日前在圣何塞举行的2024年GPU技术大会上公布的英伟达“Blackwell”GPU，是这家计算引擎制造商推出的第七代、也是最令人印象深刻的数据中心级GPU。GPU计算浪潮始于2000年代中期，并随着2012年5月“Kepler”K10与K20加速器的推出而变得愈发清晰具体。

首尔国立大学研究团队提出了"多模态对抗组合性"(MAC)基准测试，评估预训练多模态表示(如CLIP)在理解文本与图像、视频、音频关系时的组合性弱点。研究使用大语言模型生成欺骗性文本，通过样本成功率和多样性双重指标进行评估。团队创新性地提出了多样性促进自训练方法，即使使用较小的Llama-3.1-8B模型，也能显著提高攻击成功率和多样性。实验在COCO、MSRVTT和AudioCaps数据集上验证，该方法优于现有技术，并展示了良好的跨模型迁移性，为构建更可靠的多模态系统提供了重要见解。

最近，微软 Python 开发者 Steve Dower 发布博文，回忆了 Python 如何在公司内部流行起来的。

如今，游戏市场和加密货币挖矿行业的双重萎缩已经给英伟达沉重一击。不知道如果英伟达能够早点推出“Grace”Arm服务器CPU，是不是有机会规避当下的尴尬局面。

小冰时代的“第二幕”已经拉开，“单飞”后的小冰如何为世界创造更大的奇迹，将受到万众瞩目。

10月17日-19日，2019年中国计算机大会（CNCC2019）在苏州举办，本届大会以“智能+引领社会发展”为主题，1000家机构的代表、8000余人参展参会。百度首席技术官王海峰在会上发表题为《深度学习平台支撑产业智能化》的演讲。

意大利比萨大学研究团队开发出深度残差回声状态网络（DeepResESN），通过创新的"时间残差连接"技术解决了深度神经网络的长期记忆问题。该方法在记忆性任务上性能提升65%以上，同时保持了储层计算训练快速的优势。研究提供了完整的数学理论分析和三类任务的实验验证，为需要长期记忆的AI应用（如天气预测、医疗诊断、金融分析）提供了新的技术选择。

每一个公司都将成为「机器学习」公司。

想象一下，你正在看一部喜剧片。剧中角色面无表情地说："我棒极了。"单看文字，你可能认为这是自信的表达。但如果你看到他说这话时翻了个白眼，用讽刺的语调，你立刻就会理解——这是在自嘲或嘲讽他人。这种理解需要同时分析文字内容、表情和语调。这正是多模态语言分析的核心：通过整合多种信息渠道（如文本、视频和音频），来理解人类交流中的高级语义。

这项由中南大学等多所知名学府联合开展的突破性研究，开发了全球首个开放域闭环重访基准MIND，专门评估AI世界模型的记忆一致性和动作控制能力。研究包含250个高质量测试视频，涵盖八大场景类别，支持双视角评估。实验揭示了当前AI模型在长期记忆维持、精确动作控制和场景重现一致性等方面的六大关键挑战，为AI世界建模技术的改进指明了明确方向。

这项研究首次提出了ViPlan基准测试，系统评估视觉语言模型在视觉规划任务中的表现。研究对比了"VLM作为规划器"和"VLM作为接地器"两种方法，发现在抽象的积木世界中接地器方法更优，而在模拟家庭环境中规划器方法表现更佳。研究还发现链式思考提示对大多数模型并无显著改善效果，表明当前视觉语言模型在视觉推理方面仍存在局限性。

12月3日，在工业和信息化部网络安全产业发展中心（工业和信息化部信息中心）指导下，由统信软件技术有限公司举办的“为未来而同心——操作系统生态大会2021”在人民网一号演播厅成功举办。

剑桥大学研究团队发布突破性研究，提出通过逆强化学习让AI从人类行为中推断真实意图的新方法。该方法解决了大语言模型训练中的关键挑战，包括缺乏明确奖励信号、计算资源需求巨大等问题。通过观察人类偏好数据而非直接指令，AI能更好地理解复杂的人类价值观，在对话、数学推理等领域表现显著提升。

清华大学、剑桥大学和伊利诺伊大学联合研究团队首次将扩散大语言模型LLaDA应用于自动语音识别，开发出Whisper-LLaDA系统。该系统采用双向注意力机制和并行处理方式，既可直接进行语音识别，也可作为精细修正模块提升现有系统准确性。在LibriSpeech测试中表现优异，推理速度比传统方法快1.3-2.4倍，为语音识别技术开辟了新路径。

做生态需要的是“润物无声”的胸怀——不能一味地往前冲，而要往更深的幕后走。

尽管近年来女性在科技行业的地位有所提升,但在争取 IT 领导职位时仍面临诸多障碍。本文探讨了女性在职场晋升过程中遇到的8大主要障碍,包括入职门槛高、刻板印象、孤立感、能力被质疑等,并提出了一些应对策略。文章呼吁业界需要更多关注和支持女性,消除性别偏见,为女性创造公平的发展环境。

这项由ELLIS研究所和马克斯·普朗克智能系统研究所的科学家进行的研究，揭示了大语言模型安全测试的根本规律：越狱攻击成功率由攻击者与目标模型间的能力差距决定。通过评估500多个攻击者-目标组合，研究团队发现：更强的模型是更好的攻击者；当目标能力超过攻击者时攻击成功率急剧下降；社会科学能力比STEM知识更能预测攻击成功。基于这些发现，研究者建立了预测模型，表明随着AI进步，人类红队测试可能逐渐失效，提示需要发展自动化安全评估方法及更全面地评估模型的说服和操纵能力。

Writer公司研究团队通过FailSafeQA基准测试发现，即使最先进的AI模型在处理金融查询时也存在严重可靠性问题。测试涵盖24个模型，发现最优秀的系统仍有41%概率在信息不足时编造答案。该研究创新性地评估了AI系统在面对拼写错误、文档缺失、OCR错误等真实场景时的表现，揭示了当前AI技术在关键应用中的风险，为金融等行业的AI部署提供了重要安全参考。

传统的数据恢复解决方案已不足以应对当今日益猖獗的网络威胁。IBM 存储与时俱进，帮助您构筑网络攻击的新防线。

南京大学团队提出DDT（解耦扩散变换器）架构，通过"分工合作"方式将AI绘画中的语义理解和细节生成任务分离。该方法在ImageNet数据集上创下1.31 FID的新纪录，训练效率提升4倍，推理速度提升3倍，为AI图像生成领域带来突破性进展。