AgiBot is using AI-powered robots to do new manufacturing tasks. Smarter machines may transform physical labor in China.

AgiBot، شركة ناشئة صينية، تحدث ثورة في قطاع التصنيع من خلال دمج تكنولوجيا الذكاء الاصطناعي مع الخبرة البشرية لتدريب الروبوتات على مهام جديدة. لا تعزز هذه الطريقة المبتكرة الكفاءة فحسب، بل لديها أيضًا القدرة على تحويل مشهد العمل البدني في الصين، مما يجعلها تطورًا مهمًا في الصناعة.

AgiBot, una startup china, está revolucionando el sector manufacturero al combinar tecnología de IA con la experiencia humana para entrenar robots en nuevas tareas. Este enfoque innovador no solo mejora la eficiencia, sino que también tiene el potencial de transformar el panorama del trabajo físico en China, lo que lo convierte en un desarrollo significativo en la industria.

AgiBot, une startup chinoise, révolutionne le secteur de la fabrication en combinant la technologie IA avec l'expertise humaine pour former des robots à de nouvelles tâches. Cette approche innovante améliore non seulement l'efficacité, mais a également le potentiel de transformer le paysage du travail physique en Chine, ce qui en fait un développement significatif dans l'industrie.

AgiBot, a Chinese startup, is revolutionizing the manufacturing sector by combining AI technology with human expertise to train robots for new tasks. This innovative approach not only enhances efficiency but also has the potential to transform the landscape of physical labor in China, making it a significant development in the industry.

Meet the Chinese Startup Using AI—and a Team of Human Workers—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

Meet the Chinese Startup Using AI—and a Team of Human Workers—to Train Robots

Was this article worth reading? Share it

One More Thing in AI

Humanize AI

Chattermate

Snapshot AI

HoverBot

Teammately

Ready to build your own newsroom?