数字敏锐度已经成为战略业务的当务之急，尤其是对于那些IT遗产很少的现有企业而言。本文中，有多位CIO分享了他们是如何在整个组织中发展数字化和数据敏锐性的，以推动获得更好的支持、更多的IT资金和新的商机。

这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构，通过重新设计注意力机制，实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法，同时保持了较低的计算开销，为大语言模型的高效扩展提供了新思路。

诸如MES、ERP、PLM等智能工厂及其他智能工厂市场在2019年的估计价值约为1.54千亿美元，2019至2024年期以接近10％的年复合增长率上涨。

曼彻斯特机场集团正在寻找数据主导的技术，以帮助他的企业在运营活动和客户体验方面获得竞争优势。

这项由清华大学张嘉杰等人开发的AdaptThink算法，教会了AI推理模型根据问题难度自动选择思考模式。研究发现，对于简单问题，直接给出答案（NoThinking模式）不仅效率高，准确率还可能更好；而复杂问题则需要深入思考（Thinking模式）。通过强化学习技术，AdaptThink实现了智能切换：在三个数学数据集上，模型响应长度减少53%的同时准确率还提高了2.4%。这项研究为AI推理模型开辟了新思路，使它们更接近人类灵活思考的能力。

过去十年，科技行业有许多令人满意的发展。 我们不断看到许多技术上的进步和革新。例如，人工智能（AI）——在本世纪初被视为只有科幻小说里才会出现的技术，现在在我们的日常生活中几乎无处不在。

中国船舶集团有限公司第七〇三研究所针对海上平台、陆地终端、工业管网等领域燃气轮机机组，基于七〇三所70余年的燃气轮机研制及应用经验，引入大数据分析相关技术，研发了基于大数据技术的燃气轮机远程健康管理系统并开展了工业应用。

2022年9月1日，由国家互联网信息办公室公布的《数据出境安全评估办法》（以下简称《评估方法》）正式实施。

这项研究揭示了RAG系统中位置偏见的真实影响——虽然在受控环境中明显存在，但在实际应用中却微不足道。研究人员发现，先进的检索系统不仅会找出相关内容，还会将具有干扰性的段落排在前列，超过60%的查询中至少包含一个高度干扰段落。由于相关和干扰内容同时出现在检索结果前列，位置偏见对两者都有惩罚作用，从而抵消了偏见效应。因此，基于位置偏好的复杂排序策略并不比随机排序更有效，这一发现将优化方向从段落排序重新导向检索质量提升和模型抗干扰能力增强。

Sonar收购AutoCodeRover，旨在通过自主AI代理增强其代码质量工具。这项收购将使Sonar客户能够自动化调试和问题修复等任务，让开发者将更多时间用于改进应用程序而非修复bug。AutoCodeRover的AI代理能够自主修复有问题的代码，将与Sonar的工具集成，提高开发效率并降低成本。

想象一下，目前的大型AI模型就像一位米其林三星大厨，他做的菜肴美味无比，但需要一整天的时间和昂贵的食材才能完成一道主菜。而普通人只希望能在家里短时间内做出口味相近的菜肴。RADLADS技术就像是一种神奇的烹饪转换术，它能将米其林大厨的复杂食谱简化成快餐连锁店的标准制作流程，不仅保留了原汁原味，还将制作时间从一整天缩短到几分钟。

在不久的将来，数据将不仅仅以0和1的形式进行传输，而是通过可以同时存在于多种状态的粒子进行传递——物理法则将保护您的信息。这不是科幻，而是量子网络的承诺，正逐渐成为现实。量子网络将彻底改变数字世界，尤其是随着组织越来越依赖多云架构以实现灵活性和可扩展性。在探讨其对多云安全的影响之前，让我们先了解量子网络的基本概念及其工作原理。

复旦大学等机构联合提出ASVR方法，通过自回归语义视觉重构解决大型视觉语言模型过度依赖文字监督的问题。该方法让AI同时学习视觉和文本信息，在14个多模态理解基准上平均提升5个百分点。研究发现语义重构比像素重构更有效，且方法在不同架构、数据规模和分辨率下均表现稳健，为AI视觉理解能力提供了新的技术路径。

Smart Nation Group首席数字技术官概述了新加坡政府的云转型之旅，包括相应的云迁移方法以及如何在亚马逊云科技之上托管关键任务工作负载。

强化学习存在推理效率问题，阿里千问团队发明推理二八法则，解决AI选择困难症

在这个数据驱动的世界，数据中心是处理、存储和分发数据的关键场所。

MASKSEARCH是阿里巴巴集团同义实验室开发的新型预训练框架，通过创新的"检索增强掩码预测"任务，训练大型语言模型像人类一样主动使用搜索工具获取信息。这项框架包含两个阶段：首先在掩码预测任务上预训练，然后在下游任务上微调，大幅提升模型在开放域问答中的表现。研究采用监督微调和强化学习两种方法，结合多代理系统和课程学习策略，使AI能够自主分解问题、使用搜索工具并基于搜索结果进行推理。

美国多地执法机构对iPhone名片投送功能的隐私风险发出警告，但事实证明只是虚惊一场。

微软研究院新提出的"奖励推理模型"(RRM)为大型语言模型开创了全新评估方式。传统奖励模型对所有问题使用统一计算资源，而RRM能像人类一样先进行推理思考再做判断，对复杂问题投入更多思考资源。研究团队通过强化学习框架训练模型自主发展推理能力，无需显式示例。实验证明RRM在多个基准测试上表现优异，能自适应扩展计算资源提升判断准确性。该研究为AI评估系统带来范式转变，使人工智能判断更接近人类思考过程。

这项研究提出了"高效探测"方法，解决了掩码图像建模AI难以有效评估的问题。通过创新的多查询交叉注意力机制，该方法在减少90%参数的同时实现10倍速度提升，在七个基准测试中均超越传统方法。研究还发现注意力质量与分类性能的强相关性，生成可解释的注意力图谱，展现出优异的跨域适应性。团队承诺开源全部代码，推动技术普及应用。