Transcription
[音乐] 欢迎大家来到今天这个非常特别的直播。我们的直播叫做“行为：机器人最佳表现”。这是一场与英伟达的 Fay Lee 博士和 Jim Fan 博士的炉边谈话。非常激动人心。你们将看到他们两位都和我们在一起。现在，我们今天直播开始时不会进行任何新闻播报。我将在他们讨论结束后再介绍新闻。但今天，我们非常希望您能加入我们，就“行为”进行一次深入的讨论，“行为”是一个大规模的基准测试和挑战，旨在推进具身人工智能。本次会议将概述“行为”背后的科学愿景和研究动机，强调它如何在真实的家庭环境中连接感知、推理和行动，并解释“行为”挑战的设计。它还将涵盖评估方法、标准信息和特权信息跟踪之间的区别，以及模拟在推进机器人研究中的作用。这是一个了解“行为”如何统一学术界和工业界的努力，以构建以人为本的强大智能代理人的机会。首先，让我们介绍一下我们的特别嘉宾，然后我将退居幕后。但 Jim，非常感谢您今天参加这次直播。嗯，我了解到您是我们特别嘉宾 Fay 博士的学生，是这样吗？>> 是的。是的，完全正确。多么大的荣幸。>> 那么，请告诉大家您在英伟达的职位是什么。嗯，以及我们今天为什么要这样做？>> 是的。大家好。我叫 Jim Fan。我是英伟达机器人部门的总监，目前我和我的团队正在牵头一个名为“机器人基础模型”的项目组，为生态系统构建机器人基础模型。今天，我非常荣幸能请到 Fay。我曾有幸成为她的学生，更荣幸的是成为第一个与 Fay 一起直播的学生。在斯坦福大学与 Fay 共度的那些年彻底重塑了我作为一个年轻科学家。我还见证了实验室从计算机视觉到具身视觉机器人学的转型，而 Fay 的指导一直是我的人生北极星。所以，非常感谢 Fay 让我成为一名更好的研究者、更好的思考者，也成为一名更好的直播者。>> 我不认为 Jim 你是从我这里学会直播的，但正如你所说，这是一种荣幸，但事实是，教授和导师能与如此聪明优秀的学生一起工作是一种荣幸，而你绝对是其中之一。>> 哦，太好了。嗯，Fay 博士，请介绍一下您自己和您的背景，然后我将把麦克风交给 Jim，以便我们开始讨论。>> 是的，我叫 Fay Lee。我是斯坦福大学计算机科学专业的教授，也是斯坦福大学以人为本人工智能研究所的创始联合主任。目前，我还是 World Labs 的联合创始人兼首席执行官，这是一家专注于空间智能的初创公司，赋能从虚拟世界到具身人工智能世界。>> 太棒了。好的。我迫不及待了。我将和大家一起观看。所以，祝你们讨论愉快。这次直播将持续大约半小时，然后就像我说的，我将在最后介绍新闻。祝你们玩得开心。>> 太棒了。我将直接开始。嗯，在您无数的杰出成就中，ImageNet 是最引人注目的。回想起来，我认为 ImageNet 不仅仅是为视觉模型设定了基准。它真正为人工智能历史上的整个时代设定了基准。当您首次推出 ImageNet 时，您是否曾想象过它会彻底改变人工智能？>> 嗯，谢谢 Jim 以 ImageNet 开头。不，我没有想象过它会彻底改变任何事情。我只是想象我的好奇心会把我带到哪里。当时我的好奇心确实是双重聚焦的。一是定义视觉智能的基本问题。解锁这个问题将极大地解锁视觉智能。当然，视觉智能非常丰富，但有一些基本问题，而 ImageNet 将物体识别，特别是分类，定义为最基本的问题之一。这是一个北极星问题。第二个同样重要的问题是，我想解决的是大数据在机器学习中的作用的技术问题。正如您所知，ImageNet 与神经网络，特别是卷积神经网络一起，是 ImageNet 的第一篇论文，以及英伟达的 GPU 定义了深度学习的开端，但在此之前，神经网络并不是每个人都清楚的定义性方法。大数据也是如此。人们不理解大数据的作用。但我们有一个猜想，大数据将从根本上改变机器学习，改变统计学习。所以，ImageNet 的开发就是为了实现这一双重目的，即在技术上押注大数据，同时将其作为物体识别这一视觉智能任务的北极星。>> 这太棒了，我认为世界需要更多的 ImageNet。所以今天我们的主要亮点是“行为”，一个由您的团队构建的新的机器人基准。您能否与这里的观众分享更多关于“行为”项目的信息，以及它与 ImageNet 的联系和可能的启发？>> 是的，我想，嗯，好吧，简而言之，我们刚刚向世界宣布了“行为 1K”或“行为 1000”挑战，这是一个用于具身人工智能和机器人的综合模拟基准和训练环境。这 10,000 项任务的重点是日常家庭的长期任务，我们稍后会定义。人类可以从中受益的长期任务。而“行为”旨在为世界各地的研究人员以及具身人工智能学科的研究人员提供一个开源环境，用于训练他们的机器人学习算法，并为社区提供一个基准测试标准化任务列表的机会。所以，“行为”的灵感来自于机器人学和具身人工智能的基本问题，以及我们五年前开始时看到的问题，即机器人学习缺乏标准化。我们看到任务的选择非常零散，很难在一篇论文与另一篇论文之间进行比较，而且很明显，我们也看到很难找到训练数据。我们在计算机视觉的 ImageNet 时代之前就面临过这个问题，但在机器人学中我们仍然面临这个问题。所以这些是机器人学习和研究中的痛点。所以我们受到了这些的启发，并想构建“行为”。我记得 Jim，当我们在开始“行为”时，您就在实验室里，我甚至和您谈过。尽管您当时专注于自己的论文和完成博士学位，但您非常兴奋，并给了我和团队很多鼓励的话。>> 是的。我当时在“行为”首次推出时就在那里，我可以看到它发展成了多么大的一个倡议，有多少博士致力于此，并使其变得非常出色。所以，看到它现在达到一千个任务，并成为一项新的竞赛，我真的感到非常兴奋，我希望社区能够团结起来支持它。是的，我不知道您是否想让我更详细地介绍“行为”的三个核心组成部分。我应该吗？>> 是的。是的。您提到了关于“行为”的许多事情。这是一个非常复杂的项目。我很想深入了解一下。也许我们可以从您提到的“一千项活动”开始。您最初是如何选择这“一千项活动”的？这是一个很好的问题。这确实让我想起了一些 ImageNet 的回忆，对吧？就像问题领域的分类本身就是科学，当然，我花了很长时间解释我们如何选择 ImageNet 的 22,000 个类别用于机器人和具身人工智能。说实话，这更具挑战性。机器人学不仅仅是语义。您知道，物体至少可以或多或少地通过词语或词组的语义来捕捉，但机器人学试图模仿人类完成任务的行为。而许多人类完成任务的行为并不容易用语言来定义。例如，我刚被告知我的麦克风在刮我的拉链，所以我必须用手拿着它。这个行为的词是什么？您能为我用两根手指捏住这根线并将其从拉链上移开的这个行为分配一个类别标签吗？对，这就是机器人学的挑战所在。但我们必须从某个地方开始。我们看到的是，许多任务的周期都非常短。例如，抓起一块积木并将其放在桌子上，或者我们称之为更短暂的任务，或者打开一个抽屉，或者进行拾放，拿起某样东西并将其放在某个地方。这些都是非常重要的任务，请不要误会，但“行为”的目的是大胆而雄心勃勃的，真正鼓励我们自己和社区去追求真正复杂的人类世界相关任务。我们选择它们的方式是观察人类每天如何度过时间。您如何找到人类花费时间的地方？事实证明，政府，无论是美国还是其他政府，都有调查。美国劳工局有一项名为“美国时间使用”的调查。这项调查将人们的日常生活和日常工作分解成一个数千项任务的层次结构。我们仔细地研究了这项调查，创建了一个包含 2,000 多项任务的候选列表。然后有一个非常重要的问题。我们应该鼓励机器人社区朝着哪些任务发展？谁说了算？是 Jim 告诉我们，还是 Fay，还是其他人？我们在斯坦福有聪明的学生，但我们如何做到尊重人类生活和人类愿望呢？所以我们采用了一种以人为本的方法，并对一千多名不同人口统计学的人进行了调查，并问了他们一个非常基本的问题：您希望机器人帮助您做什么？>> 这非常重要。这是一种非常以人为本的问题解决方法。不是说“您希望机器人做什么，可能会取代人类”，而是我们希望机器人能够帮助我们的日常生活和生产力。所以，任务范围从拆圣诞礼物、打壁球、清洁宠物，到擦地板、整理床铺。正如您所料，人们很少希望机器人为他们拆圣诞礼物。尽管我相信您的机器人已经可以做到这一点了，但这只是一个非常人类的行为，我们想自己保留。我们不是指机器人。>> 正确。甚至还有一项任务是让机器人捡起戒指。我的意思是，我真的希望没有人会这样做。但我们了解到，例如，人们一致希望机器人帮助的前三项任务是清洁浴室、擦地板和清理狂欢派对后的混乱。我相信其中一些人是父母。>> 您有我的一票。>> 正确。>> 三项都投，我非常希望尽快实现。>> Jim，您有多少次狂欢派对？>> 太少了。太忙了。>> 嗯，总有一天我们会拥有机器人，您就可以有更多的狂欢派对了，但>> 这听起来有点奇怪。>> 无论如何，这“一千项行为任务”是根据希望机器人提供帮助的人类排名最高的。>> 绝对。关于机器人任务，与用于 OM 和计算机视觉的静态数据集不同，这些任务无法存在于交互式环境或模拟之外。所以 Fay，您能否分享一些关于您如何设计这些交互式环境以及您选择的模拟框架的信息？>> 嗯，这让我们谈到了与英伟达的合作。我记得我曾与您的首席科学家 Bill Dali 以及英伟达机器人团队的一些科学家谈过，我们有一个共同的愿望，那就是尝试做一些能推动机器人学和机器人学习向前发展的事情。要模拟机器人行为，您需要模拟可交互的环境。所以有两件非常重要的事情。一是可交互的物体环境。所以“行为”最终收集了 50 个高度保真、完全可交互的场景，涵盖了办公室、餐厅、公寓等多个空间。在这些场景中，我们有大约 10,000 个对象，我们已经积累了这些对象，它们是逼真的，它们是家庭规模的。它们可以被驱动，有些是可变形的，这些就是我们所说的资产，正如您所知，对于学术界或开源研究的规模来说，这是非常非常大的规模。当然，我认为私下里这个规模可以更大。但相比之下，您在机器人学习中看到的大多数论文都只有一个或两个更小的桌面或台面环境，其中包含几十个甚至不具备交互性的对象。所以，我们将规模提升了两个到三个数量级。当然，交互式环境和物体需要遵守物理定律，需要碰撞，需要受重力影响而掉落，需要加热时温度升高，需要变湿等等。这需要一个模拟器，一个模拟引擎。这就是我们与 Omniverse 的合作，以及 Omniverse 中的 Isaac Sim。这真是太棒了，因为现在我们称之为 OmniGibson 的“行为”模拟引擎，以表彰我们的合作，它支持刚体物理以及可变形物体，如布料和织物，以及流体交互，如制作冰沙，以及复杂的物体状态，如加热、冷却、切割等，这都归功于这次合作。>> 太棒了。是的。拥有如此多的对象和场景，我认为这几乎是机器人学在模拟领域前所未有的基准规模。现在我们有了。>> 是的，请说。>> 不，我同意您的观点，我们非常兴奋，因为我认为学术界和开放研究世界非常渴望规模，我们在过去几年里了解到规模定律确实很重要，这将提供一个非常重要的资源。>> 绝对。所以现在我们讨论了任务和环境。我认为基准测试的另一个重要部分是数据，而数据在机器人学中是一个非常复杂的话题，因为它不像标记图像是猫、狗或飞机那么简单。所以，您是如何在“行为”中收集数据的？您对机器人学习的数据收集有什么看法？>> 是的，这是一个非常复杂的话题，我很高兴您提到了它，有很多种方法可以处理。让我们先谈谈模拟与现实。这是两大类数据。一类是模拟数据。一类是真实数据。我真的相信，要达到当今语言模型或视觉模型在机器人学中的水平，我们离那里还差得很远，能够解决“行为 1000”任务的通用能力。我们需要这两种数据，对吧？我们需要模拟数据和真实数据。但为什么我认为模拟数据非常重要，以及模拟数据能提供什么？一是模拟数据更具可扩展性，对吧？即使有，比如说这 50 个高保真环境，10,000 个可交互对象，以及所有对象可以呈现的几十种状态。您实际上是在谈论一个巨大的组合数，您可以在学习阶段为机器人提供潜在的状态。所以这种大规模，大数据确实很重要。模拟提供的另一件事是效率和安全性，对吧？它更有效率。它只是计算，提供机器人各种可能性，而不是收集物理遥操作数据或无论您如何收集数据。而且很多情况也需要安全，对吧？在计数器上放一个立方体是一回事，模拟各种切割、火灾，甚至清理狂欢派对后的混乱可能并不那么安全。所以我们可以模拟它，当然，标准化在模拟中更容易，我们也可以通过 VR 将人类行为带入模拟环境，所以也有这种模拟与真实行为的融合。所以我认为这些是我们可以在模拟中提供的数据类型。而且，让我们坦诚地说，我们也需要首先让模拟变得更好。模拟与现实之间确实存在差距，而这个差距是由许多原因造成的，Jim，我相信您对此非常了解。有些是感知差距，有些是交互的物理差距，有些是模拟的物理差距。一方面，我们需要从模拟方面缩小差距。事实上，我对此感到非常兴奋，因为计算机视觉，特别是 3D 计算机视觉和生成式 AI，近年来确实极大地缩小了差距。我们拥有非常强大的立体视觉算法，非常强大的视频模拟或视频生成算法，而 World Labs 最近也推出了 3D 世界生成算法。>> 那些非常令人印象深刻。我见过 Marble 的演示，那真是太不可思议了。我认为我甚至无法分辨它是真实的还是假的。>> 谢谢。嗯，这对我来说是最好的消息。我们还有一段路要走，但我们正在从模拟方面缩小模拟与现实之间的差距，而且我们希望也能从现实方面缩小一些差距，通过引入真实世界数据的混合，因为机器人硬件也在不断改进。我相信我参观了 Gear Labs，您是这样发音的吗？是的，Gear Labs。几个月前我参观了 Gear Labs，您遇到了您的所有团队成员，我看到物理机器人正在不断改进，这使得我们比您读博士的时候更容易收集遥操作数据。>> 是的。是的。正是如此。下次您访问我们的实验室时，我希望我们的机器人能把您的书递给您，然后让它签名。那将是太棒了。>> 也许签名部分也应该由人类来完成。但那是对的。>> 递书，我喜欢。>> 那是机器人不该做的任务。>> 是的。嗯，并且从更宏观的角度来看，Fay，关于基准测试，我认为在 LLM 等领域，整个社区已经统一在 MMLU 和 Sweep Bench 等基准测试上，尽管有不同的公司和不同的团队，但不知何故，在机器人学领域，人们似乎并没有就一个基准达成一致。我当然希望“行为”能够成为统一的力量，但总的来说，为什么您认为在机器人学领域达成任何一致总是如此困难，并且需要这么长时间？>> 首先，我有一个有点激进的看法。Jim，我不会说 LLM 甚至计算机视觉的基准测试已经完全统一在一个或两个基准测试上了。我认为我们在学术上需要谨慎。我认为，特别是在已发表的研究领域，拥有一些标准数据集，无论是视觉还是 LLM，比如 MMLU 和 Sweep Bench 以及 ImageNet、COCO 等，我认为这很棒。但在很多情况下，尤其是在我们现在都生活在行业和应用领域，这些学术基准测试不一定是对 LLM 的最佳基准测试。所以您可以看到专业化确实发生了，而且它们必须发生。例如，对于 LLM 的医疗用途，我认为 MMLU 不是正确的基准测试。所以，考虑到这一点，机器人学，嗯，我认为我们需要一定程度的标准化，尤其是在早期阶段，当我们在离机器人随处可见的家庭生活还很远的时候，拥有更多的标准确实有助于我们推动社区向前发展。从这个角度来看，这让我对“行为”感到非常兴奋。这是一个北极星任务。为什么它如此困难？就像我说的，甚至定义动作的分类法都非常困难，您知道吗？我记得在 ImageNet 之后，我曾深入研究过动词。我当时不确定该做什么，但我只是非常好奇。结果发现人类使用，如果您看一个语料库，比如说我记得我当时使用的是 BBC 语料库或我使用的任何语料库，我正在绘制高频动词，只有几百个，而像“拿”、“得到”、“制作”这样的动词包含了如此多的含义，以至于几乎>> 如此依赖上下文，无限的含义。>> 是的。所以对于机器人学来说，您如何定义任务的分类法如此困难？这就是为什么当我的学生和合作者们想出独立分类法的想法时，我如此兴奋，它独立于研究者的想法。它是通过美国劳工局的美国任务调查。所以，这就是第一个困难之处。第二个原因是，我真诚地相信机器人学的潜在应用如此普遍，以至于很难将人们团结在一套普遍适用的机器人任务上。语言很幸运，就像视觉领域的专家一样，机器人领域的专家，Jim，也许我们应该承认我们对语言的羡慕。>> 问题和回答是使用语言最普遍的方式之一，对吧？>> 我非常羡慕他们。>> 我也是，艾伦·图灵在七十多年前就已经提出了这一点。我们从未有过图灵测试，视觉领域也没有。我为我参与了那个北极星感到非常自豪。现在，机器人学，我们需要一个像那样的任务，或者一套任务。所以这使得基准测试非常困难。我们仍在探索，我希望“行为”能带来积极的改变。您认为呢？您有为什么基准测试如此困难的原因吗？>> 我认为这个领域需要另一个 ImageNet 时刻，这就是为什么我很高兴我们今天能进行这次谈话，因为我真的希望“行为”能够成为它的第一个统一力量，而 Fay，您是具身人工智能、具身计算机视觉领域的思想领袖。所以我认为这是朝着正确方向迈出的一大步，我希望“行为”能够成为大家进行基准测试、大家朝着解决机器人学问题迈出渐进式步伐的统一力量。嗯，非常感谢 Fay，考虑到时间，我们也许可以从社区那里问一两个问题。Mark，请。>> 那太棒了。多么精彩的讨论。好的，我们准备了一些问题，我们会尽量快速进行。第一个问题来自 LinkedIn。我将把它放在屏幕上。人类价值观和道德约束如何被编码到像 Groot 或“行为”训练系统这样的大型模型中？具体来说，采取了哪些措施来防止机器人在训练过程中学习和执行意外的或潜在危险的涌现行为？>> 我可以谈谈“行为”，我认为 Jim 应该谈谈 Groot。对于“行为”，正如我之前解释的，我们采取的最重要的第一步是真正体现人工智能或我们的工具是为了增强和赋能人们，而不是取代人们的信念。所以，我们非常有意识地选择了用户大规模调查告诉我们，他们宁愿让机器人帮助完成的 1000 项任务，而不是完全自己完成，尤其是在某些情况下，比如清洁、拖地、洗涤等等。所以，从那时起，任务的选择就是以人为中心的，我认为数据本身也应该是以人为中心的，这是一个非常重要的问题。当然，这些是环境，它们不是静态数据集。而且我真心希望，“行为”仍然很小。我们只有 50 个环境，分布在办公室、餐厅等八种类型的环境中。我希望这些训练环境能够尽可能地多样化，在社会的不同维度上，无论是环境还是物体，当然，在大型人工智能系统中，无论是机器人学、计算机视觉还是 LLM，都要保持人类价值观，这是一个多管齐下的方法。没有一劳永逸的方法。不是说修复数据，一切就都解决了，或者修复应用程序，一切就都解决了。您真的必须将以人为本的理念融入整个流程。这需要一个团队，需要团队相信我们拥有价值体系。Jim>> 是的，我百分之百同意。事实上，对于 Groot 这样的模型，它们从数据中学习，从任务和环境中学习，所以它们基本上继承了，比如说，如果它在“行为”上训练，它就继承了“行为”团队设计的各种价值观和先验知识。所以我将模型视为源于数据、源于基准测试，以及无论人们使用什么基准测试，它也将引导模型朝着那些由基准测试诱导的期望行为发展。所以，是的，百分之百同意，我认为模型是次要的。>> 好的，太棒了。我们将尝试快速进行。我知道时间非常紧张。这是来自 YouTube 的 Chris 的一个问题。对于构建类似强化学习环境的初创公司来说，最关键的模拟方面是什么？>> 嗯，这是一个有趣的问题。这取决于您模拟什么，对吧？比如，如果您的用例确实涉及可变形物体或流体或所有这些，那与刚体环境非常不同。如果您的应用是导航，那与操作非常不同。我认为这真的取决于，您怎么看 Jim？>> 百分之百。是的，我认为这取决于任务。然后，对于不同的任务，您也有不同类型的优化，以提高系统的吞吐量和保真度。有些任务看起来现实差距更大，有些则更小。正如 Fay 所解释的，我认为如今的生成式工具越来越好，可以随着时间的推移弥合这些差距。>> 这非常有见地。过去半小时或更长时间的整个讨论都非常精彩。非常感谢你们今天能来。我无法表达我对你们分享知识、智慧和经验给我们正在观看的机器人开发者社区的感激之情。有很多人正在观看直播。如果您是在中途加入的，或者在某个时候加入的，并且想观看全部内容，您现在可以在英伟达 Omniverse 频道上的 YouTube 上观看。您可以从头开始观看，它将永远在那里。所以不要害怕观看。Fay 博士和 Jim 博士，非常感谢您今天抽出宝贵时间。再次表示衷心的感谢。在让您离开之前，您有什么最后的话想说吗？然后我们将为其他人介绍一些新闻。>> 我很高兴能与 Jim 和其他人共度时光。您知道，当您的学生毕业时，您就很少见到他们了。我一直喜欢向我的学生，比如 Jim 学习。而且我真的很兴奋，我们正处于这个文明时刻，语言、空间、视觉和具身等众多人工智能技术的伟大融合开始真正为人们带来改变。我很高兴我们能够始终牢记以人为本，并使其成为一套仁慈的技术。>> 我同样感到兴奋，非常感谢 Fay 再次为这个新的人工智能时代设定了北极星。>> 非常感谢你们两位。我真的很感激。对于其他观看的观众，我将让我们的两位嘉宾离开。您可以再收听几分钟。我们将介绍一些重要的公告。我们即将迎来 GTC，以及其他一些令人兴奋的事情。正如我刚才提到的，如果您是今天直播的中途加入的，就在那里。这就是我们在过去半小时里介绍的内容。它将在 YouTube 频道上提供。所以，如果您错过了链接，只需在 YouTube 上搜索 Madrid Omniverse，您就可以立即找到今天与 Fay 博士和 Jim Fan 博士的精彩讨论。另外，如果您真的很喜欢这个，您可以深入研究“行为”挑战。所以，如果您准备好参与，请扫描此二维码并开始。我们希望所有观看的观众都能花点时间看看。正如我几分钟前提到的关于 GTC 的信息，我们即将迎来 GTC 的物理人工智能和机器人日。不幸的是，我刚听说所有会议通行证都已售罄。但是，GTC 的展会通行证仍然可用，您可以使用特殊的折扣代码享受 20% 的折扣。该代码是 GTCDC20，全部大写。我现在将其放入聊天中。如果您错过了这个代码，您也可以从我们的 Discord 服务器获取。所以，来 Discord 吧，实际上在 Discord 服务器上，我们可能还有一个更好的代码，可以给您额外的 5% 折扣。所以，如果您需要帮助，请给我发消息。您可以通过 LinkedIn edmart.net 随时联系我。如果您无法亲自参加，最令人兴奋的是您可以在 28 日观看 Jensen 本人的主题演讲。还将有一个赛前节目。完整详情可在 GTC 网站上找到。如果您已经获得了 GTC 的会议通行证，请不要错过屏幕上的这些特别会议。有很多东西可以看和学。对于对工业和制造业感兴趣的人，我们有适合您的会议。此二维码将带您到所有这些会议的完整列表。别忘了也看看我们关于计算机视觉的会议。关于我们展示的所有内容，都非常令人兴奋。还有另一个机会与我们团队的开发者联系，讨论这些话题，以及与社区的开发者联系。一些正在观看的您，也许会来参加。社区已经设立了一个专门针对 GTC 的特殊 WhatsApp 群组。所以，如果您再次参加 GTC，此二维码适用于参加 GTC 的人，因为我们将讨论在哪里见面喝咖啡，如果您需要帮助导航会议场地，或者到达任何会议，或者如果您想介绍合作伙伴，这就是这个 GDC WhatsApp 群组的目的，专门为与会者准备。所以我希望您，我会在那里，我的一些同事也会在那里，我们非常兴奋能与您见面并一起度过时光。另外，明天我们有一个非常特别的直播。再次强调，这对英伟达 Omniverse 社区来说是令人兴奋的一周。我们将迎来一位利用 Omniverse 和 Isaac 工具的最出色的开发者之一，那就是 Lightwheel。他们将加入我们。首席执行官 Steve 将与 Madison Hang 本人一起加入我们。我们将深入探讨英伟达和 Lightwheel 如何通过 SIM ready 和 AI 弥合模拟与现实之间的差距。有一些非常令人兴奋的公告。如果您一直在关注 LinkedIn，您可能已经知道我们明天将要谈论的内容，但我们将在明天的完整直播中深入探讨这些细节。我强烈建议您将其添加到您的日历中。我现在将其放入聊天中。如果您对此有任何疑问，请随时给我发消息。但这将会是一场非常令人兴奋的直播。所以，我希望在座的各位都能加入。当然，我们还有 NASA 物理人工智能奖。还有时间。我现在没有幻灯片可以给您看，但只需搜索 NEAS。那就是 NEBU，物理人工智能。您将看到奖项页面。我们希望您参与。如果您正在使用物理人工智能数据集，我们在 Hugging Face 上。我们希望听到您的声音，因为我们想在潜在的视频中包含您的作品。所以，如果您发现该数据集正在帮助您克服任何障碍或加快您的工作速度，请告诉我们，我们绝对希望突出您。非常感谢您今天的观看。显然，这是一个浓缩的特别直播，所以我们没有机会涵盖所有内容，但如果您想继续讨论，请前往我们的 Discord 服务器。我会在那里见到您，否则我将在明天的 Lightwheel 直播中见到您，我们计划在太平洋时间上午 9 点，东部时间中午举行。我希望在那里见到您。在此之前，祝大家度过愉快的一天，并再次感谢 Fay 博士和 Jim Fan 博士。