悉尼科技大学等机构联合提出REARM框架，通过元网络过滤模态共享特征噪声，运用正交约束保护独特信息，并深度挖掘用户兴趣与商品关联关系，在多个电商数据集上显著提升推荐准确性，为多模态推荐系统的个性化与精准化提供了新的技术路径。

自动驾驶开发商Nuro与豪华电动车制造商Lucid建立合作伙伴关系，获得Uber投资，共同打造机器人出租车新玩家。Nuro从纯配送市场转向授权自动驾驶技术，Lucid负责车辆制造并集成Nuro硬件设计，Uber拥有并运营车辆。该合作计划6年内生产至少2万辆汽车，主打豪华路线。随着行业竞争加剧，成本控制和差异化服务将成为关键因素。

英特尔公司数据中心部门总经理兼执行副总裁Navin Shenoy在本周三的以数据为中心创新峰会上，正式开始将这一全新产品线成果交付至谷歌平台副总裁Bart Sano手中。

韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架，解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略，将存储需求压缩至原来的12%，同时保持高准确性，让手机和AR眼镜也能实时理解超长视频内容。

斯坦福大学等国际研究团队通过对比GPT-3.5、GPT-4o等六个主流大语言模型在印地语、波斯语和中文对话中的表现，发现AI在不同语言中的"幻觉"现象存在显著差异。研究显示中文表现最稳定，幻觉现象最少，而印地语和波斯语中AI经常出现答非所问的情况。这一发现揭示了训练数据质量对AI语言能力的决定性影响，为多语言AI公平性发展提供重要参考。

10月29日，在青岛市工业与信息化局指导下，由软控股份有限公司和深信服共同发起的“解码3D 设计终端建设创新之路——共筑安全高效办公空间研讨会”在青岛举行。

模型蒸馏技术在Gartner 2025年AI技术成熟度曲线中已达到"启蒙斜坡"阶段。虽然中国DeepSeek近期将其推向聚光灯下，展示了如何用模型蒸馏训练出可媲美OpenAI的大语言模型，但该技术并非新发展，可追溯至2006年。随着基础模型计算成本高昂，企业开始寻求以10%成本获得80%性能的解决方案。模型蒸馏作为创新与可扩展性的桥梁，正获得商业关注。

伊利诺伊大学香槟分校研究团队开发了Router-R1，一个能让多个AI模型像团队一样协作的智能调度系统。该系统通过强化学习，学会在"思考"和"调用专家"之间灵活切换，能根据任务复杂度动态协调不同AI模型，同时平衡性能与成本。在七个问答数据集的测试中，Router-R1显著超越现有方法，平均准确率提升约20%，并展现出对未见过模型的强泛化能力。

Vinton Cerf曾在四十年前协助创造了互联网，如今他仍在努力帮助世界各地的人们建立联系。

密歇根大学研究团队首次破解AI编程语言选择机制，开发出G-ACT智能控制系统。该技术能精确引导AI选择C++等高性能语言，解决科学计算中AI语言偏好不当问题。实验显示控制准确率提升15%，为构建可靠AI智能体奠定基础。这项发表于2025年6月的研究标志着从"训练AI"向"控制AI"的重要转变。

文章介绍了AI大语言模型中最新的深度研究功能，这是目前最令人印象深刻的新功能之一。作者详细解析了ChatGPT、Claude和Gemini等主流模型的使用方法，并重点展示了深度研究功能的实际应用。通过实际测试，作者用ChatGPT 4.5的深度研究功能生成了一份关于1990-2025年最令人厌烦歌曲的详细报告，展示了AI如何通过思维链进行深度研究和分析。文章还提到了语音交互模式将进一步改变用户与AI的交互体验。

加州大学伯克利分校、MIT和斯坦福联合研发的SVG2技术通过语义感知排列实现了视频生成的重大加速。该方法巧妙解决了现有稀疏注意力机制中的两大瓶颈：识别不准确和计算浪费。通过k-means聚类对像素按语义特性分组并重排，SVG2在保持高质量的同时将生成速度提升至2.3倍，使原本需30分钟的视频生成缩短至13分钟，为实用化AI视频创作铺平了道路。

所有这一切都将回归最初的主题：HPC创新需要大量时间，量子加经典的混合系统可能才是最终解决之道。未来的计算基板可能会以分子、光子甚至是其他未知的形式，工程师和科学家们距离正确答案还非常非常遥远。

IBM研究院开发出群体相对策略优化(GRPO)方法来训练语音感知大语言模型，通过让AI生成多个答案并比较优劣进行学习，在语音问答和自动翻译任务上取得显著性能提升。实验显示该方法比传统监督微调效果更好，BLEU分数最高提升10.9%，为语音理解AI的发展开辟了新路径。

普林斯顿大学研究团队通过分析500多个机器学习模型，发现了复杂性与性能间的非线性关系：模型复杂性存在最优区间，超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象，提出了数据量与模型复杂性的平方根关系，并开发了渐进式复杂性调整策略，为AI系统设计提供了重要指导原则。

约翰霍普金斯大学团队开发出突破性技术，仅通过分析普通视频中人眼无法察觉的微小颜色变化，就能检测血管功能异常。该技术利用人工智能识别心脏跳动在皮肤表面产生的细微光学信号，为心血管疾病提供便捷的无接触筛查方法。研究成果发表于2024年CVPR会议，有望推动远程医疗和个人健康监测领域的重大变革。

9月7日，2018 ODF（OPEN-SOURCE DATABASE FORUM）开源数据库论坛暨MariaDB中国用户者大会在北京隆重召开，指导单位相关领导、企业相关负责人和来自全国各地的数百名数据库领域的开发者和技术爱好者会聚一堂。

ChatGPT虽然是目前最受欢迎的AI聊天机器人，但它并非万能。文章指出11个不应该使用ChatGPT的场景：诊断健康问题、处理心理健康、紧急安全决策、个人财务税务规划、处理机密数据、违法行为、学术作弊、监控实时信息、赌博预测、起草法律文件以及创作艺术。AI可能产生错误信息、缺乏实时数据更新，在高风险场景下可能造成严重后果。用户应了解其局限性，在关键决策时寻求专业帮助。

首尔国立大学研究团队提出了"多模态对抗组合性"(MAC)基准测试，评估预训练多模态表示(如CLIP)在理解文本与图像、视频、音频关系时的组合性弱点。研究使用大语言模型生成欺骗性文本，通过样本成功率和多样性双重指标进行评估。团队创新性地提出了多样性促进自训练方法，即使使用较小的Llama-3.1-8B模型，也能显著提高攻击成功率和多样性。实验在COCO、MSRVTT和AudioCaps数据集上验证，该方法优于现有技术，并展示了良好的跨模型迁移性，为构建更可靠的多模态系统提供了重要见解。

Luckin的新书《机器学习与人类智能：二十一世纪教育的未来》认为，如果我们不希望自己的孩子及他们的老师变成机器人，那么必须从根本上重新对智力做出重新定义。