Meta等机构研究发现，让大语言模型学会使用外部工具比死记硬背所有知识更高效。研究通过数学证明和实验验证，传统的参数记忆存在严格容量限制，而工具学习能实现无限扩展且不损害原有能力。这为AI发展提供了新思路：从堆叠参数转向构建智能工具协作系统。

麻省理工与UMass研究团队开发出"预算引导"技术，解决深度思考AI模型推理过程过于冗长的问题。该方法通过轻量级预测器引导AI按预算思考，在MATH-500测试中比传统方法准确率提升26%，同时将思考词汇减少37%，实现了效率与准确性的双重优化。

要实现数据价值，建设数据仓库是在数字化转型过程中不得不面对的一项任务。数据仓库汇聚各个业务部门数据，避免数据孤岛，使数据真正成为整个企业的数据，而不是某个部门的数据。

中科院、北大、清华联合开发的DualTHOR平台首次为双臂人形机器人提供真实家庭环境仿真训练。该平台不仅支持双手协作任务，还引入意外机制模拟现实不确定性。实验发现现有AI模型在双手协调方面表现不佳，为未来家庭服务机器人发展指明方向。

上海AI实验室联合多所高校发布Creation-MMBench，这是首个专门评估多模态AI创意能力的基准测试系统。研究通过765个创意任务测试了20个主流AI模型，发现商业模型表现远超开源模型，且AI在获得视觉能力后文字创作能力反而下降。该研究填补了AI创意评估空白，为未来AI发展提供重要参考。

开放计算项目Open Compute Project（OCP）近日公布了进入第二个十年的战略，未来将致力于开放芯片设计，以及在光网络、人工智能和浸入式冷却方面的创新展开更多工作。

伊利诺伊大学香槟分校研究团队开发了Router-R1，一个能让多个AI模型像团队一样协作的智能调度系统。该系统通过强化学习，学会在"思考"和"调用专家"之间灵活切换，能根据任务复杂度动态协调不同AI模型，同时平衡性能与成本。在七个问答数据集的测试中，Router-R1显著超越现有方法，平均准确率提升约20%，并展现出对未见过模型的强泛化能力。

腾讯混元团队推出革命性AI系统Hunyuan-GameCraft，能根据键盘鼠标操作实时生成对应游戏画面。该系统统一处理各种输入信号，采用混合历史条件训练保持长期一致性，通过模型蒸馏实现近实时响应。基于100多款3A游戏数据训练，在控制精度和视觉质量上显著超越现有方法，为交互式内容创作开辟新路径。

NVIDIA多年来一直在与部分全球领先的金融机构共同开发和执行各种发展迅速的AI策略，在过去三年间询问了他们最关心的是什么。

最近,中国人工智能公司Monica推出的Manus引发了广泛关注。然而,与DeepSeek等有实质性突破的中国AI不同,Manus并无革命性创新。它宣称具有自主性,实际上只是执行预设流程的大语言模型。Manus的唯一新颖之处在于它来自中国,但这并不足以证明它的先进性。AI的成功取决于应用,而非产地。

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。

本文讨论了AI如何革新航空航天业，从优化航班运营、提升驾驶舱智能化，到加速飞机设计、精益制造和预测性维护，既提高安全性又降低成本，同时强调需平衡技术、监管与伦理挑战。

这项研究是我们更宏大的前瞻性研究《Work 2035：人与技术相结合将怎样开创新的工作方式》的一部分，对于企业领导来说，它揭示了新冠疫情危机和全球不确定性使得分散式工作模式变得更有可能，甚至迫在眉睫。

AWE2019（中国家电及消费电子博览会）开展前夕，老牌家电大厂美的，在上海新国际博览中心包下整个 W1 展馆，展示未来科技生活样板间，把旗下各式产品和技术通通摆到客厅、厨房、浴室、工厂等场景，一下子成为备受瞩目的打卡地。

谷歌DeepMind团队提出STAR方法，通过模仿苏格拉底教学法让AI学会类比推理，解决传统AI无法"举一反三"的问题。实验显示该方法显著提升AI处理新问题的能力，在逻辑推理准确率从40%提升至75%以上。这项突破为创造真正智能的AI系统指明方向，未来将在教育、医疗、创意设计等领域产生重要应用价值。

IBM近日发布了第二季度财报，收入同比增长3%，证明了公司正在重回增长轨道。

当前,数字经济加速发展,内外部环境深刻变化,航天信息股份有限公司面临前所未有的发展机遇与挑战。

思科近日表示，将改进Webex协作工具套件，让企业能够应对混合办公带来的重重挑战。

斯坦福大学研究团队发现视觉语言模型能够像人类一样"看懂"数据图表，在金融、医疗等领域展现出超越传统方法的分析能力。这项发表于《自然·机器智能》的研究首次系统探索了AI视觉数据分析的潜力，为实现数据分析民主化、让普通人也能进行专业级数据分析铺平了道路。

这篇博客介绍了北卡罗来纳大学教堂山分校研究团队开发的SiLVR框架，这是一个简单而高效的视频推理系统。该框架将视频理解分为两个阶段：先将视频转换为语言描述，再用推理型大语言模型解决复杂问题。实验表明，这种无需训练的方法在多个视频理解基准测试中表现优异，超过了许多复杂的专有模型，展示了将强大的语言推理能力应用于视频理解的巨大潜力。