云原生生态系统如今正在经历着一场“工业革命”。

KAIST研究团队开发的InfiniteHiP系统成功解决了大型语言模型处理超长文本的瓶颈问题。该技术通过模块化分层修剪、动态位置编码和冷热存储策略，让单个GPU能够处理300万词汇的上下文，速度提升18.95倍，内存使用减少70%。这项突破性技术无需重新训练模型即可应用，为长文本AI应用的普及奠定了基础。

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。

哈佛大学和麻省理工学院研究团队开发了MetaFlows，一种革命性的AI学习方法，能让机器像人类一样从少量例子中快速学会新技能。该技术结合流匹配和元学习，显著提升数据效率，在图像生成和视频合成等任务中表现出色。MetaFlows有望在创意产业、教育医疗等领域广泛应用，虽然目前仍面临计算复杂度等挑战，但为通用人工智能发展开辟了新路径。

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。

上海交通大学等机构联合开发了HyCodePolicy机器人系统，让机器人首次具备"自我反思"学习能力。该系统通过视觉观察和程序监控双重诊断，能让机器人自动分析失败原因并改进策略。实验显示任务成功率从47.4%提升至71.3%，学习效率显著提高。这项技术将广泛应用于制造业、服务机器人等领域，标志着机器人从被动执行向主动学习的重要转变。

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。

特拉维夫大学研究团队提出用"混合因子分析"方法重新理解AI语言模型的内部机制，发现AI思维呈现社区化结构而非简单线性排列。这种新方法将AI的激活空间分解为语义相关的区域中心和局部变化方向，在概念定位和行为控制任务上显著优于传统方法，为精确控制AI、个性化应用和提升AI可解释性开辟了新路径。

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？

T-Tech公司研究团队开发了SAE Boost助推器系统，通过训练专门的"错误补偿器"来增强AI理解工具对专业领域的理解能力。该系统在化学、俄语和外交等领域测试中显示出显著改进效果，同时完全保持原有通用能力。这种模块化设计为AI系统的持续优化提供了安全可靠的路径，对AI可解释性研究具有重要意义。

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。

中科院和ModelBest联合推出RAVine评估框架，针对AI搜索系统现有评估方法脱离实际的问题，创新性地采用真实用户问题、全流程行为监控和可追溯信息提取技术，发现当前AI搜索系统在任务完整性和引用准确性方面存在严重不足，为构建更贴近用户需求的智能搜索系统提供了重要技术支撑。