ICT生态系统需要支持方案商、ISV、系统集成商、分销商等多元化角色联袂献艺，更需要有在数字化转型时代可灵活支撑云计算、大数据、智慧城市，以及政务、金融、制造等多“剧目”表演的生态舞台。

近日，摩托罗拉系统正式发布并展示了专业对讲机序列的入门级产品MOTOTRBO R2。MOTOTRBO R2具备持久耐用、重量轻的特点，既适合于多尘、潮湿的工厂、公园等嘈杂环境中，也能满足商超、酒店、站台、车间等高人群密度空间里的便捷使用和操控自如。

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。

英特尔面向未来进行了大量投资，希望每个人都能利用这项技术，并能轻松进行大规模部署。同时，英特尔正与产业伙伴接洽，以支持一个基于信任、透明和多种选择的开放式AI生态系统。

面对人工智能芯片这样一个百亿级规模的市场，充满“野心”的企业不在少数，甚至有不少初后起之秀直接“叫板”英伟达。Habana Labs正是其中之一。

大型语言模型对数据中心基础设施提出前所未有的需求。AI蒸馏技术通过将庞大AI系统压缩为更高效的小型模型，为可扩展性和可持续性挑战提供突破性解决方案。该技术包括教师模型训练、学生模型训练和知识转移三个关键步骤。通过响应式、特征式和关系式等多种蒸馏方法，能显著降低计算成本，推动AI民主化进程，未来可能实现从集中式数据中心向个人设备的迁移。

这篇研究论文介绍了MM-PRM，一种用于增强多模态数学推理能力的过程奖励模型。研究团队首先构建了一个强大的多模态策略模型MM-Policy，然后创建了包含10,000个多模态数学问题的数据集MM-K12。利用蒙特卡洛树搜索(MCTS)框架，他们自动生成了超过70万个步骤级别的标注，无需人工参与。最终的奖励模型在Best-of-N推理设置中显著提升了多个基准测试的性能，包括MM-K12、OlympiadBench和MathVista等。研究还发现软标签、较小的学习率和路径多样性是优化PRM性能的关键因素。

回看过去几年，随着5G网络、物联网等技术的蓬勃发展，数据也正以前所未有的速度和规模增长着。

自从接触到产品的功能性测试，作者就一直在思考一个问题，怎么才算是一款好用的产品？

面对混合办公、远程办公带来的流动性以及员工偏好，企业必须升级他们的网络基础设施，以确保员工能够无时无刻保持安全的数字连接，无论他们是远程办公还是回到办公室。

企业用户希望从分布式存储获取哪些能力呢，可以概括为五点：高性能、低成本、高可靠、易管理、易扩展。

zip2zip是一项创新技术，通过引入动态自适应词汇表，让大语言模型在推理时能够自动组合常用词组，显著提高处理效率。由EPFL等机构研究团队开发的这一方法，基于LZW压缩算法，允许模型即时创建和使用"超级tokens"，将输入和输出序列长度减少20-60%，大幅提升推理速度。实验表明，现有模型只需10个GPU小时的微调即可适配此框架，在保持基本性能的同时显著降低计算成本和响应时间，特别适用于专业领域和多语言场景。

与此同时，我们看到BIM技术在中国建筑施工领域正不断得到普及和深化应用。鄂州花湖机场作为国家级基建项目之一，也是BIM技术在大型基建项目应用的最佳典范之一。

台湾大学与NVIDIA合作开发了EMLoC技术，让普通用户能在24GB消费级显卡上训练38B参数的超大AI模型。该方法通过创建智能"模拟器"将训练内存需求降至推理水平，配合独创的LoRA校正算法确保训练效果。这项突破大幅降低了AI模型定制化门槛，有望推动AI技术民主化发展。

今日，提供功能强大且经济高效的IT管理软件的领先供应商SolarWinds（NYSE：SWI）宣布推出增强版IT运营管理产品组合，以满足混合IT环境中IT专业人士的操作需求，并应对经济下行的压力。

想象一下用智能手机一键召唤无人驾驶汽车：基于DRIVE Pegasus AI超级计算机的全自动驾驶汽车将开启新的“移动即服务”时代。

跨维智能W1创新性地为具身智能机器人从初始蓝图设计、复杂模型训练，再到多元落地应用的完整链路，塑造全新标准范式，是跨维智能迈向Physical AGI的坚实一步。

上海AI实验室开发的F1机器人"大脑"实现了革命性突破，让机器人首次具备"预见未来"的能力。通过理解、生成、执行三个专家模块协作，F1能预测任务执行后的画面并据此制定行动策略。在多个机器人平台测试中，F1的成功率大幅超越传统方法，特别是在动态环境和长期规划任务中表现卓越，为机器人智能化发展开辟了新道路。

FBK研究院首次系统性揭示语音转文字模型中交叉注意力机制的解释局限性。研究发现，被广泛用作模型行为解释工具的交叉注意力仅能反映约50%的真实输入重要性，即使在最理想条件下也只能解释52%-75%的模型决策过程。这一发现挑战了传统认知，为开发更可靠的AI解释工具指明了方向。

马普所团队提出POET训练法，通过正交变换重新参数化神经网络权重，在保持频谱特性稳定的同时实现高效训练。该方法仅用传统方法十分之一的参数就能获得更好性能，在13亿参数模型上验证困惑度从14.73降至13.70。POET展现独特的三阶段学习动态，并提供了坚实的理论保证，为大模型训练的参数效率和稳定性带来突破性进展。