南开大学研究团队创建了InterSyn——首个大规模多模态对话数据集，包含180万单轮和5万多轮样本，覆盖3500个话题。通过创新的SEIR迭代优化方法，显著提升了AI生成文图结合内容的质量。同时开发的SynJudge评价工具能从四个维度评估文图协调性，与人类判断偏差仅5%。实验证明该方法在文图协调性上提升52.1%，为构建更智能的多模态AI系统奠定了基础。

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。

毫无疑问，Agent，也就是智能体已经预定了今年的最火AI关键词。不知道明年会不会是AGI呢，既然OpenAI和Anthropic的预测都是在2027年左右。而在Agent领域，非常有发言权的一位就是吴恩达。LangChain前不久的开发者活动Interrupt上，LangChain创始人Harrison Chase邀请了吴恩达专门做了一场对话

苹果发布搭载3nm A17 Pro芯片的iPhone 15 Pro（附机型对比）

为什么选择做AI Agent？澜码科技创始人兼CEO周健的解释是：传统的系统是人适应机器，造成人成为数据的搬运工；今天有了大模型，我们有机会让机器去适应人，在这方面AI Agent前景广阔。

为什么选择做AI Agent？澜码科技创始人兼CEO周健的解释是：传统的系统是人适应机器，造成人成为数据的搬运工；今天有了大模型，我们有机会让机器去适应人，在这方面AI Agent前景广阔。

Skywork AI推出Matrix-Game，这是首个能根据键盘鼠标操作实时生成交互式游戏世界的AI模型。该系统使用2700小时《我的世界》视频训练，拥有170亿参数，能精确响应用户指令生成符合物理规律的游戏场景。研究团队还开发了GameWorld Score评测标准，验证了Matrix-Game在控制精度和视觉质量方面显著超越现有模型，为AI辅助游戏开发和虚拟世界创建开辟了新方向。

Google发布能力最强AI多模态大模型Gemini；深圳发布算力基础设施支持政策；人工智能计算力报告发布。

AI正在彻底改写创业规则：YC最新数据显示，10人团队12个月达成千万美元营收已成常态，"氛围编程"让技术不再是瓶颈，而创始人能否深度理解客户需求成为成败关键。当6人团队就能创造八位数收入时，我们看到的不仅是速度革命，更是对公司本质的重新定义。

ByteDance Seed团队发布的Seaweed-7B研究展示了如何用相对较少的计算资源（665,000 H100 GPU小时）训练出高质量视频生成模型。这个70亿参数的模型通过精细的数据处理、创新的VAE压缩技术、混合流架构和多阶段训练策略，在图像转视频任务中排名第二，在多项评估中超越了参数量更大的竞争对手，同时推理速度快62倍，证明了中等规模模型的巨大潜力。

谷歌I/O大会的第一天，Google联合创始人Sergey Brin（谢尔盖?布林）高调现身，与Google DeepMind首席执行官Demis Hassabis，来了一场炉边谈话。全程只有半小时，但信息密度很高，话题涵盖了：AI的前沿模型、AGI的定义与路径、AI伦理、智能眼镜、谷歌AI战略等一系列热点话题。整体看下来，是这家以工程师文化为底色的公司，在经历了外部冲击与内部整合后，对其“AI信仰”的一次再确认与再出发，它关乎的不仅是AGI的星辰大海，更是如何脚踏实地将Gemini真正融入物理世界。

如果说AI产业现在有一个风向标公司，自然会是英伟达；如果看英伟达最新的动向，那无疑是每年一度的GTC大会；而如果说GTC最不能错过的环节，自然就是黄仁勋的主题演讲了。

元宇宙，和AI是过去三年最火的技术名词，在汉诺威工博会上，我看到它们组合在一起。

8 月 20 日，「低代码究竟是“银弹”还是“泡沫”」TVP 低代码技术分享会火热开聊，用一场尖峰辩论和一场圆桌对话，共探低代码的过去、现在与未来。

谷歌DeepMind研究团队开发了一种革命性的机器人3D重建技术SplatMesh，能够让机器人从不完美的真实数据中学习，同时重建物体几何形状和外观。该技术采用端到端优化策略，将机器人校准、场景重建和物理仿真统一在一个框架中，在ALOHA2双臂机器人上的实验证明其能够处理现实世界的复杂条件，为机器人自主学习和适应提供了新的解决方案。

C2M在逐渐全球化的世界中给了我们一个再次创造的机会，因为它带来的既是一场价值链的重新布局，也是一场产业数字化的变革。

韩国KAIST团队开发出革命性的"Frame Guidance"技术，这是首个无需训练即可精确控制AI视频生成的通用方法。该技术通过创新的潜在切片和视频潜在优化策略，将内存使用量减少60倍，让普通用户也能精确控制视频中任意帧的内容。实验表明，该方法在关键帧引导、风格化生成等任务上全面超越现有技术，为AI视频创作开启了全新可能。

展望未来，XPU市场将呈现百花齐放的局面，各种芯片在各自的赛道发挥自身独特的价值。同时各种计算架构之间在聚焦自身优势的同时，也在相互融合协同，形成了“你中有我，我中有你”的局面。

北京人工智能研究院发布突破性研究Infinity-Instruct，通过两阶段训练策略从1亿条指令中精选出740万基础指令和150万对话指令。该方法让开源AI模型首次在对话能力上超越GPT-4，其中LLaMA3.1-70B在对话测试中比GPT-4高出8.6%，同时保持强大的基础能力。研究完全开源，为AI技术民主化奠定基础。