科莱特神箭手：荒野挑战！拔萝卜大作战，掌控技巧与策略并存的探险奇遇！，中国经济样本观察·企业样本篇丨从焊接起步到多领域突破——看卡诺普研发生产之路中国科学院科学家首次证实：大语言模型能像人类一样“理解”事物《野兽日报》称，当记者询问其为什么不希望全世界各地优秀、聪明的人来哈佛大学，特朗普回应说，“我希望，但很多人需要补习数学。发现了吗？很多学生2+2都不会算，却能进哈佛。他们要补习数学，现在居然要在哈佛补习数学，等等，那他们为什么能进（哈佛）？一个连加减法都不会或者只有最基础水平的人，究竟怎么进的哈佛？”
《科莱特神箭手：荒野挑战！拔萝卜大作战，掌控技巧与策略并存的探险奇遇》
在广袤无垠的草原上，有一位名叫科莱特的神箭手，他以独特的箭术和过人的智慧，在这片荒野中展开了一场场惊心动魄的拔萝卜大作战。他的名字如同一颗璀璨的明珠，闪耀在未知的森林深处，吸引着无数冒险者的眼球。
科莱特的箭术源于其家族世代相传的技艺，他父亲是一位出色的射箭教练，母亲则是一位美丽的狩猎者，他们的教诲深深地烙印在他的心中。自幼，科莱特便对这一充满刺激和挑战的领域充满了浓厚的兴趣，并不断在实践中磨砺自己的技艺。
在一次偶然的机会下，科莱特决定独自前往荒野，探索那些隐藏在神秘之中的隐藏宝藏。在这片看似平静的草原上，他遇到了各种各样的挑战。面对恶劣的环境，科莱特需要熟练掌握各种野外生存技能，如捕猎、烹饪等，以确保自己有足够的食物和水来度过难关。他需要面对的是无尽的黑暗和孤独，只有依靠手中的箭矢才能照亮前方的道路。他在拔萝卜的过程中，不仅要考验自身的技巧，还要学会如何应对各种意外情况，如野兽袭击、天气突变等。
在这场拔萝卜大作战中，科莱特不仅运用了自己的箭术，更展现出了他的战略思维和团队协作精神。他巧妙地利用地形的优势，利用箭矢的精准度避开野兽的攻击，同时制定出了一套详细的拔萝卜计划，包括选址、布局、分工等，让每一个成员都明白自己的任务和职责，从而确保了拔萝卜活动的成功进行。
科莱特的拔萝卜大作战并非一帆风顺，但他凭借坚韧不拔的毅力和冷静的头脑，一次次化险为夷，最终成功地从这片荒芜之地收获了大量的新鲜萝卜和丰富的食材，为后续的旅程提供了坚实的物质基础。
这次经历让科莱特深深刻记：“在每一次的挑战面前，我们都需要运用技巧和策略，同时也需要展现出我们的勇气和决心。只有这样，我们才能在荒野的广阔天地中找到属于自己的宝藏，创造出属于自己的辉煌。”这句话成为他每次冒险的重要指导原则，激励着他勇往直前，不断挑战自我，不断探索未知，成为一名真正的科莱特神箭手——荒野挑战中的拔萝卜大作战冠军。
在这个充满未知与挑战的世界里，科莱特神箭手的故事告诉我们，只要我们具备强大的技能和灵活的战略思维，就能够克服任何困难，实现自己的目标。无论是在荒芜的草原上，还是在广阔的宇宙中，只要有勇气，有智慧，有技巧，我们就能够书写属于自己的传奇故事，成为那个引领时代的英雄。
成都卡诺普机器人技术股份有限公司成立于2012年，专业从事智能工业机器人核心零部件及成套装备研发、制造、销售和服务。
该公司从“零”开始，经过十余年发展，创造国产工业机器人首年市场化即破千台的纪录，连续多年位居国产焊接机器人供应商榜首。
未来，该公司将继续巩固在焊接细分领域的领先地位，同时在汽车行业、电子行业等领域持续发力，为搬运、装配等复杂场景提出“AI+人形机器人”解决方案。
记者：杨华、刘海
新华社音视频部制作
IT之家 6 月 11 日消息，IT之家从中国科学院自动化研究所微信公众号获悉，近日该所神经计算与脑机交互（NeuBCI）课题组与中国科学院脑科学与智能技术卓越创新中心的联合团队结合行为实验与神经影像分析，首次证实多模态大语言模型（MLLMs）能够自发形成与人类高度相似的物体概念表征系统。这项研究不仅为人工智能认知科学开辟了新路径，更为构建类人认知结构的人工智能系统提供了理论框架。相关研究成果以 Human-like object concept representations emerge naturally in multimodal large language models 为题，发表于《自然・机器智能》（Nature Machine Intelligence）。
人类能够对自然界中的物体进行概念化，这一认知能力长期以来被视为人类智能的核心。当我们看到“狗”“汽车”或“苹果”时，不仅能识别它们的物理特征（尺寸、颜色、形状等），还能理解其功能、情感价值和文化意义 —— 这种多维度的概念表征构成了人类认知的基石。
传统人工智能研究聚焦于物体识别准确率，却鲜少探讨模型是否真正“理解”物体含义。论文通讯作者何晖光研究员指出：“当前 AI 能区分猫狗图片，但这种‘识别’与人类‘理解’猫狗的本质区别仍有待揭示。”团队从认知神经科学经典理论出发，设计了一套融合计算建模、行为实验与脑科学的创新范式。研究采用认知心理学经典的“三选一异类识别任务”（triplet odd-one-out），要求大模型与人类从物体概念三元组（来自 1854 种日常概念的任意组合）中选出最不相似的选项。通过分析 470 万次行为判断数据，团队首次构建了 AI 大模型的“概念地图”。
实验范式示意图。a，物体概念集及带有语言描述的图像示例。b-d，分别针对 LLM、MLLM 和人类的行为实验范式和概念嵌入空间。
研究人员从海量大模型行为数据中提取出 66 个“心智维度”，并为这些维度赋予了语义标签。研究发现，这些维度是高度可解释的，且与大脑类别选择区域（如处理面孔的 FFA、处理场景的 PPA、处理躯体的 EBA）的神经活动模式显著相关。