李飞飞的World Labs以"空间智能"重新定义AI，专注3D物理世界理解，4个月估值飙至10亿美元，获科技巨头集体押注。她揭示语言无法编码物理世界，而DNA双螺旋等突破性发现都源于三维空间的深度认知。

IBM新任首席执行官Arvind Krishna在IBM Think Digital 2020大会上“云首秀”，他以“新常态下的业务发展：不可或缺的新技术”为主题分享了数字化转型时期的企业技术战略趋势。

地平线机器人等机构联合发布EmbodiedGen——首个面向机器人智能的交互式3D世界生成平台。该系统能从单张图片或文字描述生成具备真实物理属性的3D资产，包括刚体物体、关节物体和完整场景，支持纹理编辑与多样化背景生成。所有资产采用URDF格式，可直接导入主流物理仿真器进行机器人训练。通过自动化质量检测、物理属性恢复等创新技术，EmbodiedGen实现了从真实世界到虚拟仿真的无缝转换，为机器人智能研究提供了低成本、高质量的数据增强解决方案。

孟买工程学院研究团队开发出突破性的多语言情感语音合成系统，能实现印地语与英语间的实时口音切换，同时准确表达多种情感。该系统在口音准确性上提升23.7%，情感识别准确率达85.3%，为南亚地区教育技术和无障碍软件应用开辟新道路。

美国加州大学洛杉矶分校等机构联合开发的Xolver系统，创新性地让AI学会像奥数团队一样协作解题和积累经验。该系统通过多智能体协作和双重记忆机制，在数学竞赛和编程挑战中取得突破性成绩，即使使用小型模型也能超越大型商用AI，为人工智能的发展开辟了新路径。

谷歌CEO皮查伊在AI竞赛低谷期坚持"信号降噪"原则，顶住压力加倍投入，最终带领谷歌凭借Gemini系列重夺领先。他坚信AI将超越火与电的革命性影响，通过递归自我改进极大降低创意实现门槛，这场"创造力民主化"浪潮或将解锁80亿人的认知潜能。

这项研究介绍了MADrive系统，一种革命性的自动驾驶场景模拟技术。该系统通过一个包含7万辆真实车辆的数据库，能够将普通驾驶录像转换成各种危险场景的高逼真度模拟，为自动驾驶系统提供安全的训练环境。实验表明，相比传统方法，MADrive在多个关键性能指标上都有显著提升，为解决自动驾驶训练数据稀缺问题提供了新思路。

本周，科技部“人工智能驱动的科学研究”专项部署工作启动；阿里巴巴设立6大业务集团；IDC发布《2023年V1全球人工智能支出指南》

北京大学团队开发出名为JARVIS-VLA的突破性AI系统，能够像人类玩家一样熟练操作《我的世界》游戏。该系统采用创新的三阶段训练方法：先学习游戏世界知识，再训练视觉理解能力，最后学习具体操作技巧。与传统AI不同，JARVIS-VLA不是简单模仿人类行为，而是真正理解游戏规律后再执行任务，可完成超过1000种游戏任务，在各项测试中显著超越现有系统，为未来智能AI发展提供了新思路。

布尔诺工业大学研究团队开发了DeCRED方法，通过在语音识别系统解码器中添加辅助监督，显著提升了系统在未知领域的泛化能力。该方法将域外测试错误率从18.2%降至16.2%，仅用1.72亿参数就达到了接近大型模型的性能。

这项由中国人民大学与斯坦福大学、微软公司合作的研究，开发出名为MoCa的革命性多模态AI技术。该技术通过双向注意力机制和联合重建训练，让AI能够像人类一样同时理解图片和文字，并建立深层语义关联。在大规模测试中，MoCa显著超越现有技术，30亿参数模型就能匹敌传统70亿参数模型，展现出强大的实用潜力和应用前景。

英国杜伦大学等研究团队首次系统性证明，人工智能可通过键盘敲击声音以99%准确率破解用户输入内容。该研究揭示了声学侧信道攻击的现实威胁，攻击者可利用智能手机、会议软件等常见设备实施远程窃听，传统安全防护对此几乎无效。研究提出了包括环境噪音掩盖、虚拟键盘使用、设备权限管理等多层防护策略，为数字时代的隐私保护提供了重要警示和解决方案。

中科大与Metastone公司合作提出"归因接地"框架，通过分析真实指令的产生机制来大规模合成高质量训练数据。该方法将指令归因于文档、用户和动机三要素，构建了100万条指令的SynthQuestions数据集。实验显示，用该数据集训练的AI模型性能显著提升，证明了质量胜过数量的重要性，为解决AI训练数据稀缺问题提供了新思路。

CineMaster是由大连理工大学等机构联合开发的突破性视频生成框架，首次实现了电影级别的三维空间精确控制。用户可在三维环境中自由摆放物体、设计摄像机运动，系统自动生成符合预期的高质量视频。该技术通过创新的数据标注流水线和分阶段训练策略，在物体定位精度和运动控制准确性方面显著超越现有方法，为可控视频生成领域树立了新标杆，有望推动创意产业的民主化发展。

谷歌DeepMind团队开发的SigLIP 2是新一代多语言视觉-语言编码器，支持36种语言的图像理解。通过创新的分阶段训练方法，结合解码器训练、自蒸馏学习和智能数据筛选，实现了在零样本分类、图像检索、精准定位等任务上的全面突破。该系统还采用去偏见技术，显著提升了文化公平性，为全球化AI应用奠定重要基础。

华为全联接大会2022第二天，依旧是干货满满，在华为常务董事、ICT基础设施业务管理委员会主任汪涛的带领下，大会围绕数字基础设施 ，发布了众多产品

BiomedSQL是由NIH和DataTecnica团队开发的首个生物医学文本转SQL基准，专门评估大型语言模型在生物医学知识库查询中的科学推理能力。这项创新研究构建了一个包含68,000个问题-SQL-答案三元组的数据集，基于整合了基因疾病关联、组学数据和药物记录的BigQuery知识库。与通用文本转SQL系统不同，BiomedSQL测试模型是否能理解隐含的科学约定（如基因组显著性阈值为p<5e-08）并执行多步推理。

科技行业正在热烈讨论社交网络的新标准，希望下一代标准能够更开放，同时比Twitter和Facebook都更强大。只是，这一切怎么那么眼熟呢？

UC伯克利大学研究团队发现，当前先进的视觉语言AI模型虽然拥有强大的视觉识别能力，但在实际应用中却无法有效利用这些视觉信息。研究通过对比AI视觉系统的直接表现与完整系统的表现，发现存在巨大的性能差距，AI往往依赖语言模型的偏向性而非真实的视觉感知来回答问题。这一发现揭示了AI系统中视觉-语言整合的根本性缺陷，为未来AI发展指明了新方向。

8月13-16日在鄂尔多斯国际会展中心举办的第21届CCF全国高性能计算学术大会（CCF HPC China 2025）