这篇研究来自加州大学伯克利分校和谷歌研究院团队，探讨了什么让图像看起来"自然"这一问题。论文提出了一种识别自然图像特征的深度学习方法，通过训练神经网络区分真实照片与人工处理的图像，并能将"不自然"的图像转化为更自然的版本。研究不仅揭示了自然图像在颜色分布、纹理特征和内容语义等方面的规律，还展示了在图像修复、质量提升和伪造检测等领域的潜在应用，为理解人类视觉感知和改进AI图像生成提供了新视角。

字节跳动Seed团队推出的Seedance 1.0是一个突破性的AI视频生成模型，能够根据文字描述或静态图片快速生成高质量视频。该系统在权威评测平台上击败了Google Veo 3、OpenAI Sora等竞品，获得双项冠军。其核心创新包括多模态统一架构、空间时间分离设计、强化学习优化和10倍推理加速，能在41.4秒内生成5秒1080p视频，大幅降低了专业视频制作门槛。

人才是企业的核心竞争力和重要资源。

Meta研究团队提出DyT技术，用极简的动态双曲正切函数替代传统标准化层，在视觉、语言、语音等多领域测试中均达到或超越原有性能。这项研究挑战了标准化层不可或缺的传统观念，证明简单直接的方法有时比复杂方案更有效，为神经网络架构设计开辟了新思路。

此次诸葛智能全链路升级发布，从数据的汇聚与重炼到数据洞察分析，再到数据智能化营销应用，持续加固数据“采集+分析+营销闭环”，助力企业打通业务维度，提供业务分析和决策洞察、营销落地，帮助业务部门提升业务价值。

今天，英特尔及其子公司Altera在嵌入式展（Embedded World）上，宣布推出全新边缘优化处理器、FPGA以及市场就绪的可编程解决方案，致力于将强大的AI功能扩展到边缘计算。这些产品将为适用于零售、医疗保健、工业、汽车等行业的人工智能边缘设备提供动力。

英特尔新近召开的架构日活动可以用“琳琅满目”来概括。借此机会，芯片巨头发布了新的CPU核心、加速计算块、处理器与显卡背后的技术细节，同时介绍了与这些处理器及显卡对应的跨PC、服务器、存储及商业/消费应用网络的软件。总之，就是“琳琅满目”。

初创团队的技术管理最容易陷入哪些误区?技术管理者应在团队中扮演怎样的角色?如何打造面向业务成功的IT组织?何谓技术领导力，又该如何修炼?

而经历了疫情期间消费级市场的PC大规模升级潮之后，客户端计算市场也开始大幅萎缩，这对严重依赖PC业务的戴尔来说同样不是个好消息。

2024年人工智能成为政策聚焦点，预期将获得更多政策支持。中央经济工作会议强调发展新质生产力和加速人工智能发展。国资委推动中央企业人工智能专题推进，三大运营商对AI服务器的采购显示加速迹象。

这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题：许多测试问题不看视频就能回答正确，且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架，将视频问题分为四类：语言模型可回答型、语义型、时序型和其他类型，发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型，研究团队证明单一总分可能掩盖关键能力差距，并提出了更高效的评测方法，为未来视频AI评测提供了新方向。

中国企业面孔在全球通讯科技峰会上的分量如此之高，其实正如过去十年间，中国智能手机产业走过的路与创造的成就。

延续轻薄设计美学，前置摄像头采用3200万仿生双主摄，与MediaTek联合定义天玑8200-Ultra，首次实现小米影像大脑与天玑移动平台全面适配与加速。

去年，TikTok宣布正在测试一种新的应用内工具，允许用户利用AI生成头像图片。该工具允许用户提交个人照片，并据此生成不同姿态和风格的独特图像。之后，用户可以下载、分享这些图像或将其作为自定义个人头像。

OpenAI正致力于打造能够执行复杂任务的AI智能体，这一努力源于其数学推理团队MathGen的突破性工作。通过结合大语言模型、强化学习和测试时计算技术，OpenAI开发出了o1推理模型，该模型在国际数学奥林匹克竞赛中获得金牌。尽管当前AI智能体在主观性任务上仍有局限，但OpenAI相信推理能力的提升将最终实现通用智能体的目标。

我今天要讲的是一个普通80后创业的故事。在创业大潮中的逐梦者千千万，但很多人在热望一场后，终以梦醒结束。而他是怎么在开局不利的情况下，一点点赢回来的呢？

Nutanix 一年一度的.NEXT大会（Nutanix .NEXT 2018）日前举行。大会上，Nutanix发布了一些新的产品，进一步丰富了其原本强大的超融合堆栈组合，同时强调要帮助企业在多云时代取得成功。

在服装制造业中，数字孪生计划可以容纳从样式设计到面料选择、再到生产流程的所有细节信息。将数字孪生引入制造业能够显著减少织物浪费。

中国企业面孔在全球通讯科技峰会上的分量如此之高，其实正如过去十年间，中国智能手机产业走过的路与创造的成就。

伊利诺伊大学研究团队发现AI在多模态推理中存在严重的视觉理解缺陷，67%的错误源于对图像信息的误解。他们开发了PAPO方法，通过图像遮挡技术强迫AI真正使用视觉信息，实现了4.4%的性能提升。这项研究对AI在教育、医疗、自动驾驶等领域的可靠应用具有重要意义。