亚马逊公布全新AWS服务——「AWS SimSpace Weaver」,可帮助用户构建真实版《模拟城市》(SimCity)般的大规模地形场景。这项新服务将庞大的AWS资源交予用户手中,可借此跨多服务器运行扩展模拟,以充裕的计算和内存容量完成场馆周边人流等各类仿真推衍。
感兴趣的朋友可以在uCrowds上观看令人印象深刻的AWS SimSpace Weaver运行演示,在演示影片中,AWS SimSpace Weaver模拟了100万人在拉斯维加斯四处游走。通过将地理空间数据同成群结队的模拟人群叠加起来,我们就能了解人们怎样休憩、怎样在计算机生成的城市街道上活动。从视频中看,如果瞬间空降100万人,那现有人行道根本容不下他们。只有在将数量削减至5万人时,活动才开始顺畅起来。
AWS技术副总裁Bill Vass在新闻稿中表示:「以往,如果客户想要扩展自己的空间模拟,就必须在准确性与硬件容量之间寻求平衡,这无疑限制了他们所能探究的具体问题。AWS SimSpace Weaver消除了模拟基础设施的管理负担,简化了客户运行大规模模拟的方式,让他们能够专注于创建差异化内容、扩大对模拟开发的访问能力。」
AWS SimSpace Weaver还与流行开发引擎「虚幻5」(曾在《黑客帝国:觉醒》中用于建立城市景观展示)和Unity集成,相信将对开发人员构成更强的吸引力。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。