密歇根大学研究团队首次破解AI编程语言选择机制，开发出G-ACT智能控制系统。该技术能精确引导AI选择C++等高性能语言，解决科学计算中AI语言偏好不当问题。实验显示控制准确率提升15%，为构建可靠AI智能体奠定基础。这项发表于2025年6月的研究标志着从"训练AI"向"控制AI"的重要转变。

伦敦大学学院研究团队开发的NOWAIT方法通过阻止AI生成"等等"、"嗯"等思考词汇，在保持准确性的同时将AI输出长度减少27%-51%。该方法无需重新训练模型，可直接应用于现有AI系统，为提高AI推理效率提供了简单有效的解决方案。

“以服务为导向的合作伙伴是我们战略的核心”。

Chappell的团队负责Azure全部工作负载优化型计算、存储和网络任务的落地，具体包括HPC模拟和建模、AI训练与推理，还有SAP HANA、自动驾驶、可视化和机密计算等。

ServiceNow团队开发的AU-Harness是首个专门针对AI语音助手的综合评估工具包。该工具通过创新的并行处理和标准化测试协议，将评估效率提升127%，涵盖19项测试任务。研究引入了两个全新测试类别：时间感知的对话分离和复杂的口语推理能力。通过380多项测试揭示，当前AI语音模型在基础识别方面表现良好，但在复杂推理和时间理解上仍存在显著差距，为未来技术改进指明了方向。

从CDN的诞生到边缘计算的加速落地，企业对数据传输和处理愈发看重时延和成本的兼顾。

轨道运输业巨头美国西屋的CIO Kopal Raj表示，“铁路是国家经济中不可或缺的组成部分。由西屋新一代前沿科技提供支持的印度Vande Bharat列车正是迎接新时代的绝佳机会。”

MiniMax公司开发的MiniMax-Speech语音合成系统实现了真正的"零门槛"声音克隆技术，仅需一段录音即可生成32种语言的高质量语音。该系统采用创新的学习型声音编码器和Flow-VAE技术，在全球TTS竞技场中击败OpenAI等巨头登顶第一。

在过去的十年中，软件和基础架构工程师经历了从笨拙的整体式应用程序到敏捷微服务，从昂贵的裸机基础架构到可伸缩的云计算和存储的转变。

上海AI实验室发布的P1-VL是首个能够真正"看懂"物理图像并进行科学推理的开源AI系统。该模型在13场国际物理奥赛中获得12枚金牌，成为开源视觉语言模型的重大突破。P1-VL通过创新的课程式强化学习和多模态融合技术，能够从图像中提取关键物理信息并结合理论知识解题，为AI在科学教育和研究领域的应用开辟了新路径。

腾讯混元3D 2.0是一个革命性的3D生成系统，能够从单张图片生成高质量的带纹理3D模型。该系统包含形状生成模块Hunyuan3D-DiT和纹理合成模块Hunyuan3D-Paint，采用创新的重要性采样和多视角一致性技术，在多项评估指标上超越现有技术，并提供用户友好的制作平台。作为开源项目，它将大大降低3D内容创作门槛，推动3D技术的普及应用。

在本周的CVPR（国际计算机视觉与模式识别会议）上，汽车制造商特斯拉的AI高级总监Andrej Karpathy公布了公司内部用于训练Autopilot与自动驾驶深度神经网络的超级计算机。

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。

马里兰大学研究团队推出DynaGuard，这是首个能理解用户自定义规则的AI守护模型。不同于只能识别预设类别的传统系统，DynaGuard能处理自然语言编写的任何规则，并提供详细解释帮助AI自我纠正。该模型基于40000个场景的DynaBench数据集训练，在传统安全任务和定制规则处理上都表现优异，为AI安全技术开辟了新方向。

在当今的数字经济时代中，仅能提供网站或应用程序服务是远远不够的：如果某一个网站或应用程序无法满足用户需求，他们就会立刻选择另一个替代网站或应用程序，而这个过程只需要点几下鼠标而已。

近日，京东手机在京召开2018战略发布会，对外发布游戏手机、线上线下一体化、运营商合作、服务升级、品牌营销五大核心策略，2018年京东手机将通过五大核心策略全面赋能手机品牌。

丰田、日本Taxi、KDDI和埃森哲(Accenture)日前宣布推出在日本试点的人工智能(AI)出租车调度系统计划。

作为拥有国内先进计算领域顶尖科技及产业创新资源的行业先锋，中科曙光在2017年就与山东省新旧动能转换“三核”之一——青岛市政府签署了先进计算与人工智能产业战略合作框架协议，从而促进以人工智能、先进计算为核心的新一代信息技术在青岛的产业化发展。

从华为财务部经理，到参与创立华三，再到宏杉科技董事，直至2019年担任宏杉科技总裁，杨柳女士的职场历程，说明一个懂业务、能决策、会管理的财务是可以担当重任的

这项研究提出了一种名为"混合3D-4D高斯分布"的新方法，巧妙解决了动态场景重建的效率问题。研究团队发现传统4D高斯分布技术在处理静态区域时存在大量冗余，因此开发了自动识别静态/动态区域的算法，并将静态部分转换为3D表示，动态部分保留4D表示。实验证明，该方法在保持高品质渲染的同时，将训练时间从数小时缩短至约12分钟，为虚拟现实与增强现实应用提供了更高效的动态场景重建工具。