清华大学和上海人工智能实验室联合开发的AutoMat是一个突破性工具，能自动将电子显微镜图像转换为精确的晶体结构模型并预测材料性质。系统整合了模式自适应降噪、物理引导模板匹配、对称感知结构重建和机器学习性质预测四大模块，由大语言模型代理协调运行。在自创的STEM2Mat-Bench基准测试中，AutoMat远超现有多模态大语言模型，为桥接显微镜成像与原子模拟提供了自动化解决方案，显著加速了材料科学研究流程。

5月13日，在零一万物成立一周年之际，零一万物CEO李开复博士携带千亿参数Yi-Large闭源模型正式亮相，正式进军全球SOTA顶级大模型之首，在斯坦福最新的AlpacaEval 2.0达到全球大模型Win Rate 第一。除此之外，零一万物将早先发布的Yi-34B、Yi-9B/6B中小尺寸开源模型版本升级为Yi-1.5系列，每个版本达到同尺寸中SOTA性能最佳。

孟加拉国联合国际大学研究团队开发了VisText-Mosquito多模态数据集，这是首个集成视觉检测和自然语言推理的蚊子繁殖点识别系统。该系统包含1970张标注图像，能够识别五类繁殖容器并进行水面分割，同时提供人类可理解的判断解释。YOLOv9s等模型达到92.9%检测精度，为全球蚊媒疾病防控提供了AI技术支撑。

微软推出的Phi-4-Mini-Reasoning模型仅用38亿参数就在数学推理任务上击败了70-80亿参数的竞争对手。通过创新的四阶段训练方法（大规模中期训练、监督精调、回滚偏好学习、强化学习），该模型在AIME24、MATH-500等测试中表现卓越。这项研究证明了"精巧胜于庞大"的AI设计理念，为资源受限环境下的高性能AI应用开辟了新路径，在教育、科研等领域具有广阔应用前景。

华盛顿大学等顶尖机构联合推出地理视觉代理概念，让AI能够分析街景、用户照片等视觉数据，回答"咖啡店门在哪里、是否无障碍"等具体问题。团队开发了三个原型：帮助盲人探索街景的StreetViewAI、为残障人士评估环境的Accessibility Scout，以及个性化骑行路线规划的BikeButler，展现了AI与地理信息结合的巨大潜力。

具身智能作为人工智能领域的一颗璀璨新星，正引领着新一轮的技术革命。

苹果公司研究团队开发出革命性语音AI技术RealTimeVoice，首次实现语音助手的完美记忆力和实时对话能力。该技术通过流式音频处理和创新的记忆缓存机制，让AI能够记住完整对话历史的同时保持快速响应，反应速度比传统系统提升一倍。这项突破将彻底改变人机语音交互体验，让数字助手真正成为理解用户的智能伙伴。

第七届世界智能大会成功召开，全球生成式AI产业图谱及报告发布。

2023全球人工智能开发者先锋大会在上海临港成功举办。

英特尔客户充分发挥英特尔客户至上的价值观，站在客户的角度，从客户的实际应用需求出发，为客户匹配到最合适且最具性价比的解决方案，并通过与客户一道进行反复的沟通测试，真正验证了英特尔平台级解决方案在真实应用场景中的价值。

[前言] 技术创新要通过赋能千行百业而体现，更需要无数创业者以新思路来呈现。GSMA 5G创新与投资平台（5G IN）推出「创业者说」系列访谈，携手新媒体平台科技行者，分享创业者的创新故事。

阿里巴巴等机构联合发布LLaSO框架，这是首个完全开放的端到端语音理解系统。该框架包含2550万训练样本、20种语音任务，支持多模态交互，在标准化评估中获得0.72分，超越同类系统。LLaSO不仅提供完整数据和代码，还建立了统一评估标准，为语音AI研究提供了重要基础设施，推动了从语音识别向全面语音理解的技术跃升。

卡内基梅隆大学等机构联合开发的LessIsMore技术，通过发现AI推理中的空间局部性和时间局部性规律，创新性地采用统一注意力头选择和稳定时间窗口机制，在保持准确性的同时实现1.1倍推理加速。该技术无需重新训练即可应用，为AI推理效率提升开辟了新路径。

腾讯混元团队推出ArtifactsBench，这是全球首个专门评测AI生成视觉交互代码质量的综合基准系统。该系统包含1825个真实应用场景测试任务，创新性地通过实际运行代码、动态截图、多模态AI评委等方式，从功能性、美观度、用户体验等十个维度进行评测。实验结果显示其与人类专家判断一致性超过90%，与业界金标准WebDev Arena的一致性达94.4%，为AI代码生成能力评估树立了新标准。

清华大学研究团队开发出H3DP系统，让机器人具备了类似人类的"三重分层思考"能力。该系统通过深度感知分层、多尺度视觉表征和分层动作生成三个层次，实现了视觉感知与动作执行的深度融合。在44个仿真任务中平均提升27.5%性能，在真实世界复杂操作中提升32.3%。这项技术为机器人在杂乱环境中的精确操作和家庭服务应用奠定了重要基础。

巴基斯坦拉合尔COMSATS大学研究团队开发出同时识别人脸年龄和性别的AI系统，专门针对精准广告投放优化。该系统性别识别准确率达95%，年龄估算平均误差仅5.77年。与传统分别处理两项任务的方法不同，研究采用统一框架学习共享特征表示，显著提升了整体性能。系统基于20000张人脸图像训练，为商业广告和智能监控等领域提供了新的技术解决方案。

阿里巴巴团队推出的WorldVLA是一个突破性的机器人智能系统，它首次实现了行动模型和世界模型的有机结合。系统不仅能根据视觉和语言指令生成动作，还能预测动作的环境效果，形成"理解-预测-行动"的完整循环。通过创新的注意力掩码策略，有效解决了连续动作中的错误累积问题，在LIBERO基准测试中显著提升了机器人的操作成功率和环境预测准确性。

Kevin Systrom希望解决新闻行业面临的“生存危机”。

IBM新任首席执行官Arvind Krishna在IBM Think Digital 2020大会上“云首秀”，他以“新常态下的业务发展：不可或缺的新技术”为主题分享了数字化转型时期的企业技术战略趋势。

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。