希捷已经将Catalog的DNA存储技术引入其“片上实验室”（lab-on-a-chip）项目，希望用更小巧的设备快速读取存储在DNA中的数据。那么，“片上实验室”究竟是什么？希捷又为什么要力推这个概念？

美国劳动节前夕，AI与就业话题从猜测转向政策核心。美联储主席鲍威尔在杰克逊霍尔会议上表示，疲软的就业市场与顽固通胀并列成为美联储风险考量因素。市场解读为降息信号并大涨。研究显示AI主要推动就业重新配置而非大规模失业，仅4%岗位高度依赖AI。采用AI的企业内部流动性增加一倍，但员工job安全感并未下降。美联储将密切关注AI生产力提升如何影响工资谈判和就业稳定。

大型语言模型对数据中心基础设施提出前所未有的需求。AI蒸馏技术通过将庞大AI系统压缩为更高效的小型模型，为可扩展性和可持续性挑战提供突破性解决方案。该技术包括教师模型训练、学生模型训练和知识转移三个关键步骤。通过响应式、特征式和关系式等多种蒸馏方法，能显著降低计算成本，推动AI民主化进程，未来可能实现从集中式数据中心向个人设备的迁移。

中科院联合字节跳动开发全新AI评测基准TreeBench，揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法，通过要求AI同时给出答案和精确定位，实现真正可追溯的视觉推理，为构建更透明可信的AI系统开辟新路径。

IBM 在 Think 2025 大会上宣布一系列 agentic AI 创新服务，通过全新 watsonx 更新推进企业从 AI 实验向大规模生产部署转型。新功能涵盖 agent 目录、无代码构建器、多 agent 协作等，助力实现生产率提升、成本降低和收入增长。

数据质量直接关系到决策的质量。高质量的数据能够提供更好的客户线索、对客户的更深入了解和更好的客户关系。数据质量是数据和分析（D&A）领导人需要不断提升的竞争优势。

回看过去几年，随着5G网络、物联网等技术的蓬勃发展，数据也正以前所未有的速度和规模增长着。

Camunda推出全新agentic AI编排功能，将确定性流程建模与AI非确定性决策融合，助力企业部署、管理和自动化AI代理，打造可扩展、个性化且合规的数字工作流。

2019年4月3日，英特尔在京发布众多以数据为中心的产品组合，打造以数据为中心的基础设施基石，让数据传输更快，数据存储更强，数据计算更全，通过软件和系统级的优化，为用户提供无以伦比的选择和灵活性。

对于众多科技企业来说，跨越AI使能行业的鸿沟，是对其战略规划、基础研究和行业积累的综合考验。

南方卫理公会大学正在安装一台NVIDIA DGX SuperPOD超级计算机。该大学希望这台超级计算机为这个拥有12000多名学生和2400名教职员工的庞大社区推动机器学习项目的发展。

来自世界各地的日用产品被运送到全球各个角落，让客户可以轻松购买得到，以至于很少思考这其中的运作环节。从在西班牙超市购买的法国香槟，到在英国小商店购买的德国香肠，这已经成为了一种生活方式。

在本届AI Day大会上，伊隆·马斯克把“擎天柱”人形机器人当成了宣传重点。

剑桥大学研究团队通过创造全新人工语言Camlang，发现了人工智能的重大局限：尽管最先进的AI模型在熟悉语言上表现优异，但在学习真正陌生语言时远逊于人类。人类仅凭语法书和词典就能达到87%准确率，而AI最高仅47%，揭示了AI依赖模式匹配而非真正语法推理的本质局限。

MiniMax公司发布了世界首个开源大规模混合注意力推理模型MiniMax-M1，通过创新的"闪电注意力"机制将AI推理的计算复杂度从平方级降低到线性级，支持100万词汇上下文和8万词汇生成长度。该模型在保持强大性能的同时，将长文本处理的计算成本降低75%，仅用53万美元就完成了完整训练，在软件工程、长文档理解等复杂场景中表现优异，为AI推理技术的普及奠定了重要基础。

“阿里在我眼里是一个优点和缺点都非常突出的一家公司。

前不久刚刚结束的两会，就有代表提出在全国普遍推广“3+2”混合办公模式。一方面可以提升员工忠诚度和满意度，一方面也可以节省企业成本。

根据市场研究公司IDC的数据，预计大数据和业务分析技术的支出将保持过去几年的快速增长，复合年增长率将达到11.9％，从2017年的1508亿美元增长到2020年的2100亿美元。

PeopleTec公司研究人员发现了一种新型网络攻击方式，能够在网站图标的透明度通道中隐藏恶意代码。这种攻击完全无声无息，利用浏览器自动下载图标的标准行为，在用户访问网站时自动执行恶意程序。研究显示全球每天有数千亿次图标请求，为攻击者提供了巨大的潜在攻击面。此技术对现有网络安全防御体系构成严重挑战。

ByteDance团队开发的GR-3是一个革命性的视觉-语言-动作模型，让机器人能够像人类一样理解指令并灵活操作。它通过多模态数据联合训练获得了强大的泛化能力，能处理未见过的物品和环境，还能从少量人类演示中快速学习。在三个挑战性任务上全面超越现有基准，展现了迈向通用机器人助手的巨大潜力。