华为轮值董事长胡厚崑、华为中国政企业务总裁吴辉、华为云CEO张平安第一天分享如下

香港大学研究团队开发的MatTools是首个全面评估大语言模型在材料科学工具应用能力的基准测试框架。研究发现通用型大模型（如GPT-4o）显著优于专业材料科学模型；AI生成的文档作为检索源比原始代码或官方文档更有效；简单的自反思系统反而优于复杂的多代理架构。这项研究为AI辅助科学工具的设计提供了全新思路，强调"通才胜于专才"、"AI懂AI"和"简单更好"的原则，有望加速材料科学研究和技术创新。

麻省理工学院与IBM研究团队共同开发的TANGO框架通过强化学习同时训练大语言模型的生成器和验证器，实现双向互促进的能力提升。不同于传统方法使用固定验证器，TANGO的验证器随生成器共同演进，提供精确的步骤级反馈。实验证明，这种"探戈式"协作方式使模型在数学竞赛问题上平均提升25.5%，特别是在最具挑战性的AIME 2025竞赛上准确率翻倍。TANGO还将训练效率提高3.3倍，验证器在无需步骤级标注的情况下也达到了业界领先水平，为大语言模型的推理能力增强开辟了新思路。

大数据和云计算的时代，数据和个人信息成了“云上的金子”，因为其堪比石油的巨大价值，针对企业和个人的数据泄露、网络攻击等安全事件时有发生。

「和年薪百万的老w聊完天后，我对于职业发展所能达到的高度有了一个清晰的想象。」

最近，SAP迎来了50岁生日，1972年4月1日，5位前IBM员工Claus Wellenreuther、Hans-Werner Hector、Klaus Tschira、Dietmar Hopp和Hasso Plattner创立了SAP Systemanalysis und Programmentwicklung GbR，为这家欧洲规模最大、最成功的软件厂商奠定了基石。

科技行者将亲临现场，从当地时间1月5日开始为大家带来第一手报道。这里，我们梳理了一份CES2020上即将出现的最值得期待的消费级电子产品，一份万字长文的趋势预测报告。

将所有“传统应用”再做一遍，才是AI真正的价值所在。

这项研究提出了Critique-GRPO，一种创新的在线强化学习框架，将自然语言批评与数字反馈相结合，克服了传统仅用数字反馈的三大局限：性能瓶颈、自我反思效果有限和顽固性失败。实验表明，该方法使大语言模型能够从错误中学习并改进，在八项数学和通用推理任务中，将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%，超越了包括那些引入专家示范的方法。研究还揭示，高熵探索和长回答并不总是最有效的学习方式，质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。

脑机接口为元宇宙打开了一个“窗口”。通过大脑与电脑的连接，人们可以在虚拟世界中自由地获取信息、开展社交，甚至获取味觉、触觉等多种感官的体验。

让我们对这些开启计算机革命的技术专家，致以最崇高的敬意。

C2M在改变生产者的同时，也改变了生产关系。所以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。

2021年8月15日，一年一度的“新物种爆炸·吴声商业方法发布2021”如约而至，以下为《吴声造物》梳理的演讲全文。

比尔肯特大学研究团队提出RoPECraft，一种无需训练的视频动作迁移方法，通过巧妙操作扩散变换器中的旋转位置编码实现。该方法首先从参考视频提取光流信息，用于扭曲RoPE张量；再通过流匹配优化和相位约束正则化，确保生成视频精确跟随参考动作，同时保持视觉质量。与需要大量计算资源的现有方法相比，RoPECraft不需要模型再训练，大幅降低了计算成本，同时在动作保真度和视频质量上超越了最新技术，为AI视频创作提供了高效可行的动作控制解决方案。

想象你是一名广告制作人，急需为新产品拍摄一段广告片。传统方式需要花费大量时间和金钱聘请演员、租用摄影棚、购买昂贵的设备。而如今的AI视频生成技术虽然已经取得了长足进步，却仍然面临着一个关键问题：如何让生成的视频更精准地满足我们的需求？

拯救正在消失的人类文明。

在人工智能领域，我们经常看到像OpenAI、DeepSeek和Anthropic这样的公司推出强大的推理型大语言模型，它们能够解决复杂的数学问题和生成高质量的代码。然而，这些模型通常体积庞大，参数量动辄达到320亿甚至更多。想象一下，这就像需要一台超级计算机才能运行的庞大软件。

速度、安全、敏捷、创新、自动化、数据洞察，当我们了解全球各地的首席信息官(CIO)们他们今年的工作重点时，这些关键词被经常提及。

这项研究探索了一种全新的AI文本生成方式："弗兰肯文本"。灵感来自《弗兰肯斯坦》小说，研究者让大型语言模型在一个极端条件下创作：90%的内容必须直接复制自人类写作片段。尽管限制严格，但像Gemini-2.5-Pro这样的模型能生成既符合写作提示又保持连贯的故事。令人惊讶的是，这些混合文本常常逃过AI检测工具的识别——多达59%被误判为人类写作。这项研究不仅挑战了现有AI检测技术，还为混合作者归属研究提供了宝贵数据，并为人类-AI协作写作研究创造了可控的实验环境。

一项由苏州大学、微软等机构合作的研究OPENTHINKIMG首次提出了完整的视觉工具强化学习框架，解决了当前大型视觉语言模型缺乏视觉思维的问题。该研究基于Qwen2-VL-2B基础模型，开发了V-TOOLRL方法，通过分布式工具部署、轨迹生成和强化学习，使AI能像人类一样"用图像思考"。实验表明，在图表推理任务上，该方法准确率达59.39%，显著超越了同类开源系统并优于GPT-4.1，为未来AI视觉认知提供了新路径。代码已在GitHub开源，将促进相关领域研究。