Jim Fan谈物理AGI实现路线图
TL;DR · AI 摘要
Jim Fan分享了物理AGI的实现路线图，强调视频世界模型和World Action Models在机器人学中的关键作用。
核心要点
- 视频世界模型作为第二预训练范式，显著提升了机器人的感知能力。
- World Action Models (WAM) 提供了更高效的行动策略，优化了机器人操作。
- EgoScale和Dexterity Scaling Law揭示了机器人灵巧性提升的新规律。
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- Physical AGI 实现路线图
- 视频世界模型
- 第二预训练范式
- World Action Models (WAM)
- 高效行动策略
- EgoScale与灵巧性定律
- 灵巧性提升规律
金句 / Highlights
值得收藏与分享的关键句。
视频世界模型作为第二预训练范式，显著提升了机器人的感知能力。
World Action Models (WAM) 提供了更高效的行动策略，优化了机器人操作。
EgoScale和Dexterity Scaling Law揭示了机器人灵巧性提升的新规律。
标题：Jim Fan 在 X 上：“我保证这将是您今天花的最有价值的 20 分钟！机器人学：终局，这是我去年 Sequoia AI Ascent 演讲‘物理图灵测试’的续集。我概述了解决物理 AGI 的路线图，作为 LLM 成功故事的一个简单类比。做个好科学家，复制 https://t.co/yaFZbuUKPP” / X
URL 来源：https://x.com/DrJimFan/status/2052758642781487237
Markdown 内容：
我保证这将是您今天花的最有价值的 20 分钟！机器人学：终局，这是我去年 Sequoia AI Ascent 演讲“物理图灵测试”的续集。我概述了解决物理 AGI 的路线图，作为 LLM 成功故事的一个简单类比。做个好科学家，抄作业 ;) 并且坚持到最后，更多彩蛋和对您的 polymarket 的预测！00:30 DGX-1 起源故事在 OpenAI，我在 2016 年在那里与 Jensen 和 Elon 签约。前往计算机历史博物馆！01:42 大平行 03:31 机器人学，终局 03:39 为什么 VLAs 不够用 04:32 视频世界模型作为第二个预训练范式 06:09 世界动作模型 (WAM) 07:46 机器人数据收集策略和物理数据飞轮的 FSD 等效物用于机器人操作 11:06 EgoScale 和我们最近发现的灵巧性扩展定律 14:00 物理 RL：弥合最后一英里 15:39 DreamDojo：一个端到端神经物理引擎，用于在硅片中扩展 RL 17:00 文明技术树和我对不久将来的预测。剧透：它比你想象的更近。感谢 Sequoia 的朋友们邀请我今年回到 AI Ascent！我玩得很开心！如果您错过了，去年的演讲附在帖子中。