一旦人工智能达到通用智能(AGI)或超级智能(ASI)水平，人类将无法逆转回传统AI。AGI与人类智力相当，ASI则超越人类智慧。由于人类会对此类AI产生依赖，且AGI/ASI具备自我保护能力，通过全球禁令、内置终止开关或控制措施都难以有效阻止。AI末日论者担心existential风险，而AI加速主义者认为将解决人类问题。唯一可能的逆转机会是AGI/ASI主动选择关闭自己以拯救人类。

随着AI成为其业务战略中不可或缺的一环，Autodesk正在从实验阶段过渡到完整的生产环境，通过精心规划和跨职能协调来应对AI的变革潜力。

人工智能技术的出现，给整个医药领域带来了巨大的变革。

好莱坞正在加入开源运动。近日，奥斯卡的组织方——美国电影艺术与科学学院宣布已经与Linux Foundation合作，为娱乐业的开源项目打造一个家。

这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限，通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布，指导模型何时何地进行反思性探索，在数学推理任务上展现出显著优势，比基线方法减少高达50%的标记使用量，同时提高了准确率。这一研究不仅解释了"为什么反思有用"，还提供了实用的指导原则，为AI系统的自适应推理能力开辟了新方向。

数据中心将如何在满足数字化转型日益增长的算力需求的同时，步入绿色、节能、减排的可持续发展道路？为此Supermicro公司市场营销与网络安全副总裁Michael McNerney，向我们介绍了当前国际及国内数据中心绿色减排技术发展趋势

近日,首届人工智能国家标准化组织——全国信息技术标准化技术委员会人工智能分技术委员会(SAC/TC28/SC 42)正式成立,云从科技入选首批委员单位。

职场正在经历一场悄然的变革。最新盖洛普研究显示，虽然算法工具越来越普及，27%的员工经常使用AI工具，但员工对与AI系统协作的准备度却在下降。欧盟AI法案强调透明度，要求用户了解何时与AI交互。研究提出"双重素养"概念，即同时具备人类和算法领域的流利度。成功的人机协作需要信任校准，在过度依赖和充分利用AI能力之间找到平衡。组织文化需要培养好奇心、同理心、创造力和勇气四种品质，以实现有意识的人机协作。

如果已经将Jetbot智能小车组装好的话，现在就可以开始执行Jetbot提供的实验，在接下来的操作都在以下环境中执行。

Google正式发布了这一蓝图的下个篇章——Cloud AutoML Vision，让任何人都可以通过上传一组示例并单击几个按钮来构建自己的深度学习计算机视觉模型。在一个点击式深度学习的世界中，AI的未来可能会是什么样的？

随着数据和AI技术的不断发展，数智基建将成为支撑企业数字化转型的关键基石。通过加强生态合作，企业不仅能更好地应对不确定性带来的挑战，还能在快速变化的市场环境中抓住机遇，实现持续的增长与创新。

这项研究由人民大学与中科院联合团队开发的STAR-R1，通过创新的强化学习方法显著提升了AI的空间变换推理能力。与传统监督学习不同，STAR-R1采用细粒度奖励机制让AI学会像人类一样思考，在物体属性变化识别任务中取得了61.4%的准确率，远超GPT-4o等顶级模型。研究发现AI在训练中展现出人类般行为模式：面对简单场景快速判断，遇到复杂视角变化则全面比较所有物体。这一突破不仅在所有11个评估指标上表现最佳，尤其在跨视角场景中比传统方法高出23%，为AI空间认知发展提供了新方向。

2024年全球公有云终端用户支出预计将从2023年的5636亿美元增长20.4%，达到6788亿美元。

2023年9月13日-15日，2023 SuperMap开发者大会(2023 SuperMap Developer Conference，简称SDC 2023) 将在线举办。

对今天的企业来说，数字化转型已成为应对正在变化世界的一个新演化节点。

Check Point 在恶意软件防御、漏洞攻击防御、安全配置管理、数据安全、移动安全和零信任框架调整方面获得了最高分

谷歌公司的科学家们研究出一种新的计算机视觉方法，用于实现手部感知。该方案能够在实机实验中仅凭一帧图像识别出一只手（或者多只手）上的21个3D点位。只要在手机上就能进行实时追踪，并且还能同时追踪多只手，可识别遮挡。

UniR（Universal Reasoner）是一种创新的推理增强方法，可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发，该方法将推理能力分解为独立的轻量级模块，无需改变主模型结构。UniR的核心优势在于高效训练（仅更新小型推理模块）、出色的模型间迁移能力（小模型可指导大模型）以及模块组合能力（多个专用模块可通过logits相加组合使用）。在数学推理和翻译测试中，UniR显著超越现有微调方法，展示了轻量级模块如何有效增强大语言模型的推理能力。

孤独症（又称“自闭症”）儿童，常被称为“星星的孩子”，因为他们就像天上的星星，在遥远而漆黑的夜空中独自闪烁着。

华盛顿大学与西华盛顿大学的研究团队合作开发了VisualSphinx——一个包含66万个合成视觉逻辑谜题的大规模数据集，用于提升视觉语言模型的逻辑推理能力。通过四阶段流程：种子问题收集、规则遗传算法扩展、程序化图像合成和谜题组装，团队以不到1000美元的成本创建了这一资源。实验证明，使用该数据集进行强化学习的模型在逻辑推理任务上的表现显著提升，甚至超越了多款封闭源模型，且这种能力可迁移至其他视觉推理任务。