腾讯AI实验室联合多所知名高校开发了一种名为CDE的新型AI训练框架，通过模仿儿童的好奇心学习机制，让大语言模型能够自主探索未知领域。该方法使用两套"好奇心传感器"指导模型学习，在数学推理任务上平均提升3个百分点，同时解决了传统方法中的"校准崩塌"问题，为开发更智能自主的AI系统开辟了新路径。

谷歌CEO皮查伊在AI竞赛低谷期坚持"信号降噪"原则，顶住压力加倍投入，最终带领谷歌凭借Gemini系列重夺领先。他坚信AI将超越火与电的革命性影响，通过递归自我改进极大降低创意实现门槛，这场"创造力民主化"浪潮或将解锁80亿人的认知潜能。

vivo和香港中文大学的研究团队开发了UI-R1系统，首次将强化学习技术应用到图形界面操作中。该系统仅用136个训练样本就能让AI学会操作手机、电脑界面，在跨平台测试中表现优异，为智能设备交互开辟了高效的新路径。

本周，国家互联网信息办公室印发《生成式人工智能服务管理办法（征求意见稿）》；2023阿里云峰会召开，发布大语言模型“通义千问”。

太平洋时间5月20日上午，在加州山景城海岸线圆形剧场（Shoreline Amphitheatre），空气中弥漫着咖啡香气和一种几乎能触摸到电子脉冲般的兴奋感，2025 Google I/O（谷歌开发者大会）开始了，而此时的我们，正处于这股AI浪潮的中心。

中科大与Metastone公司合作提出"归因接地"框架，通过分析真实指令的产生机制来大规模合成高质量训练数据。该方法将指令归因于文档、用户和动机三要素，构建了100万条指令的SynthQuestions数据集。实验显示，用该数据集训练的AI模型性能显著提升，证明了质量胜过数量的重要性，为解决AI训练数据稀缺问题提供了新思路。

港科大团队提出的动态掩码稀疏注意力机制通过内容感知的动态掩码生成和位置感知的稀疏计算，让大语言模型学会智能分配注意力资源。该方法在保持完整信息的同时大幅降低计算复杂度，在长序列处理中实现10倍以上加速，并在多项基准测试中超越现有方法，为高效长文本处理提供了新的解决方案。

一篇54页的文档《揭示OpenAI计划在2027年前实现通用人工智能（AGI）的计划》在网络传播，由推特用户Jackson (@vancouver1717)整理，基于公开资料推测OpenAI的AGI已实现。

这项由蚂蚁集团包容性AI团队完成的研究发布了Ming-Omni，这是首个媲美GPT-4o的开源多模态AI模型。该模型能够同时处理文字、图像、音频和视频，并具备语音和图像生成能力。采用MoE架构和模态特定路由器，仅需激活2.8B参数就能达到与7B参数模型相当的性能。在多项基准测试中创造新纪录，特别是在语音理解、图像生成和多模态融合方面表现突出。

2023世界人工智能大会WAIC在上海召开。

斯坦福大学NLP研究小组发布了全新的2024版GloVe词向量，这是对2014年原版的重大升级。新版本使用维基百科、Gigaword新闻数据和Dolma语料库进行训练，新增超过70万词汇，涵盖疫情、科技、网络文化等现代概念。测试显示新版本在处理当代文本、非西方人名地名和社交媒体内容方面表现显著优于旧版本，为自然语言处理应用提供了更准确的语言理解工具。

腾讯AI实验室推出认知内核-专业版，这是首个完全开源且几乎免费的AI智能体框架。该框架通过创新的分层架构和统一接口设计，最大化利用大语言模型能力，避免对昂贵专有工具的依赖。研究团队还训练了8B参数的CK-Pro-8B模型，在GAIA基准测试中超越同等规模开源模型，为AI助手的民主化发展提供了重要技术基础。

这项由尼日利亚阿雷瓦数据科学学院主导的国际研究，通过对比DenseNet、ResNet、EfficientNet和Vision Transformer四种深度学习模型，为非洲野生动物保护提供了AI技术解决方案。研究发现DenseNet-201在实用性和准确率间达到最佳平衡，并成功部署了在线识别应用，为AI技术服务野生动物保护事业提供了完整的从理论到实践的范例。

约翰霍普金斯大学研究发现，AI大模型存在严重的"记忆偏见"问题，即使明确指示忽略内部知识，AI仍会固执地依赖训练时的记忆。研究通过创新的诊断框架测试了三种AI模型，发现知识冲突会显著降低模型性能，且这种偏见会影响AI用作评判工具的公正性。

华威大学研究团队首次创建了教育对话"有趣度"预测数据集IntrEx，通过100多名二语学习者标注5801个对话片段，发现经专门训练的小型AI模型在预测学习兴趣方面超越GPT-4。研究揭示对话需要"适度挑战"和新颖性平衡才能最大化吸引力，为个性化教育和智能教学系统开发提供了科学基础，标志着教育吸引力评估从主观判断向科学测量的重要转变。

阿里云团队开发了Fin-PRM，一个专门针对金融推理的AI评判系统。该系统采用双重评判机制，既检查推理步骤准确性又评估整体合理性，并具备专业知识验证功能。通过3000个高质量样本训练，在三大应用场景中显示出显著性能提升：数据筛选提升12.9%，测试选择提升5.1%，强化学习提升5.2%，为金融AI的专业化发展提供了重要技术支撑。

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。

蚂蚁集团与西湖大学联合开发的AWORLD开源框架，通过分布式并行训练将AI助手的练习效率提升14.6倍，成功将Qwen3-32B模型在GAIA测试中的准确率从21.59%提升至32.23%，在最困难任务上甚至超越了GPT-4o等商业AI产品，为"从练习中学习"的AI训练理念提供了实用解决方案。

这项研究提出了"高效探测"方法，解决了掩码图像建模AI难以有效评估的问题。通过创新的多查询交叉注意力机制，该方法在减少90%参数的同时实现10倍速度提升，在七个基准测试中均超越传统方法。研究还发现注意力质量与分类性能的强相关性，生成可解释的注意力图谱，展现出优异的跨域适应性。团队承诺开源全部代码，推动技术普及应用。

人们曾经以采集食物为生，而如今他们要重新以采集信息为生，尽管这件事看起来很不可思议。——Marshall McLuhan