英伟达与斯坦福等顶尖机构联合开发的TTT技术首次让AI学会"讲故事"，能生成长达一分钟的连贯视频。该技术采用"边做边学"的创新方法，让AI在生成视频时持续优化记忆能力，在人类评估中比现有最佳方法领先34个Elo积分，展现出革命性的长视频生成能力。

4月11日，天津市与国家电网有限公司正式签署《推进新型基础设施建设 打造能源革命先锋城市战略合作框架协议》。

在疫情的背景下，头部企业纷纷积极采取数字化转型等应急战略，以获得可持续的竞争优势。纵观整体行业，数字化系统驱动企业业务运营的理解与应用有一定偏差，但这并未阻碍众多企业在实践中不断探索的步伐。

塔尔图大学研究团队开发了IAUNet细胞分割系统，这是首个将U-Net与Transformer查询机制结合的生物医学AI技术。该系统能够精确识别明场显微镜下重叠的细胞，性能超越现有方法同时参数更少。研究团队还构建了Revvity-25数据集，包含110张高精度标注图像，每个细胞使用60-400个多边形点精确描绘。IAUNet在多个数据集上均取得最佳性能，为药物研发、疾病诊断等提供重要工具。

加州大学伯克利分校研究团队开发了gg-bench系统，让AI自己设计策略游戏来测试其他AI的智能水平。研究发现，即使是最先进的AI模型，在面对自己"同类"设计的游戏时胜率也只有7-36%，揭示了AI在创造和解决问题之间的能力差异。这项研究为避免传统AI测试中的"数据污染"问题提供了创新解决方案。

“我们最终是要将民用级外骨骼机器人做到万元以内，让大家能用买一部手机的钱买到外骨骼机器人。”

华中科技大学与利哈伊大学研究团队开发的MMMR基准是首个专门评估多模态大语言模型推理思考过程的综合工具。通过1,083个跨六大领域的高难度推理任务和创新的推理过程评估管道，研究发现即使最先进的模型在推理任务上也与人类存在约10%的差距。研究揭示了答案准确性与推理质量间的脱节：模型常出现思考不一致(41.5%)、过度思考(20.5%)等问题。这一基准不仅评估答案正确性，更深入分析思考质量，为提升AI系统的可靠性和透明度提供了重要方向。

究竟这位全能选手有什么特别之处？

新加坡国立大学研究团队开发出革命性AI视频解说系统LiveCC，通过500万YouTube视频训练，实现0.5秒内实时生成视频解说。该系统在体育赛事解说质量上超越多个大型模型，在传统视频问答任务中也达到同规模最优性能，为AI实时多模态理解开辟新方向。

2020年以意想不到的方式在展开，让人们愈发渴望AI的到来。

无论是在表现形态上，还是在技术演进上，视频服务的发展可谓日新月异，云原生视频云服务应用而生，视频进入了一个新的时代。

毫无疑问，Agent，也就是智能体已经预定了今年的最火AI关键词。不知道明年会不会是AGI呢，既然OpenAI和Anthropic的预测都是在2027年左右。而在Agent领域，非常有发言权的一位就是吴恩达。LangChain前不久的开发者活动Interrupt上，LangChain创始人Harrison Chase邀请了吴恩达专门做了一场对话

2025年5月19日，新加坡国立大学研究团队发表最新研究Thinkless，就像是给"内耗"的AI朋友配了一个心理咨询师，教会它什么时候该深度思考，什么时候可以快速回答。

蒙纳什大学研究团队提出了一套基于不确定性驱动的自动化过程奖励数据构建框架，解决了训练数学推理AI的关键难题。该方法通过识别AI推理中的不确定性来精准定位错误步骤，显著提高了数据标注效率，同时开发了两种创新的输出聚合策略，结合群体智慧与专家判断，在多个数学推理数据集上取得了显著的性能提升。

究竟这位全能选手有什么特别之处？

清华大学研究团队开发了MATE多智能体翻译系统，这是首个专为残障人士设计的开源AI辅助工具。该系统能在文字、语音、图像间智能转换，如将图片转为语音描述、语音转文字等。系统包含8个专业智能体协作，准确率达91.7%，支持本地运行保护隐私，为视听障碍等用户群体提供了强大的信息获取工具。

这项研究首次系统评估了AI代码智能体在科学研究扩展方面的能力。研究团队设计了包含12个真实研究任务的REXBENCH基准，测试了九个先进AI智能体的表现。结果显示，即使最优秀的智能体成功率也仅为25%，远低于实用化要求，揭示了当前AI在处理复杂科学推理任务时的显著局限性。

沙特阿拉伯Misraj AI公司开发出名为Sadeed的阿拉伯语标音模型，仅用15亿参数就在标音任务上超越了GPT-4等大型模型。研究团队创建了严格的数据清洗流程和全新的SadeedDiac-25评测基准，解决了现有基准数据污染问题。该模型证明了专业化小模型在特定任务上可以击败通用大模型，为阿拉伯语AI发展提供了新思路。

普渡大学研究团队开发了ASTRA红队系统，通过"空间时间探索"方法系统测试AI编程助手安全性。与传统方法不同，ASTRA专注现实使用场景，通过构建领域知识图谱和分析AI推理过程发现漏洞。实验显示ASTRA比现有技术多发现11-66%安全问题，生成的测试用例可提升AI安全训练效果17%，为AI编程助手安全保障提供了重要工具。

中国工程院院士邬贺铨讨论了人工智能的发展，从IBM的深蓝到AlphaGo再到ChatGPT，展示了AI从判别式到生成式的进步。他强调了数据在AI时代的重要性，提出了数据共享与开放的必要性，并指出中国在数据产量和存储量上与美国存在差距。他还提到了政府数据的利用率不高，需要改进数据共享和开放机制。邬贺铨建议加强数据治理，提升数据安全，促进社会数字化，并强调了大模型技术在社会治理中的潜力与风险。