Claude နှင့် စက်ရုပ်ခွေး- Anthropic စမ်းသပ်မှုမှ ပြသခဲ့သည်

စမ်းသပ်မှုအသစ် မနုဿ ၎င်းသည် သိပ္ပံစိတ်ကူးယဉ်မဟုတ်တော့သည့် ပြဿနာကို အာရုံစိုက်သည်- ဘာသာစကားမော်ဒယ်တစ်ခုသည် စက်ရုပ်တစ်ခုအား ညှိနှိုင်းသောအခါ ဘာဖြစ်သွားသနည်း။။ en ပရောဂျက် ထုတ်ယူမှု၎င်းတို့၏ Claude စနစ်သည် စက်ရုပ်ခွေးတစ်ကောင်ကို လည်ပတ်ရန် ကူညီပေးခဲ့ပြီး စက်ရုပ်သည် မည်မျှသွားနိုင်ကြောင်း စမ်းသပ်ရန် ရည်ရွယ်ချက်ဖြင့် ကူညီပေးခဲ့သည်။ AI ရူပဗေဒ စာသားမှ ရွေ့လျားမှုဆီသို့။

ခေါင်းစဉ်အပြင်၊ စမ်းသပ်ချက်သည် စွမ်းရည်များနှင့် ကန့်သတ်ချက်များအကြောင်း ရှင်းလင်းသဲလွန်စများ ပေးသည်- Claude သည် လိုအပ်သော ပရိုဂရမ်များစွာကို အလိုအလျောက် လုပ်ဆောင်ပေးခဲ့သည်။ လေးပုံတစ်ပုံသည် ရုပ်ပိုင်းဆိုင်ရာ လုပ်ဆောင်ချက်များကို လုပ်ဆောင်နိုင်စေရန်၊ ၎င်းသည် လူအဖွဲ့တစ်ဖွဲ့အတွက် အချို့သောလုပ်ငန်းဆောင်တာများတွင် ပိုမိုလျင်မြန်စွာ တိုးတက်လာစေရန်အတွက် အထောက်အကူဖြစ်စေသည်။.

AI နှင့် ရုပ်ပိုင်းဆိုင်ရာကမ္ဘာ- ဓာတ်ခွဲခန်းမှ လုပ်ဆောင်မှုအထိ

OpenAI သုတေသီဟောင်းများမှ တည်ထောင်ထားသော Anthropic သည် အဆင့်မြင့်မော်ဒယ်များ၏ အန္တရာယ်များနှင့် လက်တွေ့အသုံးချမှုများကို ကာလကြာရှည်စွာ လေ့လာခဲ့သည်။ ယခုတစ်ကြိမ် အယူအဆသည် ရိုးရှင်းပါသည်။ အကယ်၍ LLM သည် coding နှင့်အပြန်အလှန်ဆက်ဆံရေးကို ပို၍ ကျွမ်းကျင်သည်။ ဆော့ဖျဝဲအစစ်အမှန်အရာဝတ္ထုများကို စတင်လွှမ်းမိုးနိုင်သည်။အတွင်းလုံခြုံရေးအဖွဲ့ (အနီရောင်အဖွဲ့) သည် ဤအကူးအပြောင်းကို ထိန်းချုပ်ထားသော ပတ်ဝန်းကျင်တွင် စောင့်ကြည့်လိုသည်။

လက်ရှိ မော်ဒယ်များသည် ရှုပ်ထွေးသော စက်ရုပ်ကို အပြည့်အဝ မအုပ်ချုပ်နိုင်သေးကြောင်း သုတေသီများက ထောက်ပြသည်။ နောင်လာမည့်ဗားရှင်းများတွင် စစ်ဆင်ရေးအတွက် နေရာပိုရလာမည်ဟု ၎င်းတို့က မျှော်လင့်ထားသည်။ထို့ကြောင့်၊ အထူးသဖြင့် လူသားများသည် ရုပ်ပိုင်းဆိုင်ရာ အပြုအမူများကို အစီအစဉ်တကျ လုပ်ဆောင်ရန် AI ကို မည်သို့ အားကိုးကြောင်း ပိုင်းခြားစိတ်ဖြာရန် အသုံးဝင်ပါသည်။ လူသားဆန်သော စက်ရုပ်များထိုအချိန်မရောက်မီ။

Project Fetch ကို ဘယ်လို ဒီဇိုင်းထုတ်ထားလဲ။

စိန်ခေါ်မှုသည် ယခင်က စက်ရုပ်ပိုင်းဆိုင်ရာ အတွေ့အကြုံမရှိသော အဖွဲ့နှစ်ဖွဲ့ဖြစ်သည်- တစ်ခုမှာ Claude မှ ကူညီခဲ့ပြီး နောက်တစ်ခုက AI အကူအညီမပါဘဲ ပရိုဂရမ်ပြုလုပ်ထားသော အဖွဲ့နှစ်ဖွဲ့ကို ထိခိုက်စေခဲ့သည်။ အဖွဲ့နှစ်ဖွဲ့လုံးသည် ရီမုတ်ကွန်ထရိုးကို အသုံးပြု၍ Unitree Go2 စက်ရုပ်ခွေးတစ်ကောင်ကို ထိန်းချုပ်ကာ ကုဒ်ရေးကာ ထိန်းချုပ်ကိရိယာများနှင့် ပလပ်ဖောင်းများကဲ့သို့သော ကွန်ထရိုးများနှင့်အတူ လုပ်ဆောင်ခဲ့ရသည်။ Arduino Uno Qသို့ အခက် အခဲ များ တိုး လာ သော အလုပ် များ ကို လုပ်ဆောင် ပါ။ပွိုင့်တစ်ခုဆီသို့ လမ်းလျှောက်ခြင်းမှ အရာဝတ္ထုတစ်ခုကို ရှာဖွေခြင်းအထိ။

Claude ပါသောအဖွဲ့သည် လေးပုံတစ်ပုံဖြတ်ခြင်းအပါအဝင် ရည်မှန်းချက်အချို့ကို ပိုမိုလျင်မြန်စွာအောင်မြင်နိုင်ခဲ့သည်။ လမ်းလျှောက်ပြီး ကမ်းခြေဘောလုံးကို ရှာမယ်။ဤသည်မှာ စမ်းသပ်မှုအခြေအနေအောက်တွင် လူသားတစ်ဦးတည်းအဖွဲ့မှ မအောင်မြင်နိုင်သောအရာဖြစ်သည်။ သော့သည် မှော်ပညာမဟုတ်၊ မော်ဒယ်သည် စက်ရုပ်နှင့် ချိတ်ဆက်မှုကို အရှိန်မြှင့်ကာ ပွတ်တိုက်မှုကို လျှော့ချကာ ကုဒ်ကို ထုတ်လုပ်ပြီး သန့်စင်ထားသည်။

မနုဿက မှတ်တမ်းတင်ပြီး အလုပ်၏ ဒိုင်းနမစ်ကို ပိုင်းခြားစိတ်ဖြာသည်။ မှတ်တမ်းများတွင် AI မရှိသောအဖွဲ့သည် Claude ၏အကူအညီပေးနေစဉ်တွင် ပိုမိုစိတ်ပျက်စရာနှင့် သံသယရှိကြောင်း ဖော်ပြခဲ့သည်။ ပိုမိုနားလည်နိုင်သော ထိန်းချုပ်မှုအင်တာဖေ့စ်ကို လွယ်ကူချောမွေ့စေပုံရသည်။ ပိုမိုချောမွေ့သော start-up တစ်ခု။ ဒါတောင်မှ ပန်းတိုင်အားလုံး မပြည့်မီဘဲ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့် အကန့်အသတ်ရှိတယ်။

ရွေးချယ်ထားသော စက်ရုပ်ခွေး- Unitree Go2 နှင့် ၎င်း၏ ရည်ရွယ်ချက်

တရုတ်နိုင်ငံ၊ Hangzhou ရှိ Unitree မှ ထုတ်လုပ်သော Go2 မော်ဒယ်ကို အကဲဖြတ်ရန်အတွက် ရွေးချယ်ခဲ့သည်။ ပတ်ပတ်လည်ကုန်ကျစရိတ် 16.900 ဒေါ်လာကဏ္ဍရှိ အခြားစက်ကိရိယာများနှင့် နှိုင်းယှဉ်ပါက အတော်လေး တင်းကျပ်သော ကိန်းဂဏန်းဖြစ်ပြီး၊ ဆောက်လုပ်ရေးနှင့် ကုန်ထုတ်လုပ်မှုတွင် အဝေးထိန်းစစ်ဆေးခြင်းလုပ်ငန်း၊ လုံခြုံရေး ကင်းလှည့်ခြင်း သို့မဟုတ် ခရီးစဉ်များတွင် အသုံးပြုပါသည်။

ဤ quadruped သည် လွတ်လပ်စွာ ရွေ့လျားနိုင်သော်လည်း လက်တွေ့တွင်မူတည်ပါသည်။ အဆင့်မြင့် အမိန့်များ သို့မဟုတ် လူတစ်ဦး၏ ထိန်းချုပ်မှုမကြာသေးမီက စျေးကွက်ခွဲခြမ်းစိတ်ဖြာမှုအရ Unitree စနစ်များသည် အကျယ်ပြန့်ဆုံးဖြစ်ပြီး ၎င်းတို့ကို AI-assisted programming သည် နယ်နိမိတ်များကို မည်မျှအထိ တွန်းပို့နိုင်သည်ကို ကြည့်ရှုရန် ဆွဲဆောင်မှုရှိသော စမ်းသပ်ကွင်းတစ်ခုဖြစ်လာသည်။

ရလဒ်များက LLMs နှင့် ပတ်သက်၍ မည်သို့ဖော်ပြသနည်း။

ကြီးကျယ်သော ဘာသာစကားပုံစံများသည် စာသားများကို ရေးရုံသာမဟုတ်တော့ဘဲ- မကြာသေးမီနှစ်များအတွင်း ၎င်းတို့တွင် အထူးပြုထားခဲ့သည်။ ကုဒ်ကိုဖန်တီးပြီး စီမံခန့်ခွဲပါ။ ဆော့ဖျဝဲProject Fetch တွင်၊ ထပ်ခါတလဲလဲ ပရိုဂရမ်ရေးခြင်းဆိုင်ရာ လုပ်ငန်းဆောင်တာများအတွက် အချိန်နည်းပြီး အမှားအယွင်းများနှင့် စက်ရုပ်အပြုအမူများကို လိုက်လျောညီထွေဖြစ်အောင် ပြန်ဆိုခြင်းအတွက် အဆင့်ဆင့်သော လမ်းညွှန်ချက်တစ်ခု။

အထိုက်အလျောက် အဓိပ္ပာယ်ဖွင့်ဆိုချက်မှာ ကျွန်ုပ်တို့သည် စုစုပေါင်းထိန်းချုပ်မှုအကြောင်း မပြောသော်လည်း၊ AI သည် ကျွမ်းကျင်မဟုတ်သော အသင်းများအတွက် ဝင်ခွင့်အတားအဆီးကို လျှော့ချပေးသည်။ ၎င်းတို့သည် အသုံးဝင်သော လုပ်ဆောင်ချက်များကို လုပ်ဆောင်ရန် ရုပ်ပိုင်းဆိုင်ရာ ပလပ်ဖောင်းကို ဖွင့်ပေးသည်။ ၎င်းသည် အရည်အသွေးကောင်းမွန်သော ပြောင်းလဲမှုဖြစ်သည်- စာသားထုတ်လုပ်သူမျှသာဖြစ်ခြင်းမှ၊ LLM များသည် စနစ်တီးမှုတ်သူများအဖြစ် စတင်လုပ်ဆောင်လာကြသည်။

အန္တရာယ်များနှင့် အကာအကွယ်များ- ကြောက်စရာများကို ရှောင်ရှားနည်း

AI သည် စက်များပေါ်တွင် လုပ်ဆောင်နိုင်စွမ်းကို ပေးဆောင်ခြင်းသည် ထင်ရှားသော အန္တရာယ်များကို မိတ်ဆက်ပေးသည်- ကုဒ်အမှားအယွင်းများ၊ ဒေတာအမှားများ သို့မဟုတ် တမင်အလွဲသုံးစားလုပ်ခြင်း။ ဤမအောင်မြင်မှုများသည် ရုပ်ပိုင်းဆိုင်ရာအကျိုးဆက်များ ရှိနိုင်သည်။ အမှီအခိုကင်းသော အကာအကွယ်များဖြင့် ဤကျရှုံးမှုများကို လျော့ပါးသက်သာစေရန် စက်မှုစက်ရုပ်များသည် ရှေးရှေးကတည်းက သင်ယူခဲ့သည်။ ဆော့ဖျဝဲ.

ဤအခြေအနေတွင်၊ ကျွမ်းကျင်သူများက အလွှာများစွာကို ပေါင်းစပ်ရန် အကြံပြုထားသည်- လုပ်ငန်းလည်ပတ်မှုနယ်နိမိတ်များ၊ ထုတ်လုပ်လိုက်သောကုဒ်များ၏ စာရင်းစစ်နှင့်၊ စက်ပိုင်းဆိုင်ရာ အရေးပေါ်ခလုတ်များနှင့် ပရိုတိုကောများ အဲဒါက model ပေါ်မှာမမူတည်ပါဘူး။ Anthropic လေ့လာမှုသည် ထိုကြိုတင်ကာကွယ်မှုဆိုင်ရာ ယုတ္တိအတွင်း၌ အတိအကျ ဘောင်ခတ်ထားသည်။

ပေါ်ထွက်လာသော applications များနှင့်လိုအပ်သောသတိထားပါ။

သင့်လျော်သောအကာအကွယ်များဖြင့် ထောက်ပံ့ပို့ဆောင်မှု၊ ပြုပြင်ထိန်းသိမ်းမှု၊ စစ်ဆေးခြင်း သို့မဟုတ် တူညီသောချဉ်းကပ်မှုကို အသုံးချနိုင်သည်။ လူသားများ တည်ရှိမှု ရှုပ်ထွေးသော ပတ်ဝန်းကျင်တွင် အကူအညီအိုင်ဒီယာသည် နည်းပညာရှင်များကို အစားထိုးရန်မဟုတ်ဘဲ ဖွဲ့စည်းမှုပုံစံများကို အရှိန်မြှင့်ပေးပြီး ပိုမိုလိုက်လျောညီထွေရှိသော တုံ့ပြန်မှုများကို ခွင့်ပြုပေးသည့် ကိရိယာများကို ပံ့ပိုးပေးရန်ဖြစ်သည်။

ဤအကျိုးကျေးဇူးများ အကောင်အထည်ပေါ်စေရန်အတွက် ဘေးကင်းသောအလေ့အကျင့်များ၊ ရှင်းလင်းသောစာရွက်စာတမ်းများနှင့် သဘောတူညီရန် လိုအပ်မည်ဖြစ်ပါသည်။ တာဝန်ခွဲဝေမှု စံနှုန်းများမဟုတ်ပါက နည်းပညာဆိုင်ရာ တိုးတက်မှုများသည် အများသူငှာယုံကြည်မှု သို့မဟုတ် လုံးဝရှောင်ရှားနိုင်သော လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ အန္တရာယ်များနှင့် ထိပ်တိုက်တွေ့နိုင်ပါသည်။

Project Fetch အတွေ့အကြုံက အချိုးအကွေ့တစ်ခုကို အကြံပြုသည်- Claude သည် LLM သည် ကုဒ်နှင့် လုပ်ဆောင်ချက်ကြား အကွာအဝေးကို အတိုချုံ့နိုင်သည်ဟု သရုပ်ပြခဲ့သည်။ရုပ်ပိုင်းဆိုင်ရာလောကထဲသို့ ခုန်ဆင်းခြင်းသည် ထိန်းချုပ်မှု၊ ပြင်းထန်သောစမ်းသပ်မှုများနှင့် လိုက်ဖက်ညီစေရန် ဘေးကင်းသောယဉ်ကျေးမှု လိုအပ်ကြောင်း ကျွန်ုပ်တို့အား သတိပေးနေချိန်တွင် လေးပုံတစ်ပုံရှိသော စက်ရုပ်တွင် လက်တွေ့ကမ္ဘာမှ လုပ်ဆောင်စရာများကို ချောမွေ့စေပါသည်။

ဆက်စပ်ဆောင်းပါး

ရုရှား လူသားဆန်သော စက်ရုပ် Aidol သည် ၎င်း၏ ပွဲဦးထွက်တွင် ကျရောက်ခဲ့သည်။

Alberto navarro

ကျွန်တော်သည် သူ၏ "geek" စိတ်ဝင်စားမှုများကို အသက်မွေးဝမ်းကြောင်းတစ်ခုအဖြစ် ပြောင်းလဲပေးသော နည်းပညာကို ဝါသနာပါသူတစ်ဦးဖြစ်သည်။ ကျွန်ုပ်သည် စူးစမ်းလိုစိတ်ဖြင့် ပရိုဂရမ်အမျိုးမျိုးဖြင့် ခေတ်မီနည်းပညာများကို အသုံးပြုကာ ဘဝကို 10 နှစ်ကျော် ကုန်ဆုံးခဲ့သည်။ ယခု ကျွန်ုပ်သည် ကွန်ပျူတာနည်းပညာနှင့် ဗီဒီယိုဂိမ်းများကို အထူးပြုရပြီ။ အဘယ်ကြောင့်ဆိုသော် ကျွန်ုပ်သည် နည်းပညာနှင့် ဗီဒီယိုဂိမ်းများပေါ်ရှိ ဝဘ်ဆိုဒ်အမျိုးမျိုးအတွက် ၅ နှစ်ကျော်ကြာအောင် ရေးသားခဲ့ပြီး လူတိုင်းနားလည်နိုင်သော ဘာသာစကားဖြင့် သင်လိုအပ်သော အချက်အလက်များကို ပေးလိုသည့် ဆောင်းပါးများကို ဖန်တီးနေသောကြောင့် ဖြစ်ပါသည်။

သင့်တွင်မေးခွန်းများရှိပါက၊ ကျွန်ုပ်၏အသိပညာသည် Windows လည်ပတ်မှုစနစ်အပြင် မိုဘိုင်းလ်ဖုန်းများအတွက် Android နှင့်ပတ်သက်သည့်အရာအားလုံးမှပါဝင်ပါသည်။ ပြီးတော့ ငါ့ရဲ့ကတိကဝတ်က မင်းအတွက်ပါပဲ၊ ငါ အမြဲတမ်း မိနစ်အနည်းငယ်လောက် အချိန်ပေးပြီး ဒီအင်တာနက်ကမ္ဘာမှာ မင်းရှိနိုင်သမျှမေးခွန်းတွေကို ဖြေရှင်းဖို့ ကူညီပေးဖို့ ဆန္ဒရှိနေတယ်။