已经举办七年的MWC上海大会于6月29日傍晚落下了帷幕，为此三天的此次大会既是全球主流电信运营商的舞台，也是全球主流设备厂商的秀场，更是呼之欲出的5G T台。

腾讯混元团队推出革命性AI系统Hunyuan-GameCraft，能根据键盘鼠标操作实时生成对应游戏画面。该系统统一处理各种输入信号，采用混合历史条件训练保持长期一致性，通过模型蒸馏实现近实时响应。基于100多款3A游戏数据训练，在控制精度和视觉质量上显著超越现有方法，为交互式内容创作开辟新路径。

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。

女性加上科技，大家觉得这样很酷。

华为中国政企业务总裁吴辉在会上发表了题为《为行业找技术，深入场景创造价值》的主题演讲，重点分享了华为基于多年的探索和实践总结出的行业数字化转型的方法论和企业转型成功秘诀。

美国陆军研究实验室机动与机动性事务AI与机器学习应用性能管理负责人John Fossaceca最近在一场AI大会上发表演讲，分享了“AI如何应对各类日常场景？”，同时也介绍了“美国陆军的自主机器人乃至其他机器的未来发展方向”。

AI技术革命会首先在哪个领域突破呢？“教育绝对能排行前三”,松鼠AI联合创始人兼CEO周伟如是说.

阿联酋穆罕默德·本·扎耶德人工智能大学研究团队开发出轻量级语音合成系统LLMVoX，仅用3000万参数就能让任何大语言模型获得流式语音输出能力。该系统实现475毫秒超低延迟，词错误率仅3.7%，支持多语言扩展，可与视觉语言模型集成，为AI语音交互提供了"即插即用"的革命性解决方案。

《连线》杂志创始主编凯文·凯利发表了《What is Next》的主题演讲。凯文·凯利被看作是“网络文化”的发言人和观察者，他的书可能大家也很了解，《失控》《科技想要什么》和《必然》等书籍，影响了很多信息科技领域的从业者，人们也经常亲昵地称他为KK，

西安交通大学研究团队首次发现视频检索系统存在恶意推广漏洞，攻击者可通过在视频中添加微小变化来操控搜索结果排名。研究提出ViPro攻击方法和MoRe技术，实验显示在白盒/灰盒/黑盒场景下攻击成功率分别比现有方法高出30%/10%/4%。这种攻击具有隐蔽性强、转移性好的特点，现有防御措施效果有限，对视频平台安全构成严重威胁。

约翰霍普金斯大学团队开发了VLV系统，仅用1000美元成本就能达到GPT-4o级别的AI图像描述效果。该系统巧妙组合现有的视觉编码器、扩散模型和语言模型，通过两阶段训练实现高质量图像描述。测试显示VLV在重建质量和人类评价方面与顶级商业模型相当，同时具备出色的空间理解和创意组合能力，为AI技术普及化提供了新思路。

这项由哈工大深圳与阿里巴巴联合研发的AniMaker系统，能够仅凭文字描述自动制作多角色动画片。系统采用四个AI智能体协作模式，模拟专业动画制作流程，引入蒙特卡洛树搜索算法优化视频片段选择，并首创AniEval动画专用评价体系。实验显示该系统在各项评价指标上均超越现有方法，为AI创意应用开辟新方向。

Aquanaut代表着一种全新设计，其创造者是一家名为Houston Mechatronics（简称HMI）的初创企业，该公司希望借此彻底颠覆海底机器人技术。

2018年，行业云发展趋势更为明显，每个行业都逐渐形成了自身行业的云计算落地流程和样板案例，极大的促进了私有云建设的落地。同样私有云模式也正在改变着行业企业的业务模式和发展方式。

中科院团队发布BaseReward多模态奖励模型，通过系统性实验建立了构建高性能多模态奖励模型的完整方法论。该模型采用简洁的两层架构设计，在精心筛选的280万偏好数据上训练，在多个权威基准测试中创下新纪录，准确率提升超过11%。研究还发现纯文本数据能显著提升多模态判断能力的重要现象，为AI对齐技术发展提供了重要指导。

OpenAI最近发布了自定义版本的ChatGPT，允许各家组织更轻松地以灵活方式使用生成式AI——但辩证法告诉我们，不存在只有积极作用的事物。

清华团队发现扩散变换器的位置解耦特性，开发出免费的AI图像个性化框架"Personalize Anything"。该技术通过简单的令牌替换和时间步自适应策略，实现高质量的物体定制生成，支持多物体组合、布局控制和图像编辑，在保持身份一致性的同时大幅提升生成效率。

印度理工学院团队开发出MPA模型对等对齐器，这是一种革命性的AI训练方法，能让小型视觉语言模型在无需人工标注数据的情况下，通过大模型指导显著提升性能。该技术通过三步法实现知识传递：大模型自动出题答题、精准识别知识差距、针对性强化训练。实验显示小模型性能提升高达15.2%，成本仅为传统方法的几十分之一，为AI技术普及开辟新路径。

微软研究院推出VIBEVOICE，这是一种革命性的AI语音合成技术，能够一次性生成长达90分钟的多人对话音频。

波士顿大学研究团队开发出Audio2Face人工智能系统，能够仅通过音频信号生成对应的面部动画。该技术通过深度学习分析声音中的细微特征，准确率达87.3%，可应用于视频通话、影视制作、教育康复等领域。研究揭示了声音与视觉之间的深层联系，为跨模态人工智能开辟新方向，但也带来隐私保护和技术滥用等挑战。