作为英特尔的招牌，至强是王牌，一直引领数据中心市场。目前至强已经迭代到第四代，相比前几代产品，全新的至强处理器系列产品又带来哪些新期待呢？

Adobe Research联合32家顶尖机构发布重磅研究，全面解析长视频生成技术现状与突破路径。研究发现当前AI视频生成存在时长限制（多数仅5-16秒）和质量衰减问题，通过分析六大技术流派和核心架构组件，为实现电影级长视频生成提供了系统性解决方案，预示着从几秒短片向几分钟完整故事视频的技术跃迁即将到来。

纵观特斯拉面临的所有风险，保持品牌形象可能是其中最具挑战的一项。

云市场中“真正的私有云”（TPC）这一部分是全球向云运营模式迁移的一个自然结果。那些不能或不应该迁移到公有云中的数据，将在TPC平台上进行计算，TPC平台利用本地或者接近本地的云技术与之集成。

2022年，是「新IBM」整装出发的第一年，麦俊彦说，他对咨询行业的未来发展有100%的信心，对IBM Consulting的能力有持续性的决心。

想象一下，你对AI说："给我画四个杯子"，结果AI只画了三个，或者你要求"一只红狗"，却得到了一只棕色的狗。这些"听不懂人话"的情况在当今最先进的文生图AI中仍然很常见。虽然目前的AI生成技术已经能创造出令人惊叹的图像，但在准确理解和执行具体指令方面，它们还存在明显的短板。

这项由13家国际研究机构联合开发的研究介绍了Maya——一个突破性的多语言视觉AI模型。Maya能够用8种语言理解和描述图片内容，包括理解不同文化背景的视觉概念。研究团队通过创新的数据构建方法，将55万个英文样本扩展为440万个高质量多语言样本，并采用两阶段训练策略。Maya在多语言基准测试中表现优异，特别是在阿拉伯语等复杂语言上超越了同类模型，为教育、医疗、旅游等领域的全球化应用开辟了新路径。

最近半年，一场猝不及防的疫情席卷了全球，众多企业在仓促之下，不得不加快远程办公或远程运维项目的上线，以尽快恢复业务。

人工智能方法论（尤其是CPMAI方法论）的最佳实践就必须理解人工智能项目必需的数据，并且为人工智能技术的使用做好数据准备，这是必需的基础。

拥抱容器，企业要迎接真正的「现代」架构，摆正心态。

2022年2月23日的 “鲲鹏DevKit新版本推介会”上，来自鲲鹏DevKit产品研发专家们向广大开发者详细解读了新版本的最新特性。

大语言模型技术日新月异，但评估它们的能力和局限性仍面临挑战。传统基准测试已不足以全面衡量这些强大工具。本文提出了四个新的人本主义评估维度:价值观、情感、思维和交互,旨在从更深层次、更以人为中心的角度来评估这些变革性技术,以确保AI的发展不仅仅追求智能,更要追求智慧、责任和协作。

什么是量化高频交易？在数字化、信息化时代，利用海量数据分析进行实时决策已成为主流趋势，在金融投资领域也不例外

马斯克在社交媒体平台X上发文称，特斯拉计划8月8日推出自动驾驶出租车(robotaxi)。这将是马斯克在其总体规划第二部分中描述的所谓的“特斯拉网络”，几年前他曾预测特斯拉车主将能够通过软件调动他们的自动驾驶汽车去接送乘客来赚取收入。

如何依靠AI探索新模式、让数据变成个性化服务？如何整合现有AI应用，规划和建设统一的AI平台？如何全方位打造自主可控的AI技术能力，使AI真正成为企业大脑？电力能源企业只有正确回答这“三道试题”，才能顺利地进入智能化发展轨道。

"支线任务与主线任务"是马斯克经常使用的游戏化比喻。"我确实感觉在华盛顿工作时因为清除浪费和欺诈而受到很多抨击，这是一个有趣的支线任务，"他坦言政府效率改革的重要性，但他强调"得回到主线任务。主线任务就是技术建设。"

这项研究提出了一种改进的声乐效果风格迁移方法，通过在推理时间优化过程中引入高斯先验知识，解决了传统ST-ITO方法忽视参数合理性的问题。研究团队基于DiffVox数据集构建了专业效果器参数分布模型，将风格迁移转化为最大后验概率估计问题。实验结果表明，该方法显著优于基准方法，参数均方误差降低了33%，并在主观听感测试中获得最高评分。这一创新为音频处理领域融合数据驱动和专业知识提供了新思路。

天津大学和清华大学研究团队开发的FuxiMT是首个中文为中心的多语言翻译模型，基于BLOOMz模型并整合了混合专家技术，支持65种语言的翻译。其采用两阶段训练策略：先在50亿中文句子上预训练，再通过课程学习方法在多语言并行语料上微调。实验表明，FuxiMT在各种资源水平的语言对翻译任务中均优于主流基线，尤其在低资源语言和零样本翻译中表现突出，为跨语言交流提供了新解决方案。

上海AI实验室联合清华等机构发现，通过"测试时计算扩展"策略，小型AI模型可以战胜参数规模大135倍的巨型模型。10亿参数的模型在数学推理任务上超越了4050亿参数的模型，甚至5亿参数的迷你模型都能胜过GPT-4o。研究揭示了AI发展新方向：聪明的推理策略比模型规模更重要，为资源有限的机构提供了"以智取胜"的可能性。

这项来自加拿大滑铁卢大学的研究挑战了"更多训练数据总是更好"的观念，发现某些数据集反而会损害信息检索模型性能。研究者提出了RLHN方法，使用级联LLM技术识别并重标注训练数据中的"假负样本"。实验表明，这种方法显著提升了检索和重排模型在BEIR和AIR-BENCH基准测试上的性能，尤其在处理未见过的领域时效果更佳。人类验证结果证实了该方法的可靠性，为构建更准确、鲁棒的信息检索系统提供了新思路。