人与机器人，能不能和平共处？

台湾国立大学研究团队开发了SAKURA，首个专门评估大型音频语言模型多跳推理能力的基准测试。研究发现，即使最先进的模型也面临两大挑战：一是在识别某些音频属性（如情绪）时准确率不高；二是即使能正确识别音频信息，也难以基于这些信息进行多步推理。对比实验显示，当同样的信息以文本形式提供时，模型推理能力显著提升，表明当前模型未能有效整合音频表征进入推理过程，这为未来开发真正能"听懂并思考"的AI系统提供了重要方向。

浙江大学和香港大学的研究团队提出了Prior Depth Anything，一个创新框架，融合了深度测量中精确但不完整的度量信息与深度预测中相对但完整的几何结构。该方法通过粗到细的流程，先用像素级度量对齐将深度预测与先验融合，再利用条件化单目深度估计模型优化结果。模型在7个真实数据集上实现了出色的零样本迁移，可处理深度补全、超分辨率和修复任务，甚至能应对混合先验情况，并支持测试时切换预测模型，提供灵活的精度-效率权衡。

Google DeepMind通过Physics-IQ基准测试发现，尽管当前AI视频模型能生成视觉上极为逼真的内容，但其物理理解能力严重不足。研究使用396个真实物理实验视频测试了8个主流模型，结果显示最佳模型得分仅为29.5%。更重要的是，视觉真实度与物理理解能力之间几乎无关联，这一发现对AI发展具有重要启示意义。

这项研究提出了"力量提示"方法，使视频生成模型能够响应物理力控制信号。研究团队来自布朗大学和谷歌DeepMind，他们通过设计两种力提示——局部点力和全局风力，让模型生成符合物理规律的视频。惊人的是，尽管仅使用约15,000个合成训练样本，模型展现出卓越的泛化能力，能够处理不同材质、几何形状和环境下的力学交互。研究还发现模型具有初步的质量理解能力，相同力量对不同质量物体产生不同影响。这一突破为交互式视频生成和直观世界模型提供了新方向。

本文探讨了判断AI是否达到通用人工智能（AGI）和人工超级智能（ASI）水平所需的问题数量。目前缺乏确定的测试方法来评估是否达到顶级AI水平。基于图灵测试的分析，作者提出仅通过少量问题难以全面评估智能水平。参考美国国会图书馆主题标引（LCSH）的40万个主题领域，如果每个领域提出1万个问题，将需要40亿个问题来全面测试AGI。这种大规模测试虽然在逻辑上合理，但在实际操作中面临巨大挑战。

站在加州圣何塞分部的办公桌前，Arm公司CEO Simon Segars正摆弄一部上世纪八十年代产的、像块小砖头般的摩托罗拉DynaTAC手机。

2024年5月17日，腾讯云生成式AI产业应用峰会在北京召开，公布大模型研发、应用产品的系列进展。

能让芯片规模化的用起来，才是决定造芯是否成功的天花板。

首尔国立大学研究团队开发出名为Durian的AI技术，能够实现前所未有的肖像动画与属性转移功能。该技术通过双重参考网络架构，仅需两张照片就能生成自然的动态视频，展示人物带着新发型、眼镜或胡须等属性的各种表情动作。与传统方法不同，Durian采用创新的自重建训练策略，无需大量标注数据即可学会属性转移，并支持多属性组合和属性插值等高级功能，在各项性能指标上均超越现有技术。

在贝叶斯方法家族当中，马尔可夫链蒙特卡洛方法（Markov chain Monte Carlo methods）显得尤为神秘。

“小i之父”袁辉的20年创业史告诉我们，AI最终是为人民服务。

这篇研究提出了时间抽象值学习（OTA）方法，解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标，原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象，有效缩短规划视野，使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中，OTA显著优于现有方法，证明了该方法在处理长期任务时的有效性。

要帮助非洲真正通过电信及数据骨干网络的普及迎来腾飞，本地数据及人工智能产业的崛起也将一大关键前提。

这是首个大规模研究AI知识传授能力的实验，涉及118名参与者与8个顶级AI模型的协作。研究发现AI的智能水平与教学效果并非正比关系，一些高性能AI反而在协作中表现不佳。通过分析数千条对话记录，研究揭示了影响人机协作成功的关键因素，包括表达方式匹配、自适应引导和避免过度依赖。研究警示：随着AI能力提升，可能出现"知识传授鸿沟"，需要专门优化AI的可理解性。

量变引发质变，是无线通信标准的进化法则。

英国著名科幻小说家阿瑟·克拉克（《2001：太空漫游》）有言：“任何先进的技术，初看都与魔法无异。”

“小i之父”袁辉的20年创业史告诉我们，AI最终是为人民服务。

ByteDance人工智能团队开发的FR3E算法通过模仿侦探破案的思维模式，让AI在数学推理中能够识别关键决策点并进行重点探索，显著提高了数学问题解决的准确性和稳定性。该算法在AIME24等困难数学竞赛上表现出色，为AI推理能力的提升开辟了新方向。

这项研究展示了一个基于ModernBERT架构的prompt injection检测模型，通过精心构建的多样化数据集训练，在内部测试中达到98.7%准确率和98.0% F1分数，在公开基准测试中平均F1分数达93.8%，显著超越现有最强基线系统。该模型推理速度仅0.02秒，具备实时检测能力，为AI系统安全防护提供了新的解决方案。