这项新加坡国立大学的研究开发了"Thinkless"框架，解决了大语言模型在推理时的效率问题。研究者通过引入两种控制标记和创新的解耦式相对策略优化算法，使模型能够智能地决定何时使用详细推理、何时直接给出简洁答案，就像人类面对不同难度问题时会灵活调整思考深度一样。实验结果表明，这种方法能减少50%-90%的详细推理使用，显著提高效率同时保持准确度，为构建更智能、更高效的AI系统铺平了道路。

尽管新冠病毒大流行使得人们对云服务和笔记本电脑的需求呈现激增态势，但是对于物联网（IoT）市场而言却并非如此。

高盛研究显示，受AI需求驱动，数据中心容量预计到2027年将激增50%，该行业能耗到2030年将翻倍。目前全球数据中心容量约62吉瓦，AI工作负载仅占13%，但预计2027年将达28%。AI数据中心繁荣可能使全球半导体收入在2024-2030年间翻倍，超过1万亿美元。然而高盛警告正密切关注AI采用可能不及预期的迹象。

4位专家对2021年神经科学人工智能的发展作出预测。

IBM 认为，开放式混合云架构是一个集混合云的敏捷性和企业级AI的智能为一体的技术架构；与此相反，本文里提到的“像是科学怪人用碎片和部件堆砌起来的庞然怪物”是一个复杂难管、漏洞百出的架构，是一个“反乌托邦式”的架构。

希捷宣布其28TB和30TB Exos M数据中心硬盘和IronWolf Pro NAS硬盘全球上市，均采用HAMR热辅助磁记录技术。HAMR技术通过激光临时加热实现更高存储密度。希捷将这些新硬盘定位为边缘AI数据存储设备，支持实时边缘分析。30TB版本售价599.99美元，28TB版本售价569.99美元，现已通过官方商店和授权经销商全球发售。

Google Photos推出快速修复方案，允许用户重新启用经典搜索功能，替代此前推出的"Ask Photos" Gemini AI搜索工具。这一调整回应了用户对传统搜索方式的需求，为那些更偏好直接关键词搜索而非AI对话式查询的用户提供了选择。

其实，对于AI工作负载，NVIDIA GPU的能效是传统CPU服务器的42倍。NVIDIA的HGX-A100云服务器平台将16个NVIDIA V100 Tensor Core GPU连接在一起，可作为单一巨型GPU运行，提供2petaflops的AI性能，创下了单台服务器AI训练算力的纪录。

这篇研究论文介绍了一种名为"Group Think"的创新方法，让单个大型语言模型能够同时扮演多个并行推理智能体，这些"思考者"能在标记级别相互协作。传统多智能体系统通常采用轮流推理方式，而Group Think实现了实时并行协作，智能体可以看到彼此的部分生成内容并动态调整。实验表明，这种方法不仅提高了推理质量，还显著降低了延迟，特别适合资源有限的边缘设备。研究团队提出了两种高效实现方案，并通过三类代表性问题验证了Group Think的优势。

纽约大学阿布扎比分校研究团队提出了一种创新的两阶段训练方法，解决了AI领域的数据稀缺问题。他们首先让AI模型在简单的"骑士与恶棍"逻辑游戏中"热身"，学习通用推理技能，然后再用少量特定领域数据进行强化学习。实验表明，这种方法不仅大幅提升了模型在数学、编程和多学科理解任务上的表现，还显著提高了样本效率，使用仅100个样本就能达到传统方法需要数千样本才能实现的效果。更重要的是，"热身"过的模型在适应特定领域后仍能保持跨领域的泛化能力，为资源受限环境下开发强大AI系统提供了实用策略。

KAIST研究团队提出VIRAL方法，通过视觉表征对齐技术解决多模态大语言模型视觉理解不精准的问题。该方法让AI模型内部视觉表征与预训练视觉基础模型保持一致，避免训练中视觉细节的丢失，在对象计数、空间推理等视觉任务上取得显著性能提升，为多模态AI的视觉理解能力改进提供了简单有效的解决方案。

“电话订货、线下赊账、人工打单录单、杂乱的订单、误记漏账无法结算……”在纷繁熙攘的电商行业生态中，还有不少中小批发企业停留在传统的发展模式中，在时代发展的洪流中挣扎。

谷歌DeepMind在周三宣布了两个新AI模型，旨在控制机器人：Gemini Robotics和Gemini Robotics-ER。该公司声称，这些模型将帮助各种形状和大小的机器人更有效、更精细地理解和与物理世界互动，为人形机器人助手等应用铺平道路。

汇集各方先进力量，打造可持续发展智造生态。

这项由滑铁卢大学领导的突破性研究发现，当前最先进的AI模型虽然在语言和图像理解方面表现出色，但在理解基本物理定律方面存在严重缺陷。研究团队开发了VisPhyWorld测试框架，要求AI编写可执行的物理模拟程序，而非简单选择答案，从而揭示了AI更多依赖模式匹配而非真正的物理理解。测试结果显示即使最优秀的模型也经常产生物理上不合理的模拟结果。

近期，图数据平台Neo4j宣布任命方俊强为大中华区总经理。

OpenAI 最新推出的 o3 和 o4-mini 推理 AI 模型虽然在编程和数学等任务上表现出色，但幻觉率却远高于以往模型，引发了对准确性的严重担忧，亟待进一步研究。

这篇研究探讨了模型合并技术在大型语言模型预训练中的应用。字节跳动Seed团队通过从百万到千亿参数级别的系统实验证明，在稳定训练阶段合并检查点不仅显著提升模型性能，还能准确预测学习率衰减效果，大大节省计算资源。研究提出的PMA策略使恒定学习率训练后通过简单合并就能获得相当于完成衰减训练的效果。此外，他们还发现该技术能有效提高训练稳定性，避免训练崩溃。通过全面实验分析，研究为开源社区提供了实用的预训练模型合并指南。

想象一下，如果我们把传统的人工智能模型比作专业运动员，那么像GPT-4o这样的多模态大型语言模型就相当于全能型运动员。传统的AI模型可能只擅长一种特定技能（比如短跑或游泳），而GPT-4o则可以同时理解文字和图像，并且能够生成两种形式的输出。OpenAI在2025年推出的这个模型，将自回归架构（简单理解为一次预测一个元素，并利用之前的预测来指导后续预测）与多模态输入输出能力融合在一起，在图像生成方面展现出了前所未有的表现。

北京大学研究团队开发出MMA多模态记忆代理系统，这是首个具备信息可靠性评估和适时沉默能力的AI系统。该系统通过综合评估信息来源、时间衰减和网络共识三个维度，解决了传统AI过度自信和盲目回答的问题。研究还发现了"视觉安慰剂效应"现象，即图像会让AI产生虚假自信。实测显示MMA系统稳定性提升35%，在复杂冲突场景中准确率达41%而传统系统几乎失效，为构建更可信AI奠定基础。