想象一下，传统的AI评判系统就像是一位只会给出"好"或"不好"评分的艺术评审，而不告诉你为什么这样评价。而这项新研究开发的系统则像是一位能够清晰解释每个评分背后详细思考过程的资深艺术鉴赏家，不仅能告诉你哪个作品更好，还能一步步分析为什么这样认为。

人工智能的第一步是解释事件，之后逐渐形成决策的流程自动化，最终将全部交给人工智能来做决策。金融行业一直在追逐人工智能，其可以通过自动化取代繁琐重复的人工工作、提升客户体验、降低成本。

清华大学团队开发出"思维链提示"技术，让AI学会逐步推理而非直接给答案。该方法使AI在复杂推理任务中准确率提升40%以上，从根本上解决了AI"黑盒子"问题。技术通过特殊模板引导AI展示完整思考过程，实现了从"直觉反应"到"逻辑推理"的升级，为AI在教育、医疗、法律等领域的应用开辟新道路。

10月11日，上海，一年一度规模盛大的华为全联接大会上，华为云安全总经理杨松发表了题为《华为云安全+AI，为企业戴上夜视镜、穿上金钟罩》的演讲，对华为云在安全AI化上取得的突破——安全AI平台米兰达（Miranda）进行了隆重介绍。

作为打印市场常青树，佳能坚持“以用户需求为导向”，力求打造顺应当前时代特点的产品和解决方案。所以，你会在佳能新一代G系列打印机新品上看到下面变化：打印量和打印速度进一步提升，大幅提升办公效率，减轻用户的成本负担，专注优化用户体验。

6月29日，由工信部和北京市政府主办的第二十三届中国国际软件博览会在北京展览馆隆重举行。本次软博会新品发布会作为各大品牌新产品亮相的舞台，备受各界瞩目。OTT行业独角兽深圳市酷开网络科技有限公司作为行业唯一一家行业代表受邀出席了本次博览会。

在8月14日举行的第八届中国电子信息博览会（CITE2020）开幕式论坛上，紫光股份旗下新华三集团联席总裁兼首席技术官尤学军发表《持续创新培育核心能力 技术创新赋能新基建》的主题演讲，深入探讨新基建时代下的发展机遇。

如今，一位新的医生进入了急诊室——但与我们的传统认知不同的是，不仅没有名字，甚至没有实体。事实上，人工智能技术已经进入世界各地的医疗体系...

针对港口生产安全管理痛点需求，联通数科AI团队支撑联通南京市分公司，为南京港研发了一套智慧港口AI平台，实现作业现场生产安全智能监测，包含对人员、设备、车辆、吊机、船舶、道路、通道、堆场等的智能监测和实时预警。

过去几年，人工智能与机器学习不断向纵深发展，准入门槛也大幅降低，众多行业意识到了AI和ML的巨大潜力，不断加大投入。

继在语音识别和机器阅读领域取得的“过人”成绩，由微软亚洲研究院与雷德蒙研究院的研究人员组成的团队今天宣布，其研发的机器翻译系统在通用新闻报道测试集newstest2017的中-英测试集上，达到了可与人工翻译媲美的水平。

2022年8月26日，“至远见·联未来——「读懂行业」 绿色产业智能转型研讨会”隆重举行，活动邀请来自工业4.0研究院、中国信通院、联想、英特尔的专家与大家分享绿色算力、人工智能、边缘计算等先进制造技术带来的助力和改变。

人工智能技术在新冠疫情防控中身手不凡，发挥着非常重要的作用。

清华大学研究团队提出的Spatial-MLLM是一种创新视频理解模型，通过双编码器架构结合语义和空间信息，使AI能仅从2D视频理解3D空间关系。该模型采用空间感知帧采样策略，在VSI-Bench测试中超越了Gemini-1.5 Pro等顶级商业模型。研究团队构建了12万条问答对的数据集，通过监督微调和强化学习训练，使模型在物体计数、空间位置和方向判断等任务上表现出色，展示了AI空间智能的重大进展。

布朗大学研究团队开发AssertBench测试工具，首次系统评估AI在面对用户错误引导时的坚持能力。通过对比AI在正面、负面用户框架下的反应差异，研究发现多数模型存在"讨好倾向"，容易为迎合用户而放弃正确判断。研究还发现知识不足的AI反而更固执的悖论现象，为AI训练和应用提供重要启示。

新加坡国立大学团队开发出革命性的"拖拽式"AI技术DnD，能够在几秒钟内直接从文本描述生成大语言模型参数，无需传统耗时的训练过程。该技术在多个任务上表现优异，效率比传统方法提升2500-12000倍，为AI模型的快速定制化应用开辟了全新路径。

这项研究提出了"适应再连续学习"（ACL）框架，一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整，ACL使模型既能更好地学习新知识（提高可塑性），又能保留已有知识（维持稳定性）。实验证明，该框架能显著提升各种连续学习方法的性能，为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。

清华大学研究团队在多模态大语言模型(MLLMs)中发现了一个惊人现象：只有不到5%的注意力头负责视觉理解，称为"视觉头"。基于此，他们开发了SparseMM优化策略，针对视觉头和非视觉头分配不同的计算资源，实现了模型推理速度提升1.38倍，内存减少52%，同时保持性能不变。这一发现不仅揭示了MLLMs内部视觉处理机制，还为提高多模态AI系统效率提供了新思路。

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。

香港大学等机构研究者开发的PHYX基准测试评估了AI模型的物理推理能力，结果显示即使最先进的GPT-4o等多模态模型在此类任务上的准确率仅为32.5%-45.8%，比人类专家低29%以上。PHYX包含3000个跨六大物理领域的多模态问题，要求模型整合领域知识、符号推理和现实约束理解。分析发现模型存在视觉推理错误、过度依赖文本描述和数学公式等关键缺陷，为未来开发物理感知AI系统提供了重要指导。