI 系統與人類在組織視覺資訊時的本質差異。研究指出，人類傾向於依據語意、功能與階層關係來理解視覺世界，而 AI 則常依賴表面特徵（如紋理與背景）。透過深入分析這些認知差距，該研究為開發更具人類常識、更安全且更具魯棒性的電腦視覺系統奠定了基礎。
Mapping, modeling, and understanding nature with AI★ 75
Google DeepMind Blog209d agoOpinionGoogle DeepMind 介紹了 AI 在自然保育中的三大應用：物種地圖繪製、森林保護與鳥類聲學監測。透過機器學習分析衛星影像與聲音數據，AI 能協助科學家追蹤生物多樣性、預測森林變化，並透過「聆聽」鳥鳴來評估生態系統健康，為全球環境保護提供強大技術支援。
Exploring the context of online images with Backstory★ 75
Google DeepMind Blog221d agoNew ToolGoogle DeepMind 發表全新實驗性 AI 工具「Backstory」，旨在幫助使用者探索網路圖片的脈絡與起源。該工具能分析圖片的傳播歷史、原始出處及可能的修改痕跡，協助使用者在假訊息充斥的網路環境中辨識真偽。這項技術展現了多模態 AI 在提升數位素養與打擊不實資訊方面的潛力。
AI for Food Allergies
Hugging Face Blog228d agoOpinionHugging Face 發表「Hugging Science」專題文章，探討 AI 在食物過敏領域的應用。內容涵蓋利用自然語言處理（NLP）解析複雜成分表、透過電腦視覺識別潛在過敏原食品，以及運用生物資訊模型預測新型蛋白質的致敏性。Hugging Face 呼籲社群共同開發開源數據集與模型，以提升過敏患者的生活品質與食品安全。
Neural Super Sampling is here!★ 75
Hugging Face Blog294d agoReleaseArm 與 Hugging Face 合作宣布「Neural Super Sampling (NSS)」技術正式上線。這項技術旨在利用神經網路，在行動裝置與邊緣設備上實現即時的圖像與遊戲畫面超取樣（類似行動版 DLSS）。透過 Hugging Face 平台，開發者現在可以輕鬆獲取優化後的 NSS 模型與工具鏈，大幅提升手遊與 XR 應用的畫面流暢度並降低能耗。
Vision Language Models (Better, faster, stronger)★ 80
Hugging Face Blog386d agoOpinionHugging Face 發布 2025 年視覺語言模型（VLM）趨勢報告。文章深入探討 VLM 在「更強（推理與 OCR）」、「更快（輕量化與推論優化）」與「更實用（多模態 Agent）」三大維度的演進。推薦了 Qwen2.5-VL、Llama-3.2-Vision 等主流開源模型，並介紹如何利用 Hugging Face 生態系進行高效部署與微調。
A Dive into Text-to-Video Models
Hugging Face Blog1121d agoTutorial本文由 Hugging Face 撰寫，深入剖析文字生成影片（Text-to-Video）模型的底層原理，包含如何將 2D 擴散模型擴展至 3D 時間維度。文章介紹了當時主流的開源模型（如 ModelScope），並提供使用 diffusers 函式庫進行實作的程式碼範例，是理解早期開源 AI 影片生成技術的經典指南。
Using Machine Learning to Aid Survivors and Race through Time
Hugging Face Blog1187d agoCommentary本文探討機器學習在災難救援中的關鍵應用。在土耳其與敘利亞大地震等災害發生後，AI 社群迅速動員，利用計算機視覺分析衛星影像以評估建築損毀，並透過自然語言處理（NLP）篩選社群媒體上的求救訊號。Hugging Face 強調開源協作與模型共享在爭分奪秒的救援任務中扮演的重要角色。
Image Classification with AutoTrain
Hugging Face Blog1343d agoTutorialHugging Face 介紹了其無程式碼平台 AutoTrain 在圖像分類任務上的應用。使用者只需上傳整理好的圖片資料集，系統便會自動進行模型選擇、超參數調優與訓練。訓練完成後，模型會直接託管於 Hugging Face Hub，並自動生成 Inference API，極大地降低了電腦視覺應用的開發門檻。