浙江大学研究团队提出HBPO框架，通过分层预算探索让AI模型学会根据问题复杂度自适应调整推理深度。该方法在四个数学基准上实现了60.6%的词汇使用减少和3.14%的准确率提升，展现出智能资源配置的适应性行为，为大规模推理模型的高效部署提供了新思路。

ViStoryBench是一个全面的故事可视化评估基准，由StepFun团队打造，用于测试AI将文字故事转化为连贯图像序列的能力。它包含80个多样化故事和344个角色参考，评估包括角色一致性、提示遵循度等多个维度。研究测试了20多种方法，发现UNO在开源方法中表现最佳，而商业软件如豆包和GPT-4o在提示一致性方面表现突出。该基准为故事可视化研究提供了统一标准，推动这一领域的创新发展。

这项由法国中央理工大学等欧洲多所知名机构联合开展的大规模研究，通过训练38个模型和超过15000次实验，深入比较了两种主流语言模型训练方法的优劣。研究发现传统的掩码语言建模仍占优势，但提出了创新的双阶段训练策略，为大语言模型训练提供了重要指导。

英特尔宣布其最强大的最新神经拟态研究系统Pohoiki Springs已准备就绪，将提供1亿个神经元的计算能力。

今天的大数据分析市场与几年前的市场截然不同，正是由于海量数据的暴增，未来十年，全球各行各业都将发生变革、创新和颠覆。

据Flexera的报告，87%的企业接受了多云，72%的企业拥抱了混合云。在这个混合云的世界，企业拥有更多的数据，这些数据散布在更多的地点、应用和平台上。企业在充分利用混合多云策略优势的同时，也面临着数据管理和保护方面的新挑战。

IBM一直在研究重塑人工智能计算方式的方法。

香港科技大学研究团队开发出突破性的混合辐射场技术，成功解决了3D渲染中内存占用过大的难题。该技术巧妙结合神经网络智能和3D高斯溅射效率，将模型大小减少20倍以上，同时保持高质量图像效果和实时渲染速度。通过双重神经网络分别处理几何和外观信息，配合创新的混合渲染流程，为虚拟现实、游戏开发等领域带来革命性改进。

人工智能(AI)和机器学习可以通过许多方式提高我们世界的生产力和效率。甚至啤酒厂都可以利用人工智能提高啤酒产量。

伊利诺伊大学团队提出Re-Bottleneck框架，解决了音频AI系统只关注重现质量而忽视任务适应性的问题。该方法在预训练模型内部添加轻量级"翻译器"，无需重新训练整个系统就能为其添加有序性、语义理解和等变性等新功能。实验显示，该技术训练成本仅为原系统的0.33%，却能显著提升下游任务性能，为AI音频处理提供了高效的定制化解决方案。

微软研究院与中国科技大学合作开发的高斯变化场扩散模型，实现了从单个视频快速生成高质量动态3D内容的突破。该技术将传统需要数小时的3D动画制作过程缩短至4.5秒，通过创新的变分自编码器和扩散模型设计，有效解决了4D内容生成中的数据构建困难和高维度建模挑战，在多项评估指标上显著超越现有方法，为电影制作、游戏开发、虚拟现实等领域提供了革命性的内容生成工具。

全球领先的信息技术研究和顾问公司Gartner发布的最新数据显示，全球公有云服务市场将从2018年的1824亿美元增至2019年的2143亿美元，增幅达17.5%。

日前，世界领先的开源解决方案供应商红帽公司宣布与英特尔合作，设计推出最新的工业边缘平台，为构建和运行工业控制提供现代化的方法。

现在的所有迹象都表明，万事达卡提倡的基于“五C”法（英文单词“社区、共同愿景、跨功能、文化和尖端”都是以C开头，详见下文）创建团队的愿景是可行的。

为发挥标准在规范数据基础设施建设、促进数据资源高质量供给、推动数据高效有序流通、引领数据技术迭代创新、形成多元数据融合应用新格局的基础和支撑作用，围绕数据治理、数据流通利用、数字化转型、数据技术、数据基础设施等重点领域，全国数据标准化技术委员会提出了2024—2025年拟制修订的37项重点标准项目。

IBM将以46亿美元现金收购软件公司Apptio。

IDC的融合系统领域分为三个细分市场：认证参考系统及集成基础架构、集成平台以及超融合系统。

这项研究提出了π?方法，通过置换等变架构解决了传统3D重建技术依赖固定参照系的问题。该方法让每个摄像机独立描述场景，无论输入顺序如何都能产生一致结果，在多个任务上达到最先进性能，同时具有出色的鲁棒性、可扩展性和训练效率，为AR、自动驾驶等应用领域带来新可能。

这项研究提出了GLEAM，一种用于复杂3D室内场景主动建图的可泛化探索策略。研究团队首先构建了包含1,152个多样化场景的GLEAM-Bench数据集，然后设计了融合语义表示、长期目标规划和随机化训练的探索策略。在128个未见过的复杂场景测试中，GLEAM实现了66.50%的覆盖率，比最佳基线方法高出9.49%，同时提供更高效的轨迹和更精确的地图。这一突破为未知环境中的自主探索与建图开辟了新途径。

这项由Gensyn、纳沙泰尔大学和代尔夫特理工大学联合研究的突破性成果，解决了大型AI模型训练中机器故障导致的巨大损失问题。研究团队开发的CheckFree方法无需备份即可快速恢复故障阶段，利用相邻层参数的加权平均重建丢失部分。升级版CheckFree+通过乱序管道执行技术还能处理边界层故障。实验显示该方法在低中故障率下比传统方案快12%以上，为AI训练民主化提供了重要技术支撑。