2023年，人形机器人迎来了高光时刻。

2023年人形机器人的产业巨变和背后推动力。

全国两会期间,作为医疗行业建设重点之一的“医疗信息化”受到关注,推进“智慧医疗+”体系建设、推进健康医疗数据共享等成为热门议题。

这项研究揭示了大语言模型中存在"空域"——在推理过程中几乎不活跃的神经网络层。研究者开发了L2自适应计算方法，无需额外训练即可准确识别这些空域。惊人的是，在Qwen2.5-7B模型上，跳过70%的层后性能反而从69.24%提升到71.29%；Mistral-7B在GPQA测试中跳过约30%的层后，准确率提高了4.48%。这表明不同模型层的贡献极不均衡，有选择地跳过"懒惰层"不仅能保持性能，有时甚至能提升结果，为未来模型优化提供了新思路。

NVIDIA研究团队开发了iGRPO训练方法，让AI学会像人类一样反复思考改进数学解答。该方法分两阶段：先生成多个解答选最佳，再基于最佳解答生成改进版本。在相同计算资源下，这种方法显著提升了AI数学推理能力，在权威数学竞赛中创造新纪录，AIME准确率达85.62%，已达顶尖人类学生水平，为AI系统学习复杂推理开辟新路径。

在全球计算演进与创新浪潮交汇之际，一场汇聚全球智慧、擘画未来计算图景的盛筵，于初秋的“北疆明珠”隆重启幕。这里是思想激荡与技术创新的汇流之所，也是中国高性能计算屹立于世界舞台的重要坐标。

上海交通大学与StepFun联合推出的OneIG-Bench是AI图像生成领域首个全维度评测基准，涵盖语义对齐、文字渲染、知识推理、风格化、多语言等六大维度，包含超过2400个测试案例。该研究对19个顶级AI模型进行了史上最全面的对比评测，发现GPT-4o综合表现最佳，Seedream 3.0在文字渲染方面独领风骚，揭示了当前AI模型的优势与不足，为未来技术发展指明了方向。

今年的re:Invent上，Andy Jassy再次为全球40多万名注册观众带来长达三小时的主题演讲，并且一口气发布27项创新的云服务和功能（当天总共发布43项新服务和功能），令到场的媒体和分析师惊叹。

马里兰大学研究团队推出DynaGuard，这是首个能理解用户自定义规则的AI守护模型。不同于只能识别预设类别的传统系统，DynaGuard能处理自然语言编写的任何规则，并提供详细解释帮助AI自我纠正。该模型基于40000个场景的DynaBench数据集训练，在传统安全任务和定制规则处理上都表现优异，为AI安全技术开辟了新方向。

Testin 云测正是在这时代变革的交汇点成立的。

当Google用AI为开发者减去了重复的编码、用全球化平台减去了出海的壁垒、用完善的生态减去了开发的繁琐，开发者被解放的，不仅是生产力，更是创造力。

这项研究提出了一种通过"替身模型"训练视觉编码器并实现零样本嫁接到大型语言模型的创新方法。研究团队分析发现大语言模型内部存在明显的处理阶段转折点，据此构建的替身模型保留早期处理层而压缩后期层。使用替身训练的视觉编码器可直接插入目标大模型而无需额外训练，或作为全面训练的高效起点。实验证明，这种方法不仅能将Llama-70B的训练成本降低约45%，还在部分基准测试中实现了超越全面训练的性能。

当Google用AI为开发者减去了重复的编码、用全球化平台减去了出海的壁垒、用完善的生态减去了开发的繁琐，开发者被解放的，不仅是生产力，更是创造力。

腾讯和清华研究团队首次从数学理论角度解释了为什么AI需要外部工具。研究证明纯文本AI存在"隐形枷锁"，无法突破预训练的能力边界，而工具集成能打破这种限制，让AI获得全新的问题解决策略。团队还开发了ASPO算法，解决了训练AI更早使用工具的技术难题。实验显示配备工具的AI在数学问题上全面超越纯文本版本，展现出三种新奇认知模式，为构建更强大的AI系统提供理论指导。

爱上一个虚拟偶像，从来就不是羞耻的事。

伊利诺伊大学研究团队开发出UGST框架，解决了用户模拟器在对话中频繁出现的目标错位问题。通过将用户目标分解为可跟踪的子组件并采用三阶段训练方法，使小型模型性能提升14.1%，甚至超越大型模型，为对话AI训练提供了更可靠的用户模拟解决方案。

ByteDance研究团队推出的M3-Agent是首个具备长期记忆能力的多模态AI代理。它能同时处理视频、音频信息，像人类一样积累经验和知识。系统采用情节记忆和语义记忆双重机制，以实体为中心组织信息，并通过多轮推理解决复杂问题。在专门构建的M3-Bench测试中，M3-Agent全面超越现有技术，为智能助手的发展开辟了新方向。

卫星在现代生活当中扮演着重要角色，对卫星的攻击亦被视为一种战争行为。但可怕的是，此类攻击也许已经出现。

以色列理工学院研究团队开发了AdaptiVocab技术，通过为大语言模型定制专业领域词汇表来提升AI效率。该方法将常见专业词汇组合（如"量子力学"）整合为单个处理单元，减少了25%以上的计算步骤，同时保持文本生成质量不变。这种"精工定制"思路为AI优化提供了新方向，有望显著降低专业领域AI应用的运营成本。

清华大学与英伟达合作提出DiffusionNFT，一种革命性的AI图像生成训练方法。该方法通过对比正负样本进行学习，避免了复杂的概率计算，训练效率比传统方法提升25倍。研究团队在多项测试中验证了其优越性，不仅大幅提升了图像质量和文字渲染能力，还实现了无需分类器引导的高效训练，为AI图像生成技术的普及和应用奠定了重要基础。