-
日期: 2025-05-20 | 来源: 新智元 | 有0人参与评论 | 字体: 小 中 大
这与他收到的制造业及建筑行业的反馈一致：目前的LLM，在他们工作的核心、动手操作部分，几乎完全无用。
这项评估仅仅是皮毛
生成文本计划，只是工作中最简单的部分。
实际的加工，涉及管理每个高层步骤背后的许多细节。
仅仅选择一个切削工具就需要考虑刀尖半径、刀柄碰撞间隙、刀具刚性、涂层、切削速度/进给速率等多个因素。
而且往往存在取舍与权衡，例如间隙与刚性之间的平衡。
许多因素，本质上是空间问题，而这些问题利用文本是无法完全评估的。
如果模型在这些可描述的方面表现如此糟糕，那么它们对基础物理现实的理解可能会更糟。
事实上，真正的关键是克服众多难题，每个难题都比前一个更加困难：
基本的物理合理性：不仅仅是看清零件，模型还必须提出物理上可行的操作和设置。这涉及基本的空间推理，以确保例如工具访问不会被夹具阻挡。
融入物理知识：成功的加工需要理解现实世界的物理和潜在知识。这通常要实操获得经验，但现有的数据集无法做到这一点。
工艺优化：在步骤1-3中处理细节是正确加工零件的前提。正如马斯克所说，高效制造比制造原型要困难10-100倍。这才是工作中真正具有挑战性的部分。
基本的物理合理性：不仅仅是看清零件，模型还必须提出物理上可行的操作和设置。这涉及基本的空间推理，以确保例如工具访问不会被夹具阻挡。
融入物理知识：成功的加工需要理解现实世界的物理和潜在知识。这通常要实操获得经验，但现有的数据集无法做到这一点。
工艺优化：在步骤1-3中处理细节是正确加工零件的前提。正如马斯克所说，高效制造比制造原型要困难10-100倍。这才是工作中真正具有挑战性的部分。
步骤2到4可能难以通过模拟生成的合成数据来解决。
与Adam Karvonen交流过的技师，几乎都认为：工程师理解教科书公式和CAD，但不理解现实制造中的约束。
而模拟环境，似乎很可能会创造出具有相同缺陷的AI。
为什么LLM表现不佳？
缺乏数据，是LLM在物理任务中表现不佳的最明显的原因。
像加工这样的问题，依赖于大量的隐性知识和通过经验学到的无数微妙细节。这些细节通常并不会被记录下来。
这并不是因为专家故意隐瞒秘密——而是因为记录这种细致入微的现实世界知识既不现实也不高效。
软件工程师，很少记录每一行代码背后的所有推理。
类似地，加工技师也不会记录每次设置零件时的所有考虑因素。
导师手把手教学，比通过教科书学习或死记硬背程序更加快捷高效。
- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见