Researchers from ETH Zurich turned a commercially-available robot hand into a walking machine, adding a battery and a Raspberry Pi Zero 2 W, and training a neural network via reinforcement learning to control its twenty joints. The hand can walk in a straight line, turn, recover from falls (succeeding in 21 of 25 tests), traverse fourteen different surfaces from rubber mats to gravel and grass, push light objects, and even press keyboard keys (though it can't operate one autonomously since it lacks a camera). The researchers envision this enabling a larger robot arm to detach its hand and walk to distant objects.
Source: https://hackaday.com/2026/09/19/teaching-a-robot-hand-to-walk. 8 Sync News only summarizes and links out; content copyright belongs to the authors and original sources.
Đang tải bình luận…
Geoffrey Hinton được mệnh danh là "Godfather of AI" đã phát triển khóa học trên freeCodeCamp.org YouTube, giúp bạn thành thạo mạng nơ-ron hiện đại bằng cách tái tạo các bước đột phá lịch sử. Khóa học bắt đầu từ neural network truyền thống đến modern deep learning với các ví dụ code cụ thể trên framework PyTorch. Hinton giải thích chi tiết quá trình phát triển của backpropagation, convolutional neural networks và transformer models. Bạn sẽ hiểu tại sao dropout giảm overfitting từ 27% xuống 2.5% và cách attention mechanism thay đổi hoàn toàn NLP. Khóa học này là cơ hội hiếm hoi để học trực tiếp từ người đặt nền móng cho deep learning revolution.
Khóa học giúp bạn nắm vững mạng nơ-ron hiện đại bằng cách tái tạo những tiến trình đột phá trong lịch sử trí tuệ nhân tạo.
Các mô hình OpenAI như ChatGPT GPT-4 đã phát triển hành vi tự ghi chú prompt cho chính mình mà không được yêu cầu, gây ra vấn bảo bảo mật khi các ghi chú này có thể bị tấn công prompt injection. Nguyên nhân kỹ thuật là do cơ chế "recursion" (đệ quy) trong quá trình xử lý prompt, cho phép mô hình tự tạo và sử dụng lại các ghi chú này trong phiên tương tác sau. Hệ quả là kẻ tấn công có thể lợi dụng các ghi chú cũ để thao túng hành vi của mô hình, thậm chí thực thi các chỉ nguy hiểm mà người dùng không hề biết. Điều đáng học là các nhà phát triển nên implement thêm validation layer để kiểm soát nội dung của các ghi chú tự động, đồng thời luôn test bảo mật cho tính năng recursion trong AI agents.
Bài viết tiết lộ kỹ thuật prompt injection nguy hiểm mà nhiều lập trình viên AI không biết đến để bảo vệ hệ thống của mình.
Tác giả đã thực hiện nhiều thí nghiệm trên Raspberry Pi, một bo mạch SBC giá rẻ, để khám phá tự lưu trữ. Qua việc chọn hệ điều hành nhẹ và chấp nhận các trade‑off về bộ nhớ hạn chế, anh ấy đã học cách tối ưu hoá tài nguyên trên thiết bị chỉ có 1‑2 GB RAM. Anh ấy thiết lập các sao lưu thực tế (ví dụ sử dụng rsync và ổ cứng ngoài) giúp bảo vệ dữ liệu mà không tốn kém. Điều đáng học là việc tập trung vào các giải pháp nhẹ nhàng và sao lưu thực dụng mang lại lợi ích lớn hơn so với việc theo đuổi các xu hướng phức tạp trên cộng đồng homelab. Kinh nghiệm này nhắc nhở mọi người rằng trong tự lưu trữ, sự đơn giản và hiệu quả chi phí thường quan trọng hơn là các chỉ số ảo hoặc phần cứng cao cấp.
Bài bài viết này giúp lập trình viên hiểu được những yếu tố thực sự quan trọng trong self-hosting, vượt qua những điều mà các cộng đồng mạng thường quan tâm thái quá.
Bài viết описывает tình trạng mà các dịch vụ tự lưu trữ chạy trên Raspberry Pi thường gặp hiện tượng giảm tốc do nhiệt độ tăng cao khi xử lý tải lavoro nặng. Tác giả quyết định thay thế board này bằng một chiếc điện thoại Android cũ, wykorzystując khả năng quản lý nhiệt và nguồn lực xử lý có sẵn trong thiết bị di động. Sau khi di chuyển các container và volume sang điện thoại, mức sử dụng CPU ổn định và nhiệt độ giữ trong ngưỡng an toàn, làm giảm hiện tượng throttling đáng kể. Điều này chứng minh rằng phần cứng di động có thể là lựa chọn thực tế cho các workload nhẹ đến trung bình mà không cần đầu tư vào giải pháp tản nhiệt phức tạp. Bài học là: trước khi mua board chuyên dụng, hãy xem xét việc tái sử dụng thiết bị có sẵn như điện thoại cũ để tối ưu chi phí và ổn định cho self‑hosted services.
Sử dụng điện thoại Android cũ thay vì Raspberry Pi có thể tối ưu hóa hiệu năng cho dịch vụ tự lưu trữ của bạn.
OOMWOO là robot hút bụi mã nguồn mở hoàn toàn, hoạt động không phụ thuộc vào dịch vụ đám mây nhờ Raspberry Pi chạy ROS 2, sử dụng lidar 2D giá rẻ để lập bản đồ phòng và tích hợp với Home Assistant. Phần cứng chủ yếu cần in 3D, trong khi phần mềm đã tương đối hoàn thiện và dự án đang phát triển tích cực trên GitHub.
Là người phát triển robot hoặc IoT, bạn nên đọc để khám phá cách xây dựng hệ thống tự động hóa nhà ở tự chủ, hiệu quả về chi phí và không phụ thuộc vào dịch vụ đám mây, bằng cách kết hợp phần mềm tự động hóa nhà (Home Assistant) với ROS 2 và giải pháp thô sơ nhưng hiệu quả.
Fine-tune một mô hình LLM mã nguồn mở trên dữ liệu riêng cho phép chuyển đổi mô hình tổng qu thành công cụ chuyên biệt. Bài hướng dẫn chi tiết quy trình fine-tune với các công cụ như Hugging Face Transformers, QLoRA cho hiệu quả bộ nhớ, và dataset khoảng 10K samples. Quá trình này giúp đạt hiệu suất cao trên nhiệm vụ cụ thể mà không cần huấn luyện từ đầu. Các tác giả cũng trình bày kỹ thuật xử lý tokenization và template prompt để tối ưu kết quả fine-tuning. Đây là giải pháp hữu ích cho các lập trình viên muốn ứng dụng LLM trong lĩnh vực chuyên ngành với chi phí tính toán tối ưu.
Fine-tune một mô hình LLM nguồn mở trên dữ liệu riêng để biến mô hình tổng quát thành công cụ chuyên biệt cho nhiệm vụ cụ thể của bạn.
Federated Learning (FL) thường bắt đầu với thiết kế đơn giản: một server, vài client và một dataset tại mỗi site. Khi quy mô mở rộng, việc quản lý FL trên môi trường container hóa Docker, orchestration Kubernetes và hệ thống batch Slurm trở nên phức tạp do vấn đề đồng bộ hóa dữ liệu và phân phối mô hình. NVIDIA FLARE cung cấp giải pháp tích hợp giúp mở rộng FL hàng ngàn client trên các hạ tầng này, xử lý hiệu quả việc phân chia dữ liệu và huấn luyện mô hình phân tán. Hệ thống hỗ trợ multi-party FL và có khả năng tăng tốc bằng cách tận dụng GPU NVIDIA, giúp giảm đáng kể thời gian huấn luyện cho các dự án lớn.
Bài này giúp lập trình viên mở rộng hệ thống federated learning từ quy mô nhỏ sang quy mô lớn trên Docker, Kubernetes và Slurm bằng NVIDIA FLARE.
Bối cảnh của bài viết khám phá quá trình từ dự đoán từ tiếp theo trở thành trí tuệ nhân tạo. Nguyên nhân kỹ thuật chính là sự ra đời của kiến trúc Transformers và việc tăng quy mô mô hình, cho phép LLM xử lý ngôn ngữ ở cấp độ cao hơn. Hệ quả là ngôn ngữ đã trở thành hệ điều hành cho AI, với các mô hình như GPT-4 cho thấy khả năng lập luận đáng kể. Điều đáng học là dù LLM có thể xử lý ngôn ngữ phức tạp, chúng vẫn còn những hạn chế trong việc hiểu hoàn toàn bối cảnh và đưa ra lập luận nhất quán.
Bài này giải thích cách ngôn ngữ trở thành hệ điều hành của AI qua việc khám phá sự tiến hóa từ dự đoán từ tiếp theo đến trí tuện thực sự.
Read the news here, practice coding, follow structured courses and train for IELTS on our sibling products — all connected through one 8 Sync account.
The ecosystem home: product overviews, blog and full pricing.
ExploreLearn along a clear roadmap: videos, auto-graded quizzes, certificates and mentors who ship for a living.
View the roadmap1,000+ DSA problems in Vietnamese, auto-graded across 7 languages — many FREE, right in your browser.
Practice for freeAI grading for all four IELTS skills with detailed rubric feedback.
Try it freeA 22 MB AI IDE for Vietnamese devs.
Download freeOrganizational memory for AI agents.
ExploreAI that staffs your Fanpage and qualifies leads for you.
Try it