Microsoft和Georgia Tech研究团队开发了SlimMoE技术，能将超大AI模型压缩到原来的10-20%大小而性能基本不变。该技术采用多阶段渐进式压缩，保留所有专家模块但精简内部结构，成功将419亿参数的模型压缩为76亿和38亿参数版本，让原本需要企业级硬件的AI能力可在普通电脑上运行，大大降低了AI技术使用门槛。

我们和很多人谈到了英特尔的Ruler SSD和三星“迷你Ruler”SSD，其中我们从Infinidat那里得到了一些有趣的观点。

SAP实验室研究团队开发了DIAFORGE系统，通过三阶段训练显著提升AI助手在企业环境中的工具调用准确性。该方法专门解决AI助手面对相似工具时的选择困难，通过模拟真实企业场景训练AI主动澄清用户需求。实验结果显示，经过训练的模型比GPT-4o和Claude-3.5-Sonnet分别高出27和49个百分点，为企业AI助手的实际应用提供了重要突破。

联邦学习作为新一代人工智能技术应运而生，从源头出发解决数据隐私保护和数据安全问题。

在资源有限、客户期望高涨和新技术快速涌现的环境下，IT领导者需要以更少资源实现更大影响。本文介绍四个核心策略：消除浪费、简化工作流程、标准化运营模式和有目的地应用自动化。通过重新评估软件许可、闲置基础设施和定制解决方案来消除浪费；将复杂流程文档简化为一页摘要；建立标准化运营模式提高团队协作效率；战略性地实施自动化解决关键瓶颈。这些策略能够在不增加人员或预算的情况下扩展IT能力，改善服务质量，并与业务目标保持一致。

卡内基梅隆大学研究团队开发出FLARE技术，这是一种革命性的AI计算方法，通过"压缩"思维过程让AI在处理复杂三维模型时速度提升200倍，准确度更高。该技术采用固定长度潜在序列路由注意力，成功突破传统自注意力机制的计算瓶颈，能在单GPU上处理百万级数据点，为工程设计、医疗器械等领域带来重大效率提升。

基于云的软件即服务利用安全认证 IC实现自助式定制PKI，简化现场配置和物联网设备生命周期管理

想象你有一个超级聪明的朋友，能看懂图片并回答关于图片的问题。但这位朋友有个古怪的习惯：无论你给他看什么图片——简单如一张白纸上的小圆点，还是复杂如一整个城市街景——他都会花同样多的时间仔细研究。这听起来很奇怪，对吧？为什么简单的图片不能更快处理完成呢？

腾讯等机构提出Composition-RL方法，通过将多个简单问题组合成复杂问题来提升大语言模型推理能力。该方法解决了AI训练中"太容易题目"无效的问题，在4B-30B参数模型上获得3-10%性能提升，特别是跨学科组合训练效果显著，为AI训练资源高效利用提供新思路。

Meta研究团队推出MetaEmbed技术，通过创新的"元标记"设计解决了AI搜索中速度与精度难以兼得的问题。该技术将内容分层组织成多个智能向量，用户可根据需求灵活选择搜索精度。在大规模测试中，MetaEmbed显著超越现有方法，为多模态内容检索提供了新的解决方案。

腾讯推出新AI模型"混元Turbo S"，定位为"快思考模型"，旨在与DeepSeek-R1等"慢思考模型"竞争。该模型通过提高输出速度和减少首字延迟，实现近乎"即时回复"。混元Turbo S融合了直觉式短思考链和理性推理长思考链，在数学、推理和知识等方面表现可比肩主流AI模型。腾讯采用混合Mamba-Transformer架构，提高效率并降低成本，有望成为未来基础模型的核心。

首尔大学研究团队发布RelayGen技术，通过智能的段落级模型切换实现AI推理加速。该方法基于观察发现：AI长篇推理过程中难度不均，通过识别话语线索词来判断切换时机，让大模型处理复杂推理、小模型处理简单总结。实验显示可实现2.2倍速度提升，准确率损失仅2%，且无需额外训练，部署简单，与现有加速技术兼容性好。

随着新一波大型语言模型的出现，AI 竞争日益激烈。OpenAI、Anthropic 等公司推出的新模型不仅重塑了我们的工作和交流方式，还影响着全球权力格局。在这场竞争中，一个新问题浮现：AI 模型能否同时变得更智能、更快速、更经济？未来的 AI 可能不再依赖海量数据，而是通过创新机器学习方法来提高数据效率，实现更智能、更高效的发展。

企业在处理大数据时应避免各类陷阱。

2025年第一季度网络攻击激增126%，英国新法案要求数据中心强制报告网络安全事件。现代威胁已演变为同时攻击IT和OT系统，而许多数据中心的备用电源系统仍使用90年代的过时技术。电池储能系统(BESS)通过分布式架构、加密通信和自主运行能力提供网络弹性防护。BESS即服务模式将网络安全维护转移给专业提供商，同时通过需求响应和能源套利创造收益。随着全球法规要求将网络安全与能源安全相结合，数据中心需要现代化基础设施来应对日益严峻的威胁环境。

OpenAI开源了Transformer Debugger，这是一个可视化工具，用于帮助开发者调测和理解大型语言模型的推理过程。工具通过可视化展示模型的神经元、注意力机制和自编码器的激活情况，提供对模型行为的解释。Transformer Debugger包括神经元观察器、激活服务器、模型库和汇总激活数据集等组件。

自2010 年以来，Check Point 解决方案第 18 次获得“NSS 推荐”评级

这项由浙江大学和新加坡国立大学合作开发的RelationAdapter研究提出了一种新型轻量级模块，使扩散变换器(DiT)模型能从视觉示例对中学习并应用视觉转换关系。研究团队创建了包含218种多样编辑任务的Relation252K数据集，并通过位置编码克隆等创新技术实现了高保真图像编辑。实验表明，该框架在低层次图像处理、风格迁移、图像编辑和定制生成等任务上均优于现有方法，为视觉提示驱动的图像编辑开辟了新途径。

HPE对其Juniper网络平台进行重大创新，通过增强Mist AI平台的智能体AI功能，实现更自主、智能和主动的网络运营。新功能包括AI驱动的故障排除、扩展的自驱动操作可视性控制、通用大型体验模型和数据中心AIOps功能。Marvis AI引擎获得增强对话能力，可进行实时故障排除和自主修复网络问题。该平台能分析数十亿数据点，预测应用性能问题并提前优化，助力IT团队从被动转向主动管理模式。

这项研究提出了一种名为"断点思维链推理"的创新方法，颠覆了大语言模型中"完整思考过程必不可少"的传统观念。研究表明，在思考链中途截断并直接生成答案竟能达到甚至超过完整推理的准确率，同时显著节省计算资源。基于此，研究者开发了"断点采样"框架，在思考轨迹数量、每轨迹解答数量和思考截断深度三个维度上灵活分配资源。在多个复杂推理基准测试中，断点采样实现了更优的准确率与计算成本平衡，为资源受限环境下的AI部署提供了实用解决方案。