論文の概要: Aligning Perception, Reasoning, Modeling and Interaction: A Survey on Physical AI

• arxiv url: http://arxiv.org/abs/2510.04978v1
• Date: Mon, 06 Oct 2025 16:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.97554
• Title: Aligning Perception, Reasoning, Modeling and Interaction: A Survey on Physical AI
• Title（参考訳）: 知覚・推論・モデリング・インタラクションの調整:物理AIに関する調査
• Authors: Kun Xiang, Terry Jingchen Zhang, Yinya Huang, Jixi He, Zirong Liu, Yueling Tang, Ruizhe Zhou, Lijing Luo, Youpeng Wen, Xiuwei Chen, Bingqian Lin, Jianhua Han, Hang Xu, Hanhui Li, Bin Dong, Xiaodan Liang,
• Abstract要約: 我々は、物理的原則と具体的推論プロセスの両方において、学習の基礎となるインテリジェントなシステムを提唱する。 我々は、物理現象を説明でき、将来の状態を予測できる次世代の世界モデルを構想する。
• 参考スコア（独自算出の注目度）: 57.44526951497041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of embodied intelligence and world models has intensified efforts to integrate physical laws into AI systems, yet physical perception and symbolic physics reasoning have developed along separate trajectories without a unified bridging framework. This work provides a comprehensive overview of physical AI, establishing clear distinctions between theoretical physics reasoning and applied physical understanding while systematically examining how physics-grounded methods enhance AI's real-world comprehension across structured symbolic reasoning, embodied systems, and generative models. Through rigorous analysis of recent advances, we advocate for intelligent systems that ground learning in both physical principles and embodied reasoning processes, transcending pattern recognition toward genuine understanding of physical laws. Our synthesis envisions next-generation world models capable of explaining physical phenomena and predicting future states, advancing safe, generalizable, and interpretable AI systems. We maintain a continuously updated resource at https://github.com/AI4Phys/Awesome-AI-for-Physics.
• Abstract（参考訳）: 具体的インテリジェンスと世界モデルの急速な進歩は、物理法則をAIシステムに統合する努力を強化してきたが、物理的な知覚と象徴的な物理推論は、統合されたブリッジングフレームワークなしで別々の軌道に沿って発展してきた。 この研究は、物理AIの包括的概要を提供し、理論物理学推論と応用物理理解の明確な区別を確立し、物理基底法が構造的記号推論、エンボディドシステム、生成モデル間でのAIの現実的理解をどのように促進するかを体系的に検証する。 近年の進歩の厳密な分析を通じて、我々は、物理法則の真正な理解に向けてパターン認識を超越した、物理原理と具体的推論プロセスの両方において、学習の基礎となるインテリジェントなシステムを提唱する。 我々の合成では、物理現象を説明し、将来の状態を予測し、安全で一般化可能で解釈可能なAIシステムを進化させる次世代の世界モデルを構想している。 私たちは、https://github.com/AI4Phys/Awesome-AI-for-Physicsで継続的に更新されたリソースを維持しています。

関連論文リスト

• Digital Gene: Learning about the Physical World through Analytic Concepts [54.21005370169846]
  AIシステムは、物理的な世界を理解し、相互作用することに関して、依然として苦戦している。 本研究は分析概念の考え方を紹介する。 マシンインテリジェンスは、物理的な世界を理解し、推論し、相互作用するためのポータルを提供する。
  論文  参考訳（メタデータ） (2025-04-05T13:22:11Z)
• Cosmos-Reason1: From Physical Common Sense To Embodied Reasoning [77.6397528430433]
  物理世界を理解し、適切な具体的決定を生成する物理AIモデルを提案する。 物理的常識を表現するために、空間、時間、物理学に関する基本的な知識を捉える階層的オントロジーを用いる。 具体的推論では、異なる物理的実施形態をまたいで一般化する2次元オントロジーに依存している。
  論文  参考訳（メタデータ） (2025-03-18T22:06:58Z)
• Generative Physical AI in Vision: A Survey [78.07014292304373]
  遺伝子人工知能(AI)は、コンピュータビジョンの分野を急速に進歩させ、機械が前例のない高度なビジュアルデータを作成し、解釈できるようにする。 この変換は、現実的な画像、ビデオ、および3D/4Dコンテンツを生成するための生成モデルの基礎の上に構築されている。 生成モデルが進化して物理リアリズムと動的シミュレーションを統合するにつれ、「世界シミュレータ」として機能する可能性が拡大する。
  論文  参考訳（メタデータ） (2025-01-19T03:19:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。