想象一下，如果你手里有一个苹果，然后松开手，会发生什么？对我们人类来说，这个问题简直不能再简单了——苹果会掉到地上。我们不需要进行复杂的计算，也不需要回忆牛顿定律的精确表述，就能准确预测物体的行为。这种对物理世界的直觉理解，是我们从小就形成的能力。

觉得你的数据被泄露了？本指南将帮助你弄清楚泄露发生在何时何地，并列出你接下来应该采取的步骤。

Red Hat决定支持新的云原生计算基金会（CNCF）项目。

面对心理健康专业人士短缺问题，谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》，提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型，AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员，并运用AI进行管理支持，有望缓解治疗服务供需失衡问题。

谷歌将NotebookLM和Gemini等AI工具置于教育变革的前沿。8所先锋院校正在利用这些工具重塑教育生态系统。从K-12个性化学习到高等教育高级研究,这些机构正在利用谷歌AI赋能学生、提升教学质量并优化运营。本文深入探讨了这些创新做法及其影响。

这篇论文介绍了香港中文大学研究团队开发的创新框架"Solve-Detect-Verify"和灵活验证器"FlexiVe"。该系统模拟人类"快思考"和"慢思考"的双重认知模式，能根据问题复杂度智能调配计算资源。验证器首先采用轻量级"快思考"并行评估整个推理过程，仅在结果不确定时才启动详细的"慢思考"分析。结合主动识别解决方案完成点的机制，该系统在AIME和CNMO等数学推理基准测试中表现出色，使用约四分之一的计算资源即可达到甚至超越传统方法的准确率，为AI推理效率与准确性的平衡提供了新范式。

在圣地亚哥举办的思科大会上，这家IT基础设施巨头展示了其在网络、网络安全和可观测性产品组合中深度集成智能AI的发展成果，重点关注客户体验提升。会议发布了AgenticOps平台作为AI基础设施的核心，包含AI Canvas管理控制台和深度网络模型，旨在简化网络和安全运营。此外还宣布了智能交换机产品线扩展、思科实时保护安全功能、统一架构体验等多项创新。思科正通过平台化策略构建完整的AI技术栈，为企业提供计算、网络和安全一体化解决方案。

中科院团队开发出DiffSpectra系统，首次实现仅通过多模态光谱数据就能准确推断分子完整三维结构的AI技术。该系统同时处理红外、拉曼和紫外光谱，采用扩散模型直接生成分子结构，突破了传统依赖分子库查找的局限。测试显示16.01%完全准确率，前20候选准确率达96.86%，将revolutionize化学分析效率，加速新药研发和材料科学发展。

伊利诺伊大学香槟分校等机构研究团队开发了CodeCircuit技术，首次实现通过分析AI内部"思维过程"来检测代码正确性。该系统构建AI生成代码时的"思维地图"，发现正确与错误代码呈现不同神经模式，准确率达79.89%，远超传统方法。更令人惊喜的是，系统不仅能检测错误，还能在思维层面直接修复AI的推理过程，为智能编程助手开辟了全新道路。

中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题，提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练，成功将模型推理长度缩短30-40%，同时保持甚至提升准确率，显著降低了推理时间和计算成本，为高效AI推理提供了新的解决方案。

5月21-22日，2022第八届华为软件精英挑战赛-“普朗克计划”总决赛及颁奖典礼在深圳成功举办。

前OpenAI首席技术官Mira Murati今天推出了一家新的人工智能初创公司——思维机器实验室，专注于开发多模态模型。该公司在竞争激烈的AI市场中崭露头角，Murati曾在四个月前与投资者洽谈筹集超过1亿美元的资金。思维机器实验室的初始团队包括前OpenAI研究高管Barret Zoph，Murati担任首席执行官，Zoph担任首席技术官。该实验室计划训练能够处理文本和多媒体文件的模型，并将基础设施质量作为首要任务，致力于提高研究生产力。

本文深入分析了斯坦福大学AI安全中心举办的研讨会所展示的AI安全领域最新进展。文章探讨了AI安全的两个重要方向：构建更安全的AI和让AI变得更安全，强调这两种方法需要有机结合。通过分析物理AI（如人形机器人）与生成式AI结合的安全挑战，以及可达性分析在AI安全中的应用，展现了当前AI安全研究的前沿技术和实际应用场景。

人大团队提出HiRA框架，通过"元推理规划器-自适应协调器-专门执行器"的三层分工体系，让AI像企业团队一样协作处理复杂搜索任务。该系统将高层战略规划与具体执行分离，配备双通道记忆机制，在四个深度搜索基准上显著超越传统方法，为AI系统设计提供了分工协作的新思路。

人工智能项目正在面临非常严重的投资回报率问题。

Nebius团队开发了SWE-rebench，一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战：高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理（初步收集、自动安装配置、执行验证和质量评估），SWE-rebench构建了包含超过21,000个Python交互式任务的数据集，并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大，而DeepSeek模型在开源模型中表现最为稳健。

如今汽车正逐渐成为“车轮上的数据中心”，而先进功能和计算架构的创新也使得这一称号愈加贴切。

复旦大学研究团队开发了MOVE数据集和DMA算法，让AI系统能够像人类一样根据动作模式而非外观来理解视频内容。该系统包含224个动作类别和26万帧标注数据，通过解耦动作与外观特征，实现了突破性的视频分割效果。这项技术在视频编辑、体育分析、安防监控等领域具有广阔应用前景，代表了从静态识别向动态理解的重要技术进步。

UCLA研究团队开发了名为Dreamland的创新系统，能够将简陋的计算机模拟画面转换为逼真的真实世界图像。该系统采用分层世界抽象方法，巧妙结合物理模拟器的精确控制和生成式AI的视觉质量，在图像质量和可控性方面分别提升50.8%和17.9%，为自动驾驶训练、游戏开发和虚拟现实等领域提供突破性解决方案。

企业现在最紧迫的议题不再是单纯的功能完善，而是如何缩短“上市时间”。 因此，Creo 12的全部发力点，都聚焦在帮助工程师以更智能、更快速工作这件事上。