谷歌宣布为大学生免费提供最先进AI工具，这是科技巨头塑造未来劳动力的多亿美元竞争最新举措。通过10亿美元三年投资，谷歌AI教育加速器为美国大学生提供Gemini 2.5 Pro培训认证。这标志着高等教育从ChatGPT出现后的广泛禁用转向机构合作。微软、IBM等企业也在争夺AI人才，通过免费工具、培训项目和认证体系吸引学生。成功将取决于哪个生态系统能最好地为学生职业发展提供实际价值。

AI工作负载已经集中为单一的深度学习领域，这也是市场需求所使然。

生成式AI席卷而来，不同于最直观的算力，存储能做点什么？

疫情危机下数字化技术成为应对不确定性环境的重要抓手，基于PKS自主技术体系，中国电子云为政企数字化转型提供了一个安全、开放的云。

本研究提出了MuToR，一种通过在输入序列中插入"寄存器令牌"来改进大语言模型训练的创新方法。与传统的"下一个词预测"方法相比，MuToR使模型能够同时预测多个未来词，从而提供更丰富的学习信号。这种方法不需要改变模型架构，仅增加极少量参数，并且在微调预训练模型时表现尤为出色。研究团队在数学推理、文本摘要和图像生成等多种任务上验证了其有效性，证明MuToR不仅能提高模型性能，还能在保持推理速度的同时增强模型的规划能力。

中科院团队发现AI视觉模型在复杂场景中容易"分心"，开发了CARVE对比注意力方法。该方法通过对比AI在通用指令和任务指令下的注意力差异，识别并屏蔽视觉干扰，突出重要区域。实验显示开源模型性能提升达75%，方法无需重训练即可应用于现有模型，为提升AI视觉推理能力提供了实用解决方案。

康奈尔大学团队提出的"神秘语言模型"(Eso-LMs)创新性地融合了自回归和掩码扩散模型的优势，实现了两种范式间的平滑过渡。研究最大突破在于首次为掩码扩散模型引入KV缓存技术，同时保留并行生成能力，使推理速度比标准扩散模型快65倍，比半自回归模型快4倍。通过设计特殊的注意力机制和采样策略，Eso-LMs在保持扩散模型并行生成优势的同时，解决了传统扩散模型的效率瓶颈，为语言生成任务提供了质量与速度兼具的新解决方案。

浙江大学团队开发的RuscaRL方法通过"脚手架学习"解决了AI训练中的探索瓶颈问题。该方法使用评分准则作为智能指导，在训练中提供差异化支持并逐步减少辅助，让AI学会独立思考。实验显示，使用RuscaRL的小模型能在医疗咨询等复杂任务上超越GPT-4，证明了教育学原理在AI训练中的重要作用。

戴尔易安信数据保护自年初以来有着十分强劲的表现，根据IDC报告显示，戴尔易安信强化了在全球专用备份设备（PBBA）领域份额第一的领先优势

文章论述 AI 代理将超越单纯对话，具备自主决策能力。内容涵盖 Anthropic（Claude）、MIT 代理数据库以及新型企业利用 AI 变革专业分工与人机协作，探讨监管与应用挑战。

香港大学团队联合快手科技发布的这项交互式生成视频技术综述，展示了AI如何实时创造虚拟世界的革命性能力。该技术通过五大模块协同工作，让AI能够根据用户操作实时生成独特的游戏场景，在游戏、机器人训练和自动驾驶等领域展现出巨大应用潜力，有望重塑我们的数字体验方式。

成立5年来，世纪互联蓝云从最初只是运营微软Azure云，到今天除了运营微软Azure、Office 365、Dynamic 365等众多云服务，同时还在围绕微软这些云服务构筑一个庞大的云生态。这也是微软面向未来的一个布局。

在交通运输部发布的2022年上半年十大沿海主要港口集装箱吞吐量榜单中，联接东盟和中国西部腹地的北部湾港集团，同比增速排名第一。

作为一项跨时代的移动通信技术，5G将构筑起万物互联的基础设施，赋予经济增长的新动能、新发展。人们想象着在5G网络下，智能手机快速下载电影、看视频再也不卡壳。

逐步将技术和财务审批的权限下放是数字化转型的重要环节，但是首席信息官们准备好放手了吗？

近日，华为云WeLink与友成基金会启动“特岗青椒计划”项目合作，用技术缩短空间距离填补教育不公平的鸿沟，共同助力乡村青年教师教学能力提升，在科技助力下，普惠教育。

今年年初，国家发改委等部委启动“东数西算”工程，将东部的算力需求转移到西部，除了东西部电力资源的不平衡的考虑之外，另一个重要的因素就是利用自然冷源。

康卡斯特和UCL研究团队开发了WhisTLE技术，解决语音识别模型在新领域适应中只能依赖昂贵语音数据的问题。该方法通过训练变分自编码器模拟语音编码器输出，实现仅用文本进行深度监督适应。实验显示平均降低12.3%词错误率，且推理时无额外计算成本，为跨域语音识别提供了高效实用的解决方案。

微软和马萨诸塞大学研究团队通过系统分析六种AI模型在多跳推理任务中的表现，发现了AI推理中的普遍问题：过度跳跃、推理保真度随复杂性下降、以及正确答案与错误推理过程脱钩现象。研究建立了七种推理错误分类体系，并开发了自动化评估框架，为改进AI推理能力和构建可靠AI系统提供了重要指导。

德州农工大学等多所高校联合发布MMHU数据集，专门针对自动驾驶场景的人类行为理解。该数据集包含57,000个人类行为实例和173万视频帧，覆盖过马路、打电话、骑车等13种关键行为，并提供详细的文字描述和行为标注。实验显示，基于该数据集训练的模型在行为识别准确率上有显著提升，将推动自动驾驶系统更好理解人类行为和意图，提升道路安全。