論文の概要: UniK: Universal Knowledge Perception for Digital and Physical AI
- arxiv url: http://arxiv.org/abs/2609.23971v1
- Date: Mon, 21 Sep 2026 00:56:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.035851
- Title: UniK: Universal Knowledge Perception for Digital and Physical AI
- Title（参考訳）: UniK: デジタルおよび物理AIのためのユニバーサル知識認識
- Abstract要約: AIシステムの2つの変革的なクラスが、組織の運用方法を変えようとしている。
両クラス共通のプラットフォームとして,textitUniversal Knowledge Perception (UniK)を提案する。
UniKはPolymath Retrieval(自動強化インデックス上の多重インデックス融合)上に構築されており、タスク固有の微調整はない。
- 参考スコア（独自算出の注目度）: 0.32069702190300614
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Two transformative classes of AI systems are reshaping how organizations operate: \textit{digital AI}, which reasons over enterprise knowledge to power chatbots and agent workflows; and \textit{physical AI}, which learns to control robots and autonomous systems from video, gameplay, and sensor telemetry. Both face the same foundational bottleneck: raw knowledge at scale, spanning heterogeneous modalities, locked in private corpora that existing AI infrastructure cannot access reliably or efficiently. We propose \textit{Universal Knowledge Perception (UniK)} as a common platform for both classes, covering the full knowledge lifecycle (ingestion, enrichment, indexing, retrieval, and continuous evaluation) across modalities from rich text and video to molecular data and sensor telemetry. We present UniK, built on Polymath Retrieval (multi-index fusion over automatically enriched indices) with no task-specific fine-tuning. Across five digital AI domains (medical literature, open-domain QA, chemistry, legal video proceedings, and government open data) UniK combined with an open-source 70-billion-parameter model consistently matches or outperforms frontier proprietary LLMs that are orders of magnitude larger: 76\% RAG accuracy on government data versus 47\% for GPT-5; 77.9\% on medical QA without fine-tuning; topping all open-source chemistry pipelines. We show that the same infrastructure directly addresses the data curation, indexing, and retrieval challenges facing physical AI world model training, where the knowledge problem is harder but structurally identical.
- Abstract（参考訳）: AIシステムの2つのトランスフォーメーションクラスは、組織がどのように機能するかを再構築している: \textit{digital AI}は、チャットボットとエージェントワークフローを駆動するエンタープライズ知識を理由として、そして \textit{physical AI}は、ビデオ、ゲームプレイ、センサーテレメトリからロボットや自律システムを制御することを学ぶ。
スケールでの生の知識、異質なモダリティにまたがる、既存のAIインフラストラクチャが確実に、あるいは効率的にアクセスできないプライベートコーパスにロックされている。
両クラスの共通プラットフォームとして,リッチテキストやビデオから分子データ,センサテレメトリに至るまでの全知識ライフサイクル(着想,豊か化,索引付け,検索,継続的な評価)を網羅した「textit{Universal Knowledge Perception (UniK)」を提案する。
タスク固有の微調整を伴わないPolymath Retrieval(自動強化インデックス上の多重インデックス融合)上に構築したUniKについて述べる。
5つのデジタルAIドメイン(医学文献、オープンドメインのQA、化学、法定ビデオプロシージャ、政府によるオープンデータ)で、UniKはオープンソース70ビリオンパラメータモデルと相性がよく、より大規模なフロンティアのプロプライエタリなLCMよりも優れている。
私たちは、同じインフラストラクチャが、物理的なAIワールドモデルのトレーニングに直面しているデータキュレーション、インデックス、検索の課題に直接対処していることを示します。
関連論文リスト
- Method, Mind, and Morality: How People Make Sense of Artificial Intelligence [10.2319621391971]
人間は人工知能(AI)の迅速な離陸をどうやって理解できるのか?
我々は、何百万ものAI関連新聞記事やソーシャルメディア投稿の計算テキスト分析を用いて、AIのセンスメイキングダイナミクスを研究した。
我々は、さまざまな社会学的フレーム(集団認知を構成する解釈スキーマ)を特定し、AIプロフェッショナルがフレームを使用して重要な認知的課題に対処する方法を示す。
論文 参考訳（メタデータ） (2026-08-25T15:52:55Z) - Generative-AI and the transformation of workforce. A job postings-driven analysis [7.765662835417495]
本稿では,AIが雇用要件,スキル構成,グローバル労働市場におけるセクターダイナミクスをいかに変えつつあるかを検討する。
職種投稿におけるAI関連能力の進化頻度とフレーミングについて検討し、生成型AIが主に職場における増強力または代替力として機能するかを検討する。
論文 参考訳（メタデータ） (2026-04-07T17:02:43Z) - Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。
まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。
低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
論文 参考訳（メタデータ） (2026-03-02T11:26:56Z) - Can AI autonomously build, operate, and use the entire data stack? [16.22441719281088]
独立したデータコンポーネント操作におけるAIの使用から、データライフサイクル全体のより包括的で自律的な処理へのパラダイムシフトを議論する。
我々は、現代のデータスタックの各ステージがインテリジェントエージェントによって自律的に管理され、自律的なシステムを構築する方法について検討する。
論文 参考訳（メタデータ） (2025-12-08T18:59:01Z) - A Large-Scale Vision-Language Dataset Derived from Open Scientific Literature to Advance Biomedical Generalist AI [70.06771291117965]
PubMed Central Open Accessサブセットから派生したオープンソースのデータセットであるBiomedicaを紹介する。
Biomedicaには600万以上の科学論文と2400万の画像テキストペアが含まれている。
私たちは、Webサーバを通じてスケーラブルなストリーミングと検索APIを提供し、AIシステムとのシームレスな統合を容易にします。
論文 参考訳（メタデータ） (2025-03-26T05:56:46Z) - Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
本稿では,6GネットワークにおけるAIと通信の概要を概観する。
我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。
講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
論文 参考訳（メタデータ） (2024-12-19T05:36:34Z) - Compliance Cards: Automated EU AI Act Compliance Analyses amidst a Complex AI Supply Chain [9.991293429067065]
我々は、複雑なAIサプライチェーンの中で、プロバイダ側AIAコンプライアンス分析のための完全なシステムを導入する。
ひとつは、AIA固有のメタデータをキャプチャする、計算的でマルチステークホルダーの透明性アーティファクトのインターロックセットです。
第2のアルゴリズムは、AIシステムやモデルがAIAに準拠しているかどうかをリアルタイムで予測するアルゴリズムである。
論文 参考訳（メタデータ） (2024-06-20T22:07:15Z) - Trust, Accountability, and Autonomy in Knowledge Graph-based AI for
Self-determination [1.4305544869388402]
知識グラフ(KG)は、インテリジェントな意思決定を支えるための基盤として登場した。
KGと神経学習の統合は、現在活発な研究のトピックである。
本稿では,KGベースのAIによる自己決定を支援するための基礎的なトピックと研究の柱を概念化する。
論文 参考訳（メタデータ） (2023-10-30T12:51:52Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z)
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。