过去的一年在新兴技术的推动下，不论是行业、公司以及职场人热门的技能都随之发生变化，这些变化将成为2019年职场发展重要的风向标。

在本文中，我们除了探讨AIaaS这一概念之外，还将了解AIaaS的基本定位与垂直采用情况。

Hugging Face团队发布SmolLM2语言模型研究报告，详细阐述了17亿参数小型模型的创新训练方法。该研究通过多阶段精细化训练策略和三个全新数据集(FineMath、Stack-Edu、SmolTalk)的创建，证明了小模型在数据质量优化下可达到优异性能。模型在多项基准测试中超越同规模竞品，为人工智能技术的普及化和可持续发展提供了新的技术路径。

无论安全性几个“9”，一出问题一无所有。根据3月22日戴尔易安信最新一期“全球数据保护指数”调查显示：全球大多数企业现已认识到数据的价值，却难以有效保护数据安全。

献礼开发者！7.24 北京将举办一场企业开发者大会超过30位国内外技术大咖、多达25场技术应用分论坛、以及3场独特的开发者动手实验…

Kraft 集团与波士顿的 NWN 签订五年战略合作协议，通过网络升级、云协作和 AI 应用等措施，全力提升全集团科技架构，确保大型体育赛事期间网络安全高效运行。

秉承“在中国，为中国”理念，戴尔HPC助力超算在中国的行业应用更具广度和深度， 也为在路上的中国超算，带来更多的成功实践，助力中国速度升级中国力量！

上海AI实验室开发的VLAC模型让机器人首次具备真实世界自主学习能力。该系统如同给机器人配备智能导师，能实时评估动作效果并从中学习。在四个操作任务测试中，机器人成功率从30%提升至90%，仅需200次练习。技术结合视觉、语言理解和动作生成，支持跨场景适应和人机协作，为家庭服务、医疗护理等领域应用奠定基础。

“4K大屏那么神奇？那不相当于咱们自己去现场了！”老婆扭头瞄我一眼，脸上写了仨大字——“我不信！”

Dell EMC Live Optics的精髓，即通过Live Optics Report抓取的服务器存储的每一招每一式，进行详细分析，明确IT环境，最后找到服务器存储的破绽，

最近一些人工智能的健康和进展状况相关调查、研究、预测和其他定量评估发现，美国人对人工智能技术的承诺或者危险所持态度是一半一半的，尽管他们并不完全知道人工智能到底是什么。

香港大学团队发布史上最大规模AI绘画推理数据集FLUX-Reason-6M，包含600万张高质量图像和2000万条双语描述，耗费15000个GPU天计算资源。首创"生成链式思维"训练法，让AI学会像人类艺术家般思考创作过程。同时推出PRISM-Bench测评标准，对19个先进模型评测显示闭源模型仍领先，但所有模型在文字渲染等复杂任务上都有改进空间。

网络安全研究人员发现了名为Reynolds的新兴勒索软件家族，该软件将BYOVD组件直接嵌入勒索软件载荷中以实现防御规避。该软件利用存在漏洞的NsecSoft驱动程序终止多家安全厂商的EDR产品进程。与传统分离部署方式不同，这种捆绑策略使攻击更难被发现和阻止，同时简化了攻击流程，降低了在受害者网络中留下痕迹的风险。

RAVENEA是哥本哈根大学研究团队开发的首个多模态检索增强视觉文化理解基准，集成了超过10,000份人工标注的维基百科文档，用于评估视觉语言模型的文化敏感性。研究发现，轻量级视觉模型在配备文化感知检索功能后，在文化视觉问答和图像描述任务上分别提升了至少3.2%和6.2%的性能，证明了检索增强方法在提升AI文化理解能力方面的有效性，为构建更具文化包容性的视觉AI系统开辟了新路径。

单靠数据仓库已经无法满足当下的数据分析需求，借助数据湖可以更从容应对这一需求更从容些。

不好意思，AI正在出手。

加州大学伯克利分校研究团队发现，专门用于深度推理的AI模型在实际任务中容易出现"过度思考"现象，即过分依赖内部推理而忽视环境反馈。通过分析4018个AI行为轨迹，研究显示推理模型的过度思考倾向比普通模型高三倍，且过度思考程度越高任务成功率越低。研究提出了有效缓解策略，能将模型性能提升30%并降低43%计算成本。

今天正式宣布开源DeepFlow核心的可观测性数据流引擎，希望将高度自动化的可观测性能力、自动追踪和自动标签能力开放到整个行业

MIT等顶尖院校研究团队发现AI处理长文本时存在"记忆过载"问题，提出OPRM溢出预防方法，通过"分而治之"策略让AI学会聪明遗忘，性能提升14%-51%。该方法类似智能图书管理员，先快速浏览所有相关内容，再专注分析最相关部分，避免了传统方法的记忆溢出困境，为实现更高效的长文本AI应用开辟新路径。

该研究首次通过实验揭示了人类在战略博弈中如何对待大语言模型(LLM)对手。爱丁堡大学研究者发现，在p-美丽竞赛游戏中，人类面对LLM对手时会选择显著较低的数字，特别是增加了选择"零"的频率。高战略推理能力的参与者更倾向于这种行为转变，他们期望LLM能够理性推理至均衡，甚至具有合作倾向。这些发现对未来人机混合环境的机制设计具有重要启示，揭示了战略互动中人类对AI的特殊期望。