日前，戴尔科技集团全球首席技术官兼产品与运营总裁John Roese做客著名技术商业类杂志《麻省理工科技评论》的播客节目，与主持人Laurel Ruma进行了一对一访谈。

近日，备受期待的“荣耀最强自拍手机”——荣耀20S正式发布。作为荣耀20系列家族的重磅力作，荣耀20S“3200万人像超级夜景”率先将AIS超级夜景技术用于前置，打造出夜景自拍的全新体验，成为荣耀最强自拍手机。

智能手机、平板电脑，随着移动智能设备的普及，网络中的主流应用也正在从浏览器上通过URL地址访问的网页应用向APP应用进行转变。虽然数据还是在采用Web应用协议进行传输，但是其背后的系统架构已经不再是由Web服务+数据库所主宰。

英特尔院士 Aditya Navale 分享图形处理器从实现更好的像素绘制到解决人类复杂计算挑战的演进历程。

AI和高性能计算正重塑各行各业，但数据中心为适应多样化工作负载而添加各种专用加速器，反而导致运营效率下降。专用芯片与CPU、GPU等系统组合产生了前所未有的复杂性，功耗飙升至不可持续水平。随着AI模型规模增长和工作负载边界模糊，传统静态硬件分配已不适用。可重构计算提供了新方案：单一平台可动态调整架构以匹配不同需求，消除芯片间通信瓶颈，降低功耗，简化运营。

缓解CIO和CISO之间经常会出现分歧。

两个月前，我们面向戴尔易安信员工发出“Data Domain十年新征程，我和Data Domain的故事”征集，收到的文稿中，有讲述打单心路历程的，有发表关于Data Domain技术独特见解的，也有分享心目中最牛Data Domain案例的……

对于数据和模型来说，这是漫长的12个月。从2022年底ChatGPT等生成式AI工具的出现，到人们对机器学习工具和分析的依赖日益增加，那些未能严格控制数据的企业面临着被淘汰的风险。

AI不懂创意混搭，它恐怕也不会消除真正的创造性工作。

芯片制造巨头英特尔公司（Intel Corp.）今天公布了季度财报，这是该公司在新任首席执行官Pat Gelsinger领导下的首份季度财报。得益于个人电脑芯片的强劲销售势头，该公司今天公布的收益和收入均超出了此前的预期。

UC伯克利研究团队发现，仅用17000个训练样本就能让AI获得强大推理能力，关键在于推理的逻辑结构而非具体内容正确性。即使训练数据包含错误答案或错误计算，AI仍能学会推理，但一旦打乱逻辑结构，性能就会急剧下降。该发现颠覆了AI训练需要海量完美数据的认知，为资源有限的团队提供了经济高效的AI推理能力培养方案。

ByteDance团队开发的Seed-Prover AI系统在2025年国际数学奥林匹克竞赛中成功解出5道题，创下AI数学推理新纪录。该系统采用创新的"引理式证明"方法，能够逐步构建复杂证明，并具备反思改进能力。在多个数学基准测试中表现卓越，为AI辅助数学研究和教育开辟了新可能。

在ChatGPT公开发布一周年即将到来之际，IT领导者们正在推动生成式AI试点，以及在生产环境中使用这项被视为重新定义行业且充满未知的技术。

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？

本文介绍生成型 AI 和大语言模型如何提供即时鼓励，无论是在激烈比赛前还是重要演讲前，都能帮助调整心态，同时提醒用户注意对话过程中 AI 可能出现的错误。

英特尔研究院，作为英特尔公司的“科技创新引擎”，一直以来备受业界的关注。在中国，英特尔中国研究院经过多年的发展，已经从一个单纯的项目研发中心蜕变成英特尔全球科研布局的关键一环。

明尼苏达大学研究团队提出了一种创新方法，通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价，而他们的MT-GRPO算法能够精确评估每个决策步骤的价值，就像为每一步提供具体反馈。在维基百科搜索工具使用场景中，该方法实现了100%的工具执行成功率和50%的答案精确匹配率，远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现，也为开发更复杂的AI系统提供了重要思路。

站在加州圣何塞分部的办公桌前，Arm公司CEO Simon Segars正摆弄一部上世纪八十年代产的、像块小砖头般的摩托罗拉DynaTAC手机。

上海AI实验室联合多所高校发布Creation-MMBench，这是首个专门评估多模态AI创意能力的基准测试系统。研究通过765个创意任务测试了20个主流AI模型，发现商业模型表现远超开源模型，且AI在获得视觉能力后文字创作能力反而下降。该研究填补了AI创意评估空白，为未来AI发展提供重要参考。

这项研究提出了一种名为INTUITOR的创新方法，让大语言模型无需外部奖励即可自主学习推理能力。研究者利用模型自身的"自我确定性"作为唯一奖励信号，替代传统需要人工标注或答案验证的方法。实验表明，该方法在数学推理上与使用标准答案的方法相当，并在代码生成等跨领域任务上展现出更好的泛化能力。这为开发能在缺乏外部验证的情况下自我提升的AI系统开辟了新途径，对未来自主学习AI具有深远影响。