在2023世界机器人大会现场，我们和诺亦腾CEO刘昊扬进行了一次交流，谈了谈他眼中动捕技术的发展、在医疗领域的应用，以及在AI大模型上的探索。

在2023世界机器人大会现场，我们和诺亦腾CEO刘昊扬进行了一次交流，谈了谈他眼中动捕技术的发展、在医疗领域的应用，以及在AI大模型上的探索。

韩国科技院研究团队创建ViExam数据集，首次全面评估视觉语言模型在越南语多模态考试中的表现。通过2548道涵盖七个学科的题目测试，发现顶级AI模型平均准确率仅57.74%，低于人类学生66.54%的水平。研究揭示AI在多模态推理方面的局限性，为多语言AI发展提供重要参考。

可实时交互的AI生成世界，腾讯发布的AI框架Yan，会是元宇宙的破局者吗？

Yandex研究院开发出SWD技术，通过"阶梯式"分辨率策略让AI绘画速度提升2-10倍。该方法从低分辨率开始逐步升级，避免在早期高噪声阶段处理无效细节，同时创新了分片分布匹配技术确保质量。在多个主流模型上的测试显示，SWD在保持相近质量的同时显著提升了生成效率，为AI内容创作的实时化应用奠定了基础。

智算中心建设如火如荼。也因此，经常在公开报道中看到，某某智算中心PUE如何的低，然后非常绿色环保，等等。

2019年8月，25岁的童昊入职华为，当时他根本没有想到，两年后自己参与研发的瑶光资源二次调度通用求解器，每年可以为华为云节省数千万元，这也成为他参加工作两年多来最有成就感的事。

移动应用市场在2017年同样保持了高速增长，与此同时，营销人正面临异常激烈的竞争和各种行业问题——整个市场自然下载量大幅降低、作弊涌现、广告成本剧增等。

亚利桑那州立大学的研究团队开发了RefEdit，这是一种新型图像编辑AI系统，能够准确理解和处理指代表达（如"中间那个人"、"右边的猫"）。通过创建RefEdit-Bench基准测试，研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程，仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。

印度理工学院团队开发REFINE-AF框架，让小型AI模型通过强化学习自动生成训练指令，无需大量人工标注。该方法在119项测试任务中，63-66%的表现超越传统方法，证明了小模型也能通过巧妙设计获得优异效果，为降低AI训练成本提供了新思路。

对于消费者来讲，AI仍是一个非常非常新的领域。谁能告诉我，AI手机与智能手机到底有何区别？——问题摘自围观了很多场“AI手机”发布会的网友。基于此，我们注意到了荣耀V10，它是近期比较热门的“AI手机”，同时也是本文的主角，话题只围绕“AI”展开...

阿里云演示了如何借助“通义点金”智能平台的银行业工作流中，实现多智能体协同驱动的、全自动化生成信贷尽调报告。

如果说AI产业现在有一个风向标公司，自然会是英伟达；如果看英伟达最新的动向，那无疑是每年一度的GTC大会；而如果说GTC最不能错过的环节，自然就是黄仁勋的主题演讲了。

关注IT支出的朋友可能发现一个悖论：用于支持生成式AI的基础设施开销正在迅速提升，英伟达收入与利润两路狂飙的现实已经清楚证明了这一点。然而数据中心硬件层面的总支出并没有发生太大变化，且目前来看支出的主要增长点将集中在服务领域，其更多是为了减轻其他类型的工作、而非指望生成式AI独力支撑起销售预期。

要留住观众，就必须转型。于是，重庆广电在四五年前果断引入了各种数字技术，积极推进融合媒体发展——人工智能的落地和应用，便是其中的尝试之一。

现代数据中心的去重技术已成为标配，但各系统间独立运作造成数据在跨系统边界时反复重新去重，浪费CPU、内存和网络资源。基础设施级去重通过统一元数据和跨层运作，将存储、计算和网络层的去重能力整合，可减少40-60%的I/O操作，降低70-90%的网络复制流量，消除30-50%的资源开销。面对VMware转型、AI工作负载增长和预算压力，将去重从通用功能提升为战略能力成为关键。

作为当下的热门话题，网上关于元宇宙可能给游戏、娱乐、社交、办公、商业等领域带来的革命性潜力已经讨论过很多。但元宇宙在医疗保健层面难道就没有发挥的空间？当然不是，另外一场巨大的变革很可能就在这里爆发。

清华大学与阿里巴巴合作开发的S?-Guidance技术，通过创新的"随机自引导"方法解决了AI图像和视频生成中的质量问题。该技术无需额外训练，仅通过随机屏蔽模型部分功能来创建内部"顾问"，指导AI避免低质量输出。实验显示在多个评估维度上显著超越传统方法，人类专家评价中获得31%偏好率，计算开销仅增加20%。

最近，包括戴尔科技集团全球CTO在内的多名行业顶级从业者，从云、人工智能、安全、边缘、数字化转型等方面，对2022年展开了技术预测，一起来看看他们的观点。

想象一下，如果你有一个聪明的朋友，你可以通过不断鼓励他解决越来越难的数学题来让他变得更聪明。这基本上就是研究人员一直以来对RLVR的理解——通过奖励机制让语言模型不断自我提升，最终超越它原本的能力范围。这种方法在像OpenAI-o1、DeepSeek-R1和Kimi-1.5等顶尖模型的开发中被广泛应用，帮助它们在数学和编程等复杂任务上取得了显著进步。