近日，华为在欧式建筑风格的苏州研究所，也是华为中国政企业务总部所在地，发布了全新形象口号——“数智世界 一触即达”。这也是其提出携手伙伴深耕“NA、商业和分销”三大市场后的又一新动作。

香港浸会大学团队开发了HumbleBench，这是目前最大的AI幻觉评估基准，包含22,831个测试题，专门评估多模态大语言模型的"认知谦逊"能力。与传统只测试选择正确答案的基准不同，HumbleBench的每个问题都包含"以上都不对"选项，测试AI能否在不确定时诚实承认无知。研究发现即使最先进的AI模型表现也不理想，最好的模型准确率仅73%，在极端测试中甚至接近0%，揭示了当前AI系统"不懂装懂"的严重问题。

这项由以色列理工学院等机构完成的研究提出了SingLoRA方法，用单一矩阵替代传统LoRA的双矩阵设计，解决了AI模型微调中的稳定性问题。该方法在保持性能的同时将参数量减少一半，在语言理解和图像生成任务中都表现出色，为大模型的高效适应提供了新的解决思路。

延世大学研究团队开发了BESPOKE评估基准，通过收集30位用户三周内2870个真实会话数据，从需求对齐、内容深度、语调和解释方式四个维度评估AI助手个性化能力。研究发现当前主流AI系统个性化表现普遍不足，平均得分仅60多分，但通过智能利用用户历史信息可显著改善效果，为开发更贴心的个性化AI助手提供了科学评估工具。

在深刻理解了企业数字化之后，我们要面对的下一个问题就是如何推进数字化进程，以顺利实现数字化转型。数字化转型牵扯甚广，既无法一蹴而就，也很难一帆风顺，需要整体规划、分步实施、有序推进。下面，我们将给出数字化转型的四条路径。

OPPO今天发布全面超越 Pro 的封神旗舰 Find X7，标准版 3,999 元起售，1月8日 16:30开启预定，1月12日10:00全面开售。

这项研究首次将在线强化学习成功应用于流匹配模型，通过巧妙的ODE到SDE转换和去噪减少策略，显著提升了AI图像生成的精确度和可控性。在复合场景生成、文字渲染等任务上取得突破性进展，为AI生成领域开辟了新的技术路径。

与“西气东输”“西电东送”“南水北调”等超级工程类似，“东数西算”实施之路也荆棘丛生，该如何解决这些遇到的阻力和挑战呢？

2021年入冬前夕，两本关于数字世界的专著前后出版。

近日，IBM公司在“2018 IBM金融创新者大会”上正式对外发布了银行业和金融市场《2017全球最高管理层调研报告——传统企业的逆袭》行业调研报告以及《锐意创新，驭浪前行——传统银行拉开逆袭大幕》专家洞察报告。

哈工大研究团队开发的CogVLA系统通过模仿人脑认知机制，让机器人学会"智能筛选"信息，根据任务指令只关注重要内容。该系统采用三阶段渐进式处理架构，在LIBERO基准测试中达到97.4%成功率，同时训练成本降低2.5倍，推理速度提升2.8倍，为机器人技术的实用化和普及化奠定了重要基础。

微软研究院联合多所大学开发了villa-X机器人学习系统，该系统通过引入"潜在动作"中间表示，成功解决了机器人理解人类指令并转化为具体动作的难题。系统采用分层专家设计，结合视觉和物理信息学习，在仿真和真实机器人实验中都表现优异，特别是在跨机器人平台的泛化能力上取得重要突破，为通用机器人智能奠定了基础。

新加坡国立大学等机构联合开发的SecCoderX框架成功解决了AI代码生成中安全与功能相冲突的难题。该框架通过创新的漏洞诱导任务合成、基于推理的奖励模型和在线强化学习，实现了代码安全性和功能性的同步提升。实验显示，SecCoderX将有效安全率提升约10%，而传统方法往往导致性能下降。研究团队已开源相关技术，为AI辅助软件开发的安全性提供了可靠解决方案。

要转移到新的宿主物种身上，病原体必须具备一定的适应能力。COVID-19疫情的大范围流行，是不是也受到相应的影响？

UCLA计算机科学系研究团队提出的"自适应并行解码"(APD)方法，成功解决了扩散大语言模型面临的速度与质量权衡难题。该方法通过动态调整并行生成的词数，结合一个小型辅助自回归模型来评估生成质量，并引入KV缓存和掩码输入限制等优化措施，使扩散模型能在保持高质量输出的同时显著提升生成速度。实验表明，使用APD的Dream 7B模型不仅能达到每秒59个词的吞吐量（比基线提升近6倍），还在数学推理等任务上保持了接近原始水平的准确率，甚至超越了传统自回归模型的速度。

斯坦福大学研究团队发现视觉语言模型能够像人类一样"看懂"数据图表，在金融、医疗等领域展现出超越传统方法的分析能力。这项发表于《自然·机器智能》的研究首次系统探索了AI视觉数据分析的潜力，为实现数据分析民主化、让普通人也能进行专业级数据分析铺平了道路。

宾汉姆顿大学研究团队评估了八个开源大语言模型检测反犹言论的能力，使用国际大屠杀纪念联盟定义作为标准。研究开发了"引导式思维链"新方法，显著提升了所有模型的检测性能。Llama 3.1 70B表现最佳，甚至超越了专门训练的GPT-3.5。研究还分析了AI模型的常见错误类型和解释差异，为AI在敏感内容审核领域的应用提供了重要参考。

加州大学圣地亚哥分校研究团队开发的StealthRL系统通过强化学习训练，能够将AI生成文本改写得让检测器无法识别，攻击成功率达99.9%。研究揭示了当前主流AI文本检测器的根本性脆弱性，即过度依赖表面统计特征而缺乏深层语义理解能力。这一发现对教育机构、内容平台等广泛使用AI检测技术的领域具有重要警示意义。

这项哥伦比亚大学研究团队开发的Neuro2Semantic框架，能够从人类颅内脑电图信号中重建语义内容，开创了脑机接口技术的新可能。该框架通过两阶段过程工作：先用LSTM适配器将神经信号与文本嵌入对齐，再用预训练模型将这些嵌入转化为连贯文本。最令人印象深刻的是，它仅需30分钟的训练数据即可实现高效解码，远少于传统方法所需的16小时以上。研究表明该技术在未见过的语义内容上也表现出色，为帮助失语症患者等医疗应用铺平了道路。

这篇研究论文《段级策略优化》提出了一种介于词元级和轨迹级之间的新型强化学习框架SPO，用于提升大语言模型的推理能力。研究者将生成序列划分为连续段落，并在段级粒度上估计优势，实现了更精确的信用分配和更准确的优势估计。SPO框架包含灵活段落划分、基于蒙特卡洛的段落优势估计和段落优势策略优化三个核心组件。研究团队基于此框架设计了SPO-chain和SPO-tree两个特定实例，分别针对短链思维和长链思维场景。