2026. szeptember 16., szerda · Eszközök

Az Agility Robotics bemutatta a Digit 5 humanoid robotot, amely védőkorlát nélkül dolgozhat emberek mellett

Az Agility Robotics szerint új humanoid robotja, a Digit 5, mesterséges intelligenciás érzékelőkkel felismeri a közelben lévő embereket, és megáll vagy kitér előlük, miközben vizuális és hangjelzéssel is figyelmeztet. A cég állítása szerint a Digit 5 akár 22,7 kg-ot is emelhet, ami 40 százalékkal több elődjénél, akkumulátora 9 perc alatt tölthető és 90 perces üzemidőt ad, ami a vállalat szerint napi 20 óránál is több munkavégzést tesz lehetővé. Az Agility az Nvidia Halos robotikai biztonsági platformjának első partnere, és a cég szerint a korábbi Digit 4 volt az első humanoid robot, amely önálló OSHA-biztonsági felülvizsgálaton ment át gyártósoron. A vállalat több mint 300 millió dollár értékű megrendelésről beszél, az első szállítások 2027 elején kezdődnek, köztük az EU-ban, az Oregon állambeli salemi gyárból, amely évi 10 ezer darab kapacitással rendelkezik.

Miért fontos?

A Digit 5 az Nvidia Halos platform első ipari alkalmazása, ami precedenst teremthet a humanoid robotok gyári biztonsági minősítésében.

Források

The Decoder

Említve a tudásbázisban

szereplő Nvidia

Kapcsolódó témák

Napi összefoglalók AI eszközök #Agility Robotics#Nvidia Halos

Napi összefoglaló

Ez a hír a 2026. szeptember 16., szerda napi AI összefoglaló része.

Kapcsolódó hírek

NVIDIA NVLink 6: többrétegű hibatűrés az AI-gyárak számára

Az NVIDIA saját technikai blogján ismertette az NVLink 6 új, hibatűrő architektúráját, amely a vállalat állítása szerint natívan veszteségmentes hálózatot biztosít az AI-infrastruktúrákhoz. A cég szerint a hibrid előrehaladó hibajavítás, a fizikai rétegbeli újrapróbálkozás és az UPHY-helyreállítás szinte nulla késleltetési büntetéssel javítja a jelhibákat, míg a kreditalapú áramlásvezérlés eleve kizárja a csomagvesztést. Az NMX vezérlő „elzár és lecsapol” állapota és a nagy rendelkezésre állási funkció állítólag másodperceken belül izolálja a hibákat és migrálja a vezérlési funkciókat. A cég közlése szerint az NVIDIA Dynamo Shadow Engine Recovery funkciója B200 GPU-kon 7,3 másodperc alatt állítja helyre az inferenciakapacitást a hidegindítás 283 másodpercéhez képest, az NCCL cuda-checkpoint prototípusa pedig év végére válhat általánosan elérhetővé. Az NVLink Fusion ugyanezt a hibatűrési rétegkészletet terjeszti ki külső fejlesztésű XPU-kra is.

Grab: egy óra alatt production-ba állítható AI-ügynök az LLM-Kit keretrendszerrel

A Grab, a délkelet-ázsiai fuvarszervező és házhozszállító vállalat mérnöki blogbejegyzése szerint a cég több mint 500 belső ügynökszolgáltatást szabványosított az LLM-Kit nevű belső keretrendszeren. A vállalat állítása szerint egy új AI-ügynök szolgáltatás production környezetbe illesztése ma körülbelül egy órát vesz igénybe, korábban két hetet vagy annál többet igényelt. A keretrendszer automatikusan létrehoz egy FastAPI szolgáltatást LangGraph ügynökmodulokkal, OpenTelemetry nyomkövetéssel, Vault titokkezeléssel, szolgáltatás-felfedezéssel, valamint egy kiértékelési végponttal, amely ROUGE és BLEU mutatókat, illetve egy másik modellt használ értékelőként. Az eszközöket az ügynökök futásidőben, több mint 50 Model Context Protocol szerverről érik el, a modellhívásokat pedig az OpenAI-kompatibilis GrabGPT Gateway közvetíti öt szolgáltató felé, hitelesítő adatok automatikus befecskendezésével.

AWS útmutatót adott ki termékcímkéző AI rendszer építéséhez SageMakerrel

Az AWS hivatalos blogbejegyzése egy gyakorlati útmutatót mutat be arra, hogyan lehet automatizált termékcímkéző rendszert építeni kiskereskedelmi katalógusokhoz az Amazon SageMaker szerver nélküli modell-testreszabási funkciójával. A leírás szerint a Qwen3-8B nyílt súlyú modellt előbb felügyelt finomhangolással (SFT), majd ellenőrizhető jutalmakon alapuló megerősítéses tanulással (RLVR, GRPO algoritmussal) optimalizálják egy rögzített címketaxonómiára. Az AWS állítása szerint ez a megközelítés jobban illeszkedik a szűk, programozottan pontozható feladatokhoz, mint egy általános célú frontier modell promptolása, mivel nem kell fizetni olyan széles körű képességekért, amelyekre a munkafolyamatnak nincs szüksége. A betanítást a SageMaker szerver nélkül kezeli, a végleges modellt pedig Amazon SageMaker Asynchronous Inference szolgáltatással telepítik kötegelt katalógus-feldolgozásra. A cikk technikai lépéseket és AWS-erőforrás-igényeket is részletez, IAM-jogosultságoktól kezdve az S3-tárolóig.

AWS nyolclépéses útmutatót adott ki a generatív AI testreszabásához

Az AWS hivatalos blogbejegyzése egy nyolclépéses döntési keretrendszert mutat be, amellyel a fejlesztők eldönthetik, milyen mélységű testreszabás szükséges egy generatív AI-feladathoz az Amazon Bedrock platformon. A bejegyzés szerint a testreszabási spektrum három fő kategóriára oszlik: a modell változtatás nélküli használata jobb promptokkal, a dokumentumok bevonása retrieval augmented generation (RAG) technikával, illetve a finomhangolás vagy teljesen egyedi modell betanítása. Az AWS azt állítja, hogy a csapatok gyakran rossz döntést hoznak: túl korán nyúlnak finomhangoláshoz, amikor egy jól megírt prompt is elég lenne, vagy éppen ellenkezőleg, hetekig ragaszkodnak a prompt-optimalizáláshoz olyan feladatoknál, amelyek valójában dedikált tanítóadatot igényelnének. A cég szerint mindkét hiba plusz számítási költséggel, csúszó határidőkkel és a megrendelők bizalmának elvesztésével jár. A bejegyzés az Anthropic Claude, az Amazon Nova és a Meta Llama modellek Bedrock-on keresztüli elérhetőségét említi konkrét példaként.