这项由香港大学和Salesforce AI Research联合开展的研究解决了AI助手操作电脑时的关键障碍：GUI定位能力。研究者创建了新的OSWORLD-G基准测试（564个样本）和JEDI数据集（400万示例），通过将复杂界面交互分解为基础组件重新训练模型。实验证明这种方法大幅提升了AI在精确操作计算机方面的能力，使OSWorld基准测试成功率从5%提高到27%，为构建更自然的人机交互系统奠定了基础。

上海创新院研究团队构建了TexVerse——包含超85万个高分辨率3D模型的大规模数据集，其中15万个配备PBR材质。该数据集解决了现有3D数据集纹理质量不足的问题，为高分辨率纹理生成、游戏开发、电影制作和元宇宙建设提供了重要基础资源，将推动3D内容创作技术的重大突破。

比亚迪本身就是一个开拓者。公司 2003 年才开始生产汽车，是最早使用电动动力系统并逐步淘汰纯汽油动力车型的公司之一。

7月19日，由IDC中国主办的“ 2019 IDC中国未来金融论坛暨颁奖典礼”在北京成功举办。IDC 认为，步入2019年，生态开放与科技转型是中国金融行业的两大关键词。

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。

LangGPT创始者云中江树的双面人生

清华大学研究团队开发出突破性的三维旋转优化方法，通过四维空间处理解决了困扰计算机图形学几十年的"万向节锁死"问题。该方法将旋转路径缩短15-25%，显著提升动画自然度，在用户测试中获得更高评分并能减少VR晕动症。技术已可实用化，预计将改善电影、游戏、虚拟现实等领域的视觉体验。

清华大学研究团队在IEEE Transactions on Affective Computing发表突破性研究，提出双重学习策略让AI准确识别人类面部情感。新方法结合判别性和生成性学习，在多个标准数据集上准确率显著提升3-4个百分点，特别在处理陌生人脸时表现出色。技术有望应用于智能教育、医疗健康、人机交互等领域，但仍需解决文化差异和隐私保护等挑战。

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。

在医疗领域，技术的更迭与创新往往要比消费领域来的更加缓慢，智能手机、电子设备等消费品的更新换代也许并不会直接影响到人们的健康，但医疗领域的变革往往关乎着人类的生死存亡，数字医疗正积极推动着医疗行业加快变革的步伐，医疗领域的创新迫在眉睫。

“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。

俄亥俄州立大学团队开发了FlexiTokens技术，解决了AI文本处理中的"一刀切"问题。该技术让AI模型能够根据不同内容和场景自动调整分词策略，在医学、法律等专业领域和多语言处理方面表现出色，性能提升高达10%，同时显著提高处理效率。

从11岁就梦想造人形机器人的Bernt Bornich，用‘huggable‘形容他的Neo Gamma机器人——这个能举起150磅的66磅‘运动员‘，正以家庭为试验场突破AI学习瓶颈：‘工厂20小时就触及学习天花板，而家庭环境的多样性才是通往AGI的钥匙‘。

每个做过计算机图像处理的人，都认识 Lena Forsen。

清华、浙大等高校联合研发MergeVQ框架，首次实现单一AI模型同时精通图像理解与生成。通过创新的信息分层处理和Token合并技术，该系统用传统方法五分之一的计算资源达到更优性能，在ImageNet测试中展现突出效果。这一突破为AI视觉技术的高效化和普及化开辟新路径，有望推动智能相册、内容创作、电商推荐等多领域应用发展。

孙中山大学研究团队开发的RobustSplat技术通过两大创新解决3D高斯飞溅重建中的瞬态物体干扰问题：延迟高斯增长策略优先优化静态结构，避免早期对动态物体过度拟合；尺度级联掩码引导方法先利用低分辨率特征实现可靠初始掩码估计，再过渡到高分辨率监督获得精确预测。实验证明该方法在多个挑战性数据集上明显优于现有技术，为真实场景3D重建提供更高质量、无干扰的结果。

LG AI Research发布EXAONE 4.0大型语言模型，创新性地在单一模型中集成了快速回答和深度思考两种模式。该模型支持英语、韩语、西班牙语三种语言，具备智能工具使用能力，能处理12.8万字长文本，在数学推理和编程能力方面表现出色，甚至超越了许多更大规模的模型，为AI技术的实用化发展提供了新的解决方案。

香港科技大学团队发表重要研究，提出PANORAMA系统架构解决机器人视觉局限性问题。研究系统分析了360度全方位视觉技术在具身AI时代面临的数据瓶颈、模型能力和应用空白三大挑战，并提出包含数据采集、感知、应用和部署四个子系统的完整解决方案。团队还制定了六阶段发展路线图，从数据集整合到最终部署，为实现真正的机器人全方位感知能力提供了清晰的技术路径。

多伦多大学研究团队提出Squeeze3D压缩框架，巧妙利用3D生成模型的隐含压缩能力，通过训练映射网络桥接编码器与生成器的潜在空间，实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比，同时保持高视觉质量，且无需针对特定对象训练网络，为3D内容传输和存储提供了革命性解决方案。

这项由清华大学和微软亚洲研究院合作完成的研究，通过创新的动态知识蒸馏和选择性遗忘机制，成功解决了AI系统在学习新任务时会遗忘旧知识的"灾难性遗忘"问题。该技术让AI能够像人类一样进行终身学习，在掌握新技能的同时保持对已有能力的熟练程度，为智能手机助手、自动驾驶、医疗AI等领域的应用带来重大突破，推动AI从静态工具向智能伙伴的转变。