骁龙峰会2024期间，高通中国区董事长孟樸接受了科技行者等媒体的采访，话题围绕自研芯片架构的故事、端侧AI的逻辑、汽车业务的布局、高通在中国市场的发展格局等内容展开。

台湾大学研究团队系统梳理了复合AI系统优化这一新兴领域，提出了基于结构灵活性和学习信号类型的2×2分类框架。研究涵盖26种代表性方法，从固定结构到灵活架构，从自然语言反馈到数值信号优化。团队发现了自然语言反馈在非可微系统优化中的巨大潜力，同时指出了当前面临的人工配置依赖、计算成本过高、评估范围局限等挑战，为这一快速发展的领域提供了系统性理论框架和未来发展指引。

这项研究构建了首个针对智能搜索系统的大规模现实评测平台Mind2Web 2，包含130个复杂任务和创新的"AI判官"自动评估系统。通过对九个前沿系统的全面测试，发现最佳系统已达到人类表现的50-70%，但在信息幻觉和实时任务处理方面仍有不足，为智能搜索的未来发展提供了重要指导。

这项由腾讯混元实验室联合多所知名大学完成的研究，成功将3D模型生成时间从30多秒压缩到不到1秒，实现32倍速度提升。该技术通过创新的渐进式流程蒸馏和闪电向量解码器，在保持生成质量的同时大幅提升了效率，为游戏开发、建筑设计、影视制作等领域带来革命性改变，使3D内容创作从专业技能变成人人可用的日常工具。

艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型，通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异，还支持直观的视觉轨迹调教，用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集，为全球机器人研究提供强大基础平台。

伊利诺伊大学研究团队开发出"生成式积木世界"系统，通过将照片分解成3D几何积木，让用户能够直观地编辑图像中物体的位置、大小和角度，同时保持原有质感。该技术突破了传统图像编辑在3D空间操作上的限制，为专业设计和普通用户提供了全新的创作工具。

华为昇腾团队发布了Pangu Pro MoE，这是全球首个采用混合分组专家（MoGE）架构的72B参数稀疏语言模型。该模型专为昇腾NPU优化设计，通过创新的专家分组策略解决了传统MoE模型的负载不均衡问题，实现了完美的计算负载分配。模型仅激活16B参数处理每个token，在推理效率上显著超越同规模密集模型，为大规模AI应用提供了高效解决方案。

香港科技大学研究团队开发出首个开源长篇音乐生成模型YuE，能根据歌词创作5分钟完整歌曲。该系统采用双阶段架构和轨道解耦技术，在人工评估中与商业系统性能相当，支持多语言创作和风格转换，为音乐创作民主化奠定基础。

Katanemo Labs公司研究团队开发了Arch-Router，一个15亿参数的AI路由器，能根据用户偏好智能选择最合适的AI模型。该系统采用"领域-动作"分类框架，在多项测试中超越GPT-4等大型模型7.71%，响应速度快28倍。研究证明了专业化小模型在特定任务上可超越通用大模型，为AI行业发展指出新方向。

上海AI实验库推出YUME系统，用户只需输入一张图片就能创建可键盘控制的虚拟世界。该系统采用创新的运动量化技术，将复杂的三维控制简化为WASD键操作，并通过智能记忆机制实现无限长度的世界探索。系统具备强大的跨风格适应能力，不仅能处理真实场景，还能重现动漫、游戏等各种艺术风格的虚拟世界，为虚拟现实和交互娱乐领域提供了全新的技术路径。

新加坡科技设计大学研究团队开发了JAM音乐生成系统，能够根据歌词生成完整歌曲，并实现词级精确时间控制。该系统仅用5.3亿参数就超越了参数量更大的同类系统，在歌词准确性、音乐质量等方面表现优异。通过创新的流匹配技术和审美对齐机制，JAM为AI音乐创作提供了新的技术路径。

这项由法国蒙彼利埃大学团队开发的iFAM系统，通过创新的两阶段设计解决了AI视觉模型"看错重点"的问题。系统第一阶段识别图像中的关键区域，第二阶段只处理被选中的区域，完全屏蔽背景干扰。在多个挑战性数据集上的实验表明，该方法显著提升了模型对虚假关联的抗性，为医疗诊断、自动驾驶等高风险应用提供了更可靠的技术基础。

香港中文大学(深圳)研究团队开发出FusionAudio-1.2M数据集，创新性地融合音频、视觉、语音和音乐信息来生成详细的音频描述。该研究采用多模态专家系统和大语言模型整合的两阶段方法，构建了包含120万高质量音频描述的大规模数据集。实验表明，使用该数据集训练的AI模型在音频理解和检索任务上显著超越现有方法，为智能语音助手、自动驾驶等领域带来重要应用前景。

上海交通大学研究团队提出Iwin Transformer，这是一种无位置编码的分层视觉变换器，通过创新的交错窗口注意力和深度可分离卷积协作，能直接从低分辨率微调到高分辨率。该方法用注意力连接远程令牌，用卷积连接邻近令牌，在单模块内实现全局信息交换，克服了Swin Transformer需要两个连续块的局限。在ImageNet-1K上达到87.4%准确率，在语义分割和视频识别等任务中表现出色。

本文讲述了几个创始人从OpenAI出走，带着一套“AI必须讲道德”的理念，创立了Anthropic这家公司，并培养了（他们说的）“AI界最正直的公民”Claude。

泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术，成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%，响应时间从100秒降至35秒，正确性评分提升96%，为企业级智能问答系统提供了实用的技术方案。

复旦大学联合牛津大学等机构发布MOSEv2数据集，这是目前最具挑战性的视频目标分割基准。数据集包含5024个复杂场景视频，涵盖恶劣天气、密集人群、目标消失重现等真实世界挑战。测试结果显示，包括SAM2在内的先进AI模型性能大幅下降，从理想数据集的90%+准确率降至50%左右，揭示了AI技术与实际应用需求的巨大差距。

这项由特拉维夫大学研究团队完成的突破性研究，开发出一种新方法来解析AI大脑的内部结构。通过半非负矩阵分解技术，研究人员成功识别出AI中负责不同概念的"知识组件"，并发现这些组件呈现层次化组织结构。实验证明，这种方法不仅能准确检测概念，还能有效操控AI行为，为理解和控制AI系统提供了新的工具。

以美国为主的北美市场通常是软件及科技创业者迈向全球的第一步，这里不仅诞生了许多具备产品创新和技术特色的 SaaS 及软件公司，而且在生成式 AI 从硅谷席卷全球的这两年，软件产业也最先被“渗透”，甚至最近有人大呼：“AI 已来，SaaS 将死？”

NVIDIA团队开发的Cosmos-Reason1是首个专门针对物理推理的多模态AI系统，通过创新的训练方法让AI具备了理解物理世界和进行具身推理的能力。该系统包含70亿和560亿参数两个版本，采用物理AI监督微调和强化学习两阶段训练，在物理常识和具身推理评测中显著超越现有模型，为机器人、自动驾驶等应用奠定重要技术基础。