OpenAI 的 ChatGPT 爬虫存在安全漏洞，可被利用对任意网站发起分布式拒绝服务攻击。攻击者只需向 ChatGPT API 发送一个包含大量重复 URL 的请求，就能触发爬虫对目标网站进行大量访问。此外，该漏洞还可能被用于绕过限制，让爬虫回答查询。这些问题凸显了 AI 系统在安全性方面的潜在风险。

Check Point Research 报告指出，Trickbot 和 Emotet 在全球威胁指数榜单中位居前列，主要用于在全球医院和医疗提供商中传播勒索软件

最新研究显示,混合型工作方式还将继续下去,突显了员工体验从未如此重要

在 DevOps 协作框架下，安全防护是整个 IT 团队的共同责任，需要贯穿至整个生命周期的每一个环节。

近日，在线音乐教育平台VIP陪练在其举办的“2018VIP陪练妙克艺术人才基地启动仪式”上宣布，平台已完成1.5亿美元C轮融资，投后估值约为6亿元。

这项来自越南国立大学和新加坡Knovel工程实验室的突破性研究证明，仅用15亿参数的小模型就能通过精心设计的强化学习策略实现卓越的数学推理能力。研究团队用42美元训练成本和7000个精选样本，让小模型在AIME24测试中达到46.7%准确率，超越OpenAI的o1-preview模型，展现了"小而美"的AI发展新路径，为资源受限的研究者和开发者提供了高性价比的AI推理解决方案。

长期以来，人工智能与超级计算似乎是两个独立的领域。然而，随着大模型训练对算力需求的指数级增长，二者之间的界限逐渐模糊。并行科技董事长陈健一针见血地指出：“AI训练的本质就是超算，超算也并不仅仅是CPU的超级计算机。超算架构、以GPU为核心的算力平台成为大模型训练的必备基础设施。”

瑞典领先的杂货零售商ICA公司首席信息官Benny Svensson解释了他是如何重新调整公司数字能力并简化技术环境，以更好地为客户服务。

微软联合多所知名高校开发了SwS框架，让AI模型能够自主识别学习弱点并生成针对性练习题进行自我改进。该方法在数学推理任务上取得显著效果，7B和32B模型平均性能分别提升10%和7.7%。通过"弱点诊断-针对性出题-强化训练"的三步流程，AI首次实现了真正意义上的自我反思式学习，不依赖外部知识灌输即可持续优化自身能力，为人工智能的自主学习开辟了新道路。

HPE今年4月推出的Alletra，强调在架构上把GreenLake消费采购、SaaS购置和软件定义存储服务结合起来。

NVIDIA Ampere架构和Mellanox InfiniBand网络推动全球AI超级计算的发展。

业务由数据推动。公司依靠数据制定明智决策，为用户和客户提供个性化服务，并将全球团队联系在一起。数据如此重要，通常是公司最有价值的资产。

安霸半导体从芯片供应商角度提出信息安全应对方案：磐石，取中文的坚如磐石意思。磐石包含六大方面功能：系统完整性保护，系统加固，数据存储保护，数据传输保护，知识产权保护，用户隐私保护，分别应对上述提到的各类安全风险与攻击。

目前，中国零售业的创新程度和增长速度可以与任何西方经济体相媲美。消费者购物偏好发生迅速变化的同时，实体购物与数字购物之间的界限也变得模糊起来。不难看出，中国消费者已经步入了全渠道购买的行列，但随之而来的，是消费者期望值的不断攀升。

南洋理工大学团队提出Demo-ICL技术，让AI通过观看示范视频或阅读指导文字快速学习新技能并应用到新场景，类似师父带徒弟的学习模式。研究构建了包含1200个问题的Demo-ICL-Bench测试平台，发现现有AI在示范学习方面表现不佳，揭示了视觉抽象、时序对应、知识迁移等核心挑战，为未来机器人、教育、医疗等领域应用奠定基础。

尽管人工智能炒得火热且看似发展前景光明，但目前仅有少数的企业机构能大规模部署与使用人工智能。还有绝大部分仍在努力制定其人工智能战略：确立人工智能的用途与适用性、制定技术与商业模式、并试行早期项目。

阿里巴巴DAMO院推出开源多语言大模型Babel，支持全球25种主要语言，覆盖90%世界人口。采用创新的层扩展技术而非传统继续训练，推出9B和83B两个版本。在多语言任务评估中表现出色，83B版本接近GPT-4o性能，特别关注印地语、孟加拉语等被忽视的大语言群体，推动AI技术的包容性发展。

当前，新一轮科技革命蓬勃兴起，数字技术快速发展，数字化场景深入千行百业，数字化日益成为推动城市社会治理变革的重要力量。

卡内基梅隆大学研究团队开发了OpenBEATs，首个完全开源的通用音频理解系统。它突破了传统音频AI只精通单一领域的局限，能同时处理音乐、环境声音和生物声音，参数规模达3亿。在25个数据集的测试中表现卓越，特别在生物声学领域的10个数据集中有6个获得最佳成绩。该系统还具备音频推理能力，能回答音频相关问题并生成描述，为生态监测、音乐分析等应用提供强大技术支撑。

慕尼黑工业大学研究团队首次将"grokking"现象成功应用于真实世界的复杂推理任务，通过巧妙的数据增强策略，让仅有1.24亿参数的小型AI模型在多步推理任务上达到95-100%准确率，超越了GPT-4o等大型模型。更令人惊讶的是，即使训练数据中包含错误信息，也能增强而非削弱模型的推理能力。