CrowdStrike宕机事故的余波已基本散去，但从中吸取教训、把握最重要的IT影响才是意义所在。

北京智源人工智能研究院发布首个大规模AI推理模型评测报告，通过全新数据集测试发现：当前最先进的推理模型存在思考过程与答案不一致、虚假声称使用外部工具、推理时间与视觉任务效果无关等问题。研究覆盖GPT-5、Gemini 2.5等数十个模型，揭示了AI推理能力的真实现状和安全隐患。

欧盟立法者顺利通过投票，要求所有手机统一使用USB-C接口。所以使用USB-C接口的iPhone也许已为期不远了。

在成为优秀交付经理之前，他把头深埋在机房里面，少有跟客户沟通交流，这死啃技术的冷板凳，一坐就是三年。三年里，他清楚每一根线缆的摆放位置，更把网络架构图看了无数遍，但他慢慢地察觉到，只懂得技术并不能以最好的方式去解决客户的问题。

斯坦福大学研究团队深入分析了广泛使用的AI评判系统Arena-Hard Auto，发现了三个重大问题：AI评委经常不按既定标准评判（规划失效），不同评判维度高度重合无法独立区分（因子坍塌），以及ELO评分系统通过数学变换掩盖了底层的不确定性。研究开发了专门的诊断工具来检测这些问题，并提出了改进建议，对依赖AI评判系统的学术研究和商业应用具有重要警示意义。

这项研究提出了CLUE框架，首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同，CLUE能识别文本片段间的冲突与一致关系，并解释它们如何影响模型的预测不确定性。实验表明，CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性，用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改，适用于任何白盒语言模型，为事实核查提供了实用支持。

以“智联世界、元生无界”为主题的2022 世界人工智能大会（WAIC）于9月3日在上海圆满落幕。WAIC作为全球人工智能的“科技风向标、应用展示台、产业加速器、治理议事厅”，是全球人工智能领域最具影响力的行业盛会。

为特定行业提供云应用的领先提供商Infor正式发布Infor Coleman 数字助手，该产品旨在通过实现Infor CloudSuite的自然语言可扩展性和可访问性，帮助最大限度发挥人类工作潜力。

上海交通大学团队构建了SWE-QA仓库级代码问答基准测试，包含576个高质量问答对，评估AI理解整个代码库而非片段的能力。研究开发了SWE-QA-Agent智能代理系统，通过迭代推理和多工具协作回答复杂代码问题。实验显示Claude 3.7 Sonnet表现最佳，AI在概念性问题上表现良好但在需要深度推理的定位问题上仍有挑战。

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……

这项由法国CentraleSupélec大学领导的国际研究成果发布了EuroBERT多语言AI模型家族，该模型支持15种语言处理，具备数学和编程理解能力，支持长达8192token的文本处理，在多项任务上超越现有模型，为跨语言AI应用提供了新的技术基础。

大概十多年前，业界开始三句话不离“大数据”。

面对人工智能芯片这样一个百亿级规模的市场，充满“野心”的企业不在少数，甚至有不少初后起之秀直接“叫板”英伟达。Habana Labs正是其中之一。

NVIDIA收购Arm所催生的变革意义或许现在还不能兑现，但是在不远的将来我们会切身感受到这种收购所带来的变化。

VITA-1.5是首个实现GPT-4o级别实时视觉语音交互的开源多模态大语言模型。通过创新的三阶段训练策略，系统能够同时处理图像、视频和语音信息，实现端到端的语音对话，无需外部ASR或TTS模块。在多项基准测试中表现优异，语音识别准确率达到97.8%以上，为多模态人机交互开辟了新的可能性。

第三届Runway AI电影节展示了利用Runway、Midjourney等AI工具生成全新视听作品，颠覆传统电影制作，赋能无限创意。

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？

美国劳动节前夕，AI与就业话题从猜测转向政策核心。美联储主席鲍威尔在杰克逊霍尔会议上表示，疲软的就业市场与顽固通胀并列成为美联储风险考量因素。市场解读为降息信号并大涨。研究显示AI主要推动就业重新配置而非大规模失业，仅4%岗位高度依赖AI。采用AI的企业内部流动性增加一倍，但员工job安全感并未下降。美联储将密切关注AI生产力提升如何影响工资谈判和就业稳定。

大型语言模型对数据中心基础设施提出前所未有的需求。AI蒸馏技术通过将庞大AI系统压缩为更高效的小型模型，为可扩展性和可持续性挑战提供突破性解决方案。该技术包括教师模型训练、学生模型训练和知识转移三个关键步骤。通过响应式、特征式和关系式等多种蒸馏方法，能显著降低计算成本，推动AI民主化进程，未来可能实现从集中式数据中心向个人设备的迁移。

中科院联合字节跳动开发全新AI评测基准TreeBench，揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法，通过要求AI同时给出答案和精确定位，实现真正可追溯的视觉推理，为构建更透明可信的AI系统开辟新路径。