世界上只有少数几家公司设计使用尖端技术的处理器，制造这些芯片的配备更少。英特尔自己制造芯片，台湾台积电和GlobalFoundries是为其他公司生产芯片的纯代工厂，而三星两者都稍有涉及。

这篇论文比较了AI辅助软件开发中的两种新兴范式："直觉式编码"(Vibe Coding)和"智能体编码"(Agentic Coding)。Cornell大学研究团队的综述揭示了两种方法的根本区别：直觉式编码强调开发者与AI的对话式交互和创意探索，而智能体编码实现了自主软件开发，能独立执行复杂任务。研究探讨了这两种范式的概念基础、技术架构、应用场景和未来发展路线图，指出它们并非对立，而是可以在软件开发生命周期的不同阶段互补，形成统一的人机协作模式。

那么，大模型如何发挥出大众和产业所期待的价值？如何打造行业大模型？又该如何评价大模型产品的好坏？

5G代表的新一代网络技术，也就是“新联接”的到来最有可能作为“两新一重”整体产业经济价值更新的启动点。

这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现，虽然4位量化能较好地保留工作流生成和工具使用能力（仅下降1%-3%），但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力，评估了不同压缩方法对15种模型的影响。结果显示，AWQ量化效果最佳，蒸馏模型在Agent任务上表现不佳，大型模型对压缩更具韧性。研究还提出ERank等创新分析方法，为实际部署提供了切实指导。

今年恰逢MWC上海10周年，开幕前夕，主办方GSMA(全球移动通信系统协会)召开新闻发布会，GSMA会长葛瑞德(Mats Granryd)、GSMA首席市场官Lara Dewar、GSMA大中华区总裁斯寒透露了展会重点信息，并且回答了媒体问题。

人与机器人，能不能和平共处？

「 “那天早晨，我冲进总经理的办公室，发现人力资源总监也在，我说：真巧，真好，两位都在，我要辞职！”今天推荐 TF男孩，一个中年重新开始，转行算法教育领域的前互联网程序员故事。」

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。

杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程，发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明，计划生成和错误检查等高层次句子比具体计算步骤更重要，推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。

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。

异国追梦人——明方全和他与众不同的「云厨房」的故事。

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。

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。

异国追梦人——明方全和他与众不同的「云厨房」的故事。

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。