特拉维夫大学研究团队提出用"混合因子分析"方法重新理解AI语言模型的内部机制，发现AI思维呈现社区化结构而非简单线性排列。这种新方法将AI的激活空间分解为语义相关的区域中心和局部变化方向，在概念定位和行为控制任务上显著优于传统方法，为精确控制AI、个性化应用和提升AI可解释性开辟了新路径。

Google DeepMind团队发布了EmbeddingGemma，这是一个仅有3.08亿参数的轻量级文本理解模型，却能达到7亿参数模型的性能水平。该模型在权威的多语言文本嵌入基准测试中排名第一，支持250多种语言，特别适合移动设备部署。研究团队通过创新的编码器-解码器初始化、三重损失函数训练和模型融合技术，实现了性能与效率的完美平衡，为AI技术普及化开辟了新路径。

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。

OPPO AI团队发布EcoGym，这是首个专门评估AI长期商业决策能力的综合测试平台。该平台包含零售管理、自由职业和平台运营三个商业场景，让AI进行长达365天的持续经营。对十一个主流AI模型的测试发现，没有任何模型能在所有场景中都表现卓越，揭示了当前AI技术在长期经济规划方面的显著局限。研究还发现思维链推理能显著提升AI表现，部分模型甚至超越了人类专家水平。

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。

这是一项由上海财经大学等多家机构联合完成的人工智能投资研究，开发了名为QuantaAlpha的进化式投资策略挖掘系统。该系统模拟生物进化机制，通过轨迹级突变和杂交操作持续改进投资策略，在沪深300指数上实现27.75%年化收益率，并在跨市场测试中表现优异，展现了AI在量化投资领域的重要突破。

腾讯优图实验室提出SPEAR方法，通过建立AI"成功经验库"和渐进式探索策略，解决智能体训练中的探索-利用平衡难题。该方法在虚拟环境、网购模拟和数学解题等任务中显著提升AI表现，仅增加10%-25%计算开销却带来高达20%的性能改进，为AI智能体实用化部署提供重要技术突破。

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

同济大学研究团队开发的CharacterShot系统实现了突破性进展，仅需一张角色图片和动作序列即可生成高质量4D角色动画。该技术通过双重注意力机制和邻居约束4D高斯点云优化，解决了传统方法中姿态与视角分离建模的难题，将动画制作时间从数月缩短至20-40分钟，为内容创作、游戏开发、教育应用等领域提供了经济便捷的解决方案。

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。

MinMo是阿里巴巴通义实验室开发的80亿参数多模态语音模型，在140万小时语音数据上训练，实现了全双工语音交互，支持多语言识别翻译、情感分析、风格控制等功能，语音响应延迟仅100-800毫秒，在各项语音任务上达到业界最佳性能，代表了AI语音交互技术的重大突破。

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）