<a href="https://www.techspot.com/news/110135-ai-has-read-everything-internet-now-watching-how.html" target="_blank"><img src="https://www.techspot.com/images2/news/ts3_thumbs/2025/11/2025-11-05-ts3_thumbs-2f2.jpg" width="800" height="560" style="padding: 15px 0" title="AI has read everything on the internet, now it's watching how we live to train robots" /></a> In the textile city of Karur, Naveen Kumar begins his day not by writing code, but by performing hundreds of precise hand movements to fold towels. With a GoPro camera attached to his forehead, he records every gesture, from the way his fingers grip the fabric to the sequence of... <a href="https://www.techspot.com/news/110135-ai-has-read-everything-internet-now-watching-how.html">Read Entire Article</a>

في كارور، الهند، يستخدم نافين كومار مهاراته للمساعدة في تدريب الروبوتات من خلال عرض حركات يد دقيقة بدلاً من كتابة الشيفرات. يبرز هذا النهج المبتكر كيف تتطور الذكاء الاصطناعي إلى ما هو أبعد من مجرد معالجة المعلومات من الإنترنت إلى مراقبة وتعلم من الأفعال البشرية. هذا التحول مهم لأنه يفتح آفاقًا جديدة لتطوير الذكاء الاصطناعي، مما يجعل الروبوتات أكثر قدرة على فهم وتقليد السلوك البشري، مما قد يؤدي إلى تقدم في مختلف الصناعات.

En Karur, India, Naveen Kumar está utilizando sus habilidades para ayudar a entrenar robots al demostrar movimientos de manos precisos en lugar de escribir código. Este enfoque innovador destaca cómo la IA está evolucionando más allá de simplemente procesar información de Internet para observar y aprender de las acciones humanas. Este cambio es significativo, ya que abre nuevas avenidas para el desarrollo de la IA, haciendo que los robots sean más capaces de entender e imitar el comportamiento humano, lo que podría llevar a avances en diversas industrias.

À Karur, en Inde, Naveen Kumar utilise ses compétences pour aider à former des robots en démontrant des mouvements de main précis au lieu d'écrire du code. Cette approche innovante souligne comment l'IA évolue au-delà du simple traitement des informations sur Internet pour observer et apprendre des actions humaines. Ce changement est important car il ouvre de nouvelles voies pour le développement de l'IA, rendant les robots plus aptes à comprendre et à imiter le comportement humain, ce qui pourrait conduire à des avancées dans divers secteurs.

In Karur, India, Naveen Kumar is using his skills to help train robots by demonstrating precise hand movements instead of writing code. This innovative approach highlights how AI is evolving beyond just processing information from the internet to observing and learning from human actions. This shift is significant as it opens new avenues for AI development, making robots more adept at understanding and mimicking human behavior, which could lead to advancements in various industries.

AI has read everything on the internet, now it's watching how we live to train robots

Almost half of our attention during face-to-face conversation focuses on lip motion. Yet, robots still struggle to move their lips correctly. Even the most advanced humanoids make little more than muppet mouth gestures—if they have a face at all.

تعلم روبوت كيفية مزامنة الشفاه من خلال مشاهدة مقاطع الفيديو على يوتيوب، مما يعالج تحديًا كبيرًا في مجال الروبوتات حيث تكافح الروبوتات الشبيهة بالبشر غالبًا لتحريك شفاهها بشكل واقعي أثناء المحادثات. يسلط هذا التقدم الضوء على أهمية حركة الشفاه في التفاعل البشري، والتي تشكل ما يقرب من نصف الانتباه أثناء التواصل وجهًا لوجه.

Un robot ha aprendido a sincronizar los labios observando videos de YouTube, abordando un desafío significativo en la robótica donde los humanoides a menudo luchan por realizar movimientos realistas de los labios durante las conversaciones. Este avance destaca la importancia del movimiento de los labios en la interacción humana, que constituye casi la mitad de la atención durante la comunicación cara a cara.

Un robot a appris à synchroniser ses lèvres en observant des vidéos sur YouTube, ce qui répond à un défi majeur en robotique où les humanoïdes ont souvent du mal à reproduire des mouvements réalistes des lèvres lors des conversations. Cette avancée souligne l'importance du mouvement des lèvres dans l'interaction humaine, qui représente près de la moitié de l'attention lors des échanges en face à face.

A robot has learned to lip sync by observing YouTube videos, addressing a significant challenge in robotics where humanoids often struggle with realistic lip movements during conversations. This advancement highlights the importance of lip motion in human interaction, which constitutes nearly half of the attention during face-to-face communication.

Robot learns to lip sync by watching YouTube

arXiv:2601.06874v2 Announce Type: replace 
Abstract: Most existing 3D referring expression segmentation (3DRES) methods rely on dense, high-quality point clouds, while real-world agents such as robots and mobile phones operate with only a few sparse RGB views and strict latency constraints. We introduce Multi-view 3D Referring Expression Segmentation (MV-3DRES), where the model must recover scene structure and segment the referred object directly from sparse multi-view images. Traditional two-stage pipelines, which first reconstruct a point cloud and then perform segmentation, often yield low-quality geometry, produce coarse or degraded target regions, and run slowly. We propose the Multimodal Visual Geometry Grounded Transformer (MVGGT), an efficient end-to-end framework that integrates language information into sparse-view geometric reasoning through a dual-branch design. Training in this setting exposes a critical optimization barrier, termed Foreground Gradient Dilution (FGD), where sparse 3D signals lead to weak supervision. To resolve this, we introduce Per-view No-target Suppression Optimization (PVSO), which provides stronger and more balanced gradients across views, enabling stable and efficient learning. To support consistent evaluation, we build MVRefer, a benchmark that defines standardized settings and metrics for MV-3DRES. Experiments show that MVGGT establishes the first strong baseline and achieves both high accuracy and fast inference, outperforming existing alternatives. Code and models are publicly available at https://mvggt.github.io.

تم تقديم المحول متعدد الوسائط للجيوميتري البصرية (MVGGT) كإطار جديد لتجزئة التعبير المرجعي ثلاثي الأبعاد متعدد المناظر (MV-3DRES)، حيث يعالج القيود المفروضة على الأساليب الحالية التي تعتمد على سحب النقاط الكثيفة. يسمح MVGGT بالتجزئة مباشرة من الصور متعددة المناظر النادرة، مما يعزز الكفاءة والأداء في التطبيقات الواقعية.

Se ha presentado el Transformador Multimodal de Geometría Visual (MVGGT) como un nuevo marco para la Segmentación de Expresión Referencial 3D Multivista (MV-3DRES), abordando las limitaciones de los métodos existentes que dependen de nubes de puntos densas. MVGGT permite la segmentación directamente a partir de imágenes multivista escasas, mejorando la eficiencia y el rendimiento en aplicaciones del mundo real.

Le Transformateur Multimodal de Géométrie Visuelle (MVGGT) a été introduit comme un cadre novateur pour la Segmentation d'Expression Référentielle 3D Multivue (MV-3DRES), répondant aux limitations des méthodes existantes qui dépendent de nuages de points denses. MVGGT permet la segmentation directement à partir d'images multivues éparses, améliorant l'efficacité et la performance dans des applications réelles.

The Multimodal Visual Geometry Grounded Transformer (MVGGT) has been introduced as a novel framework for Multiview 3D Referring Expression Segmentation (MV-3DRES), addressing the limitations of existing methods that depend on dense point clouds. MVGGT enables segmentation directly from sparse multi-view images, enhancing efficiency and performance in real-world applications.

MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation

One More Thing in AI – Your Shortcut to AI Mastery

AI has read everything on the internet, now it's watching how we live to train robots

Was this article worth reading? Share it

One More Thing in AI

Humanize AI

Chattermate

AskTuring

AI Humanizer

LCW

Ready to build your own newsroom?