중국 연구진이 개발한 GROVE는 LLM과 VLM을 결합하여 개방형 어휘 물리적 기술 학습의 새로운 가능성을 열었습니다. Pose2CLIP을 통해 시뮬레이션과 실제 이미지 간의 도메인 격차를 해소하고 학습 속도를 획기적으로 향상시킨 GROVE는 인공지능 분야에 혁신적인 발전을 가져올 것으로 기대됩니다.

스웨덴 국민들은 AI의 의료 분야 혁신에 대해서는 높은 기대를 가지고 있지만, 대량 실업이나 AGI와 같은 급격한 변화에 대해서는 상대적으로 낮은 기대를 보였습니다. AI 관련 지식과 교육 수준이 높을수록 낙관적인 전망을 보였으며, 성별에 따른 인식 차이도 확인되었습니다. 이 연구는 AI 기술 개발 및 사회적 영향에 대한 정책 수립에 중요한 시사점을 제공합니다.

Sun과 Lu의 연구는 AI가 물리적 세계를 이해하는 데 있어 기존의 한계를 극복하기 위해 '분석적 개념'이라는 새로운 접근 방식을 제시합니다. 수학적 절차를 기반으로 물리적 세계 개념을 표현하여 AI의 인지, 추론, 상호작용 능력을 향상시키는 것을 목표로 합니다.

본 연구는 환경적 요인과 개별 운전 행동을 고려한 차량 가속도 예측 프레임워크를 제시하고, LSTM Seq2Seq 모델과 어텐션 메커니즘을 활용하여 높은 예측 정확도를 달성했습니다. 운전자 유형 분류를 통해 예측 정확도를 더욱 향상시켰으며, 자율 주행 및 에너지 효율 관리에 중요한 시사점을 제공합니다.

JarvisIR은 VLM 기반의 지능형 이미지 복원 에이전트로, 자율주행 자동차의 날씨 저하 문제를 해결하기 위해 개발되었습니다. 두 단계 프레임워크와 대규모 데이터셋 CleanBench를 활용하여 기존 방법 대비 50% 향상된 인식 성능을 달성했습니다.