人类在计算方法、计算工具等领域的革新，都是应“那时那刻”的场景需求而生的。

这项由斯坦福大学和哥伦比亚大学领导的研究提出了DexUMI框架，使用可穿戴外骨骼将人类手部动作直接转换为机器人手操作。通过结合硬件适配（专用外骨骼设计）和软件适配（视觉内容处理），研究成功克服了人手与机器人手之间的"身体差异鸿沟"，实现了高效的技能转移。实验证明，该方法比传统远程操作提高了3.2倍的数据收集效率，在两种不同机器人手上完成多种任务的平均成功率达86%，为灵巧机器人操作提供了一种新型自然交互方式。

紫金山顶，天空湛蓝、万里无云，而这一行人所代表的国内云计算行业从业者，他们肩头的那朵云，正推动着移动互联网历史的车轮滚滚向前。

想象一下，你只需对手机说一句"帮我订一杯拿铁送到办公室"，手机就能自动打开外卖应用，找到你喜欢的咖啡店，选择拿铁，填写地址，完成支付，一气呵成地完成所有操作。这不是科幻电影中的场景，而是当前大型语言模型驱动的手机图形界面(GUI)代理正在实现的功能。

这篇研究介绍了Moonshot AI团队开发的G1模型，该模型通过强化学习显著提升了视觉语言模型在游戏环境中的决策能力。研究团队首创了VLM-Gym训练环境，包含多种视觉游戏与统一接口，并开发了两代模型：G0通过纯强化学习实现自我进化，G1则结合感知增强冷启动与强化学习，在所有游戏中超越教师模型。最关键的发现是感知和推理能力在学习过程中相互促进，为解决视觉语言模型的"知道-行动"差距提供了新方向。

事前没有人能预测到，企业数字化转型的进程会在过去两年突然改变。每个行业、每个领域的转型都在加速，并且不断扩大规模。

长期以来，戴尔易安信一直对行业保有敏锐的洞察和分析力，今天编就来聊聊未来服务器市场的一些洞察。

“马化腾法则”的核心是服务分层，即基础业务和增值业务的分层。

5月17日，“2023中国物联网产业领航者峰会·上海站暨2022‘物联之星’中国物联网产业年度榜单颁奖典礼”在上海世博展览馆会场1成功举办。

Enigmata是一项突破性研究，通过合成可验证的拼图训练大语言模型的逻辑推理能力。该研究创建了包含36种任务、7大类推理能力的完整训练系统，每项任务都配备了可控难度生成器和自动验证器。基于此训练的Qwen2.5-32B-Enigmata模型在拼图推理基准上超越了o3-mini-high和o1等顶尖模型。更令人惊喜的是，当应用于更大规模模型时，这些拼图数据不仅提升了模型解决拼图的能力，还意外增强了其数学和STEM推理能力，展示了纯逻辑训练带来的广泛泛化优势。

Alita是一种新型通用AI代理系统，采用极简设计理念，以"最小预定义，最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita，只配备一个核心能力和少量通用模块，能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示，Alita在GAIA基准测试上达到87.27%的通过率，超越包括OpenAI Deep Research在内的复杂系统，证明简约设计可带来卓越性能。

在重症监护室中，人工智能将始终关注病患的一举一动。

揭开训练数据之谜。

日本发布《人工智能运营商指南（草案）》，旨在应对生成式人工智能技术变化，提供统一的人工智能治理指导原则。草案分为五部分，包括人工智能定义、社会愿景、行为准则，以及针对人工智能研发者、提供者、业务用户的具体规范。

ENERVERSE-AC(EVAC)是一种创新的动作条件世界模型，它能根据机器人预测的动作生成未来视觉观察结果，实现真实且可控的机器人仿真。该研究由AgiBot、上海交通大学和香港中文大学的研究团队开发，通过多层动作条件注入机制和射线图编码技术，支持动态多视角图像生成。EVAC不仅作为数据引擎可增强训练数据多样性，还能作为政策评估器模拟环境响应，无需物理机器人即可进行政策测试，显著降低了开发成本。实验结果表明，EVAC生成的仿真与真实世界场景高度一致，为机器人模仿学习提供了高效、经济的解决方案。

腾讯AI实验室和腾讯LLM部门研究人员开发的MPS-Prover是一种创新的逐步自动定理证明系统，通过两大关键创新解决了现有方法的局限：一个高效的训练后数据精选策略，剔除约40%冗余训练数据；以及一个多视角树搜索机制，整合了学习型评价模型与策略性设计的启发式规则，提高策略选择多样性并增强搜索稳健性。实验表明，MPS-Prover在miniF2F和ProofNet等基准测试上实现了最先进性能，生成的证明比现有方法更简洁多样，为开发更强大的混合证明系统提供了宝贵思路。

OmniResponse是由KAUST和埃克塞特大学研究团队开发的创新系统，首次实现了在线多模态对话响应生成（OMCRG）任务。该系统能够实时处理说话者的视频和音频输入，并生成与之同步的听众面部表情和语音反馈，通过引入文本作为中间模态并利用Chrono-Text和TempoVoice两个关键模块解决了多模态同步生成的难题。研究团队还构建了ResponseNet数据集作为评估基准，实验表明OmniResponse在语义内容、音视频同步和生成质量方面显著优于基线模型，为人机交互、元宇宙体验和心理健康干预等应用领域开辟了新可能。

一度万亿市值的苹果公司正处于艰难时期。

这篇研究介绍了"视觉指令瓶颈调优"（Vittle）方法，该方法通过应用信息瓶颈原理，增强多模态大语言模型应对分布偏移的能力。研究不依赖增加数据量或模型规模，而是教会模型像人类一样进行"概念压缩"，在保留关键信息的同时丢弃冗余细节。在45个数据集的30种分布偏移场景中，Vittle显著提高了模型的鲁棒性，同时保持了标准任务上的出色表现，且几乎不增加推理时间。

NVIDIA2023年10大研究亮点，从CV到AI，从智能体到生成式AI。