施耐德电气每年年初都会基于深刻的行业洞察和实践发布《看得见的未来—数据中心市场的新趋势与新突破》以揭示新一年数据中心行业会发生哪些变化，有哪些趋势会影响数据中心行业未来的发展方向以及这些变化和趋势对数据中心运营商的价值和意义。

这项研究揭示了大语言模型中存在"空域"——在推理过程中几乎不活跃的神经网络层。研究者开发了L2自适应计算方法，无需额外训练即可准确识别这些空域。惊人的是，在Qwen2.5-7B模型上，跳过70%的层后性能反而从69.24%提升到71.29%；Mistral-7B在GPQA测试中跳过约30%的层后，准确率提高了4.48%。这表明不同模型层的贡献极不均衡，有选择地跳过"懒惰层"不仅能保持性能，有时甚至能提升结果，为未来模型优化提供了新思路。

5G要发展，频谱需先行。

你将在30年后的CES上看到什么？这篇文章帮你大胆猜测了一下。

今年的re:Invent上，Andy Jassy再次为全球40多万名注册观众带来长达三小时的主题演讲，并且一口气发布27项创新的云服务和功能（当天总共发布43项新服务和功能），令到场的媒体和分析师惊叹。

马里兰大学研究团队推出DynaGuard，这是首个能理解用户自定义规则的AI守护模型。不同于只能识别预设类别的传统系统，DynaGuard能处理自然语言编写的任何规则，并提供详细解释帮助AI自我纠正。该模型基于40000个场景的DynaBench数据集训练，在传统安全任务和定制规则处理上都表现优异，为AI安全技术开辟了新方向。

上周，Peter Vessenes到访中国，接受了科技行者的专访，谈了谈关于区块链、加密货币、STO等领域的各类热点话题。

企业应该知道该怎么做才能确保他们使用的是经过适当许可的代码，如何检查漏洞，如何保持所有内容都已经修补并保持最新状态。

2005年，我在AT&T（美国电报电话公司）贝尔实验室开始了我的职业生涯。当时，电信产业正受困于价格战和来自无线运营商的竞争，看着一个又一个同事离职，前往谷歌和雅虎这样正蓬勃发展的消费互联网产业寻求职业发展机会时，我不禁也开始思考自己的下一步。

牛津大学研究团队发现大型语言模型存在"深度诅咒"现象：深层网络对模型贡献微乎其微，造成计算资源浪费。研究揭示Pre-LN架构中方差指数增长是根本原因，并提出层归一化缩放（LNS）解决方案。LNS通过简单的缩放因子控制方差增长，让每层都发挥作用，在各种规模模型上都实现显著性能提升，为提高AI训练效率提供了重要突破。

目前汽车行业发现了一项可怕的事实：驾驶员使用部分自动化功能的时间越长，其对于驾驶本身就变得越是漫不经心。

麻省大学团队开发PatchInstruct方法，通过"补丁分解"技术让大型语言模型无需重新训练即可准确预测时间序列数据。该方法在天气和交通预测中表现优异，短期预测误差降低85%，速度提升100-500倍，为实时预测应用提供了轻量级、高效的解决方案，展现了通用AI适应专门任务的新可能。

随着IT成为企业运营的核心支撑，IT服务台的重要性日益凸显。现代ITSM平台已从简单的帮助台发展为复杂的管理系统，集成了工单跟踪、资产管理、性能监控等功能。这些平台的核心是工单门户，确保请求得到及时处理。许多产品强调自助服务功能和AI集成，通过智能路由、预测分析和生成式AI来提高问题解决效率。本文详细介绍了21款主流ITSM工具，帮助企业选择适合的解决方案。

Google DeepMind最新研究发现，视频生成AI模型Veo 3展现出惊人的零样本学习能力，能够在未经专门训练的情况下完成图像分割、边缘检测、迷宫求解等多种视觉任务。研究团队通过18,384个视频样本验证了这一发现，认为视频模型正朝着通用视觉智能方向发展，可能引发类似大语言模型的行业变革。

清华大学团队利用扩散模型革新自动驾驶3D感知技术，通过生成式建模取代传统判别式方法，让AI系统具备类人想象推理能力。该方法在遮挡区域预测准确率提升15%，并显著改善下游规划任务性能，为自动驾驶向更智能安全方向发展提供重要技术突破。

甩掉分支，对IBM来说，专注是必然的。那么对于Kyndryl而言，拆分的意义又是什么？正式剥离后如何重新启程？市场机会点在哪？围绕这些话题，我问了Kyndryl大中华区“新掌门”郑军五个问题。

除了AI、汽车、手机壳外，今年的CES还有不少值得留意的新点子。

南开大学研究团队创建了InterSyn——首个大规模多模态对话数据集，包含180万单轮和5万多轮样本，覆盖3500个话题。通过创新的SEIR迭代优化方法，显著提升了AI生成文图结合内容的质量。同时开发的SynJudge评价工具能从四个维度评估文图协调性，与人类判断偏差仅5%。实验证明该方法在文图协调性上提升52.1%，为构建更智能的多模态AI系统奠定了基础。

清华大学与英伟达合作提出DiffusionNFT，一种革命性的AI图像生成训练方法。该方法通过对比正负样本进行学习，避免了复杂的概率计算，训练效率比传统方法提升25倍。研究团队在多项测试中验证了其优越性，不仅大幅提升了图像质量和文字渲染能力，还实现了无需分类器引导的高效训练，为AI图像生成技术的普及和应用奠定了重要基础。

华中科技大学团队开发了mmMamba框架，通过创新的知识蒸馏方法将传统二次方复杂度的多模态模型转换为线性复杂度架构。该方法在保持相当性能的同时，实现了20.6倍速度提升和75.8%内存节省，提供纯线性和混合两种架构变体，为高效多模态AI应用开辟了新路径。