Робот, обученный в симуляторе, в реальности промахивается мимо кружки. Домен-рандомизация и генеративные модели закрывают этот разрыв — и меняют экономику обучения манипуляторов.
Робот на реальном железе видит только зашумлённые пиксели с камеры, а в симуляторе доступны точные координаты и скорости. Асимметричный actor-critic использует это неравенство данных, чтобы обучение сходилось быстрее.
Модель, обученная в идеальной физике симулятора, разваливается на реальном роботе за секунды. Domain randomization намеренно ломает симуляцию, чтобы политика выжила в реальном мире.
Робот учится в идеальной симуляции, а в реальном мире падает при первом же движении. Разбираем, почему возникает разрыв sim-to-real и какие приёмы его закрывают.
Иерархическое обучение — когда модель осваивает не одно длинное действие, а набор коротких навыков и учится их комбинировать. Разбираем, зачем это нужно и где ломается.
Модель, которая учит другую модель, часто генерирует примеры, понятные только машине. Идея интерпретируемых обучающих примеров заставляет учителя объяснять так, чтобы понял и человек.
Прямая штрафовка числа ненулевых весов долго считалась невозможной для градиентного спуска. Метод L₀-регуляризации через hard concrete distribution обходит это ограничение и режет параметры прямо во время обучения.
Формат «списка открытых задач» для исследователей ИИ вернулся в оборот: команды публикуют направления, которые сами не успевают закрыть, и приглашают закрыть их сообщество. Разбираем, зачем это нужно и как этим пользоваться.
Плотная матрица тратит вычисления на нули, которые ничего не значат. Block-sparse ядра пропускают целые блоки нулей и разгоняют инференс, если разреженность структурирована. Разбираем, где выигрыш реален.
На тысячах нод узкими местами становятся не поды, а etcd, DNS и API-сервер. Разбираем, что тюнить, какие лимиты помнить и где кластер начинает трещать.
Классический подход к disambiguation опирается на готовый список типов вроде «человек» и «город». Новый метод предлагает модели самой открывать типы под конкретный корпус — и это меняет цену ошибки.
Подход «interpretable ML through teaching» переворачивает задачу: вместо того чтобы вскрывать чёрный ящик, одну сеть заставляют объяснять решения так, чтобы вторая сеть по объяснениям училась быстрее.