当访客们走进博物馆,心中自然希望身边满满都是能够尽情欣赏的古董与艺术品。但如今,一部分博物馆(特别是史密森尼学会博物馆)正在积极拥抱新兴技术,希望为访客带来一种更独特也更加深入的交互方式。当您再次走进史密森尼博物馆,面前迎来的不再是工作人员,而是一台可爱的机器人。该博物馆访客服务办公室副主任Kristi Delich最近在Ai Today播客中,分享了他们在博物馆环境中使用AI技术的心得与体会。
SoftBank Robotics打造的Pepper机器人
像史密森尼博物馆这样的场馆,主要肩负着两大核心责任:第一,积极研究具有特殊意义的学术领域;第二,为公众提供接触学术、改善认知的机会。而要切实达成这两项目标,一大重要前提就是营造出创新型体验,确保博物馆内的展品拥有更低的接触门槛、更丰富的信息量以及更精彩的游览体验。史密森尼博物馆正在不断寻求各种技术与方法,努力改善访客们的实际感受。
增强访客体验
过去几年以来,史密森尼学会开始逐渐接触Softbank Robotics打造的Pepper机器人。Pepper是一款人形机器人,高4英尺,能够感知周边环境并与各类环境要素互动。利用AI技术支持的识别模式,Pepper能够感知到访客何时靠近,并通过人类语言与他们对话。经过一系列研究与实验,史密森尼学会决定在博物馆内的六个位置部署Pepper机器人,进一步测试机器人技术在改善访客体验与教育效果方面的表现。
起初,Kristi Delich和她的团队对Pepper的机器人的功能了解不多,但随着现场试用,Pepper用实力证明了自己的强大实力。虽然Pepper入驻博物馆时间不长,但却切实改善了整体访客 体验。史密森尼学会很快发现,引入机器人不仅能够吸引普通大众的驻足,更能很好地处理访客在博物馆内参观时提出的引导与客户服务需求。访客能够很快得到指引,博物馆的工作人员则从中解脱出来,把更多精力专注于更复杂或更有趣的工作当中。
Pepper的主要优势之一,就是能够与访客顺畅交互并快速吸引不同年龄段的群体(特别是儿童)。Kristi指出,他们通过观察发现,人们在与Pepper交互时往往存在一系列有趣的共性:在初见时,他们通常会站得更远,因为还不太确定要怎么跟面前这台机器人打交道。但Pepper只会在3英尺范围内识别到对象时才被激活,因此站得太远将无法顺利沟通。另外,Pepper还鼓励那些弄不清该如何欣赏或理解某些特定展品的访客提出问题——我们走进博物馆时总会比较紧张,害怕自己表现得无知;但相较于询问工作人员,向机器人提出问题能够显著降低心理压力。正因为如此,Pepper的引入不仅增强了博物馆的整体体验,同时也将引导访客前往那些因为位置/风格而以往鲜被问津的区域。
Pepper能够根据访客的需求推荐对应的艺术品与其他展品,同时也为讲解员及博物馆内的教员提供更多与访客互动的新工具。他们能够回答常见问题、进行讲解,同时配有交互式触摸屏。娱乐功能当然也不能少,Pepper会跳舞、玩游戏和摆姿势拍照。对访客来说,这是一种有趣而且让人情绪放松的体验,因此Pepper身边永远不乏欢声笑语。
量化机器人的使用效果与影响
史密森尼学会发现,访客们对Pepper机器人抱有相当积极的总体评价。事实上,他们意识到在引入Pepper之后,博物馆中非裔美国人历史与文化馆内罗莎园区虚拟现实展的参观者增加了一倍。Pepper机器人可以向访客们介绍活动内容,并通过线路管理确保访客充分体验展馆设计。而在非洲艺术展区,Pepper则能够为访客们翻译斯瓦希里语短语,甚至帮助访客学习一些简单的语言表达。
着眼于未来,史密森尼学会希望Pepper机器人能够获得更自然的语言表达能力。目前机器人的对话支持范围还比较有限,需要持续编程与更新才能进一步完善。博物馆方面还很快意识到,随着馆区环境内其他形式的AI及增强智能方案的逐步落地,Pepper将获得更可观的发展潜力。通过与其他技术(例如视听系统或移动应用)相对接,Pepper将带来协同效应,保证访客每次进入博物馆时都能根据自己的个人兴趣获得真正可定制的游览体验。
目前,Pepper机器人仅在史密森尼学会的少数博物馆内部署,不过该学会的下一步目标,是将Pepper扩展至全部场馆当中。总体而言,Kristi对在博物馆等相对小众且发掘程度不高的场景下使用Pepper等人工智能方案的前景非常乐观。在这类环境中,AI科技有望为每一位参与者带来前所未有的体验,并最终重塑游览感受与信息传递的实现方式。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。