西门子数字化工业软件近日宣布，MobileDrive采用西门子Xcelerator开放式数字商业平台的工业软件解决方案及全面的数字孪生技术，以基于模型的系统工程（MBSE）方法开发高级驾驶辅助系统（ADAS）。

作为全球领先的图数据平台领导者，Neo4j以现代数据科学基础——图技术为根基，为客户提供了一个强大的、可简便集成和扩展的数据科学平台。Neo4j图数据科学通过全面丰富的功能，协助企业挖掘数据背后的潜在价值，推进企业的数字化转型。

AWS今天推出了一项名为Amazon AppFlow的新服务，开发者可以使用该服务来管理AWS与其他软件即服务应用（例如Google Analytics、Marketo、Salesforce、ServiceNow、Slack、Snowflake和Zendesk。

布朗大学和哈佛大学研究团队开发出SAIL系统，让机器人能够像人类一样通过自我实践来学习新技能。该系统结合互联网规模的视频模型和环境特定知识，使机器人在面对未见过的任务时能够持续自我改进。实验证明，机器人的成功率能从24%提升至80%以上，且即使从失败经验中也能学习改进。

2024 年的 SaaStr Annual 大会落下帷幕，作为连续参加了三届的 Linkloud 团队，不断看到有越来越多元化的参加者和设展者，尤其华人和出海团队出现在现场，以及在分享嘉宾里也越来越多华人面孔，我们非常欣喜。

Rackspace帝普20多年为150多个国家的公司提供了专业的服务，其中包括财富100强中的众多企业。Rackspace帝普专业服务也正在以每年三位数的速度增长，相信随着企业上云进程的加速，Rackspace帝普专业服务也将迎来发展的机遇期。

美国芝加哥大学的研究团队开发出了一种人工智能新算法，该模型可以提前一周预测未来的犯罪活动，准确率约为90%。

作为行业领先的网络基础设施及解决方案提供商，锐捷网络积极响应国家“东数西算”重大战略，持续优化算网布局，积极推进AIGC重点方向发展，用智算网络等来赋能新质生产力，推动数字经济与实体经济融合发展。

RenderFormer是由浙江大学CAD&CG国家重点实验室和微软亚洲研究院联合开发的革命性神经渲染技术，将于2025年SIGGRAPH会议发表。这项技术首次实现了无需场景特定训练的三角网格全局光照渲染。区别于传统物理模拟渲染，RenderFormer将渲染问题重新定义为序列到序列的转换任务，采用双阶段Transformer架构处理光线传输。其渲染速度比传统方法快数十倍，能呈现包括复杂阴影、多次反射、漫反射间接光照等效果。尽管目前受限于4,096个三角形上限和特定训练数据范围，但已展现出成为渲染领域新范式的潜力。

Google Research与以色列理工学院联合研究发现，大型语言模型存在显著的"隐性知识"现象——AI内部掌握的知识远超其外部表现，平均差距达40%。研究团队通过测试三个主流AI模型的1700个事实性问题，发现AI在内部完全知道答案但1000次尝试都不会说出的极端情况。这一发现揭示了AI语言生成机制的根本局限，为改进AI表现和理解智能系统认知机制提供了新视角。

英特尔实验室（Intel Labs）和宾夕法尼亚大学佩雷尔曼医学院（Perelman School of Medicine at the University of Pennsylvania）近日发布了一项联合研究，该研究使用联邦学习（一种分布式机器学习和人工智能方法）来帮助医疗和研究机构发现恶性脑肿瘤。

这项研究首次提出MetaphorStar框架，专门解决AI系统无法理解图像隐喻含义的问题。通过创新的TFQ格式和强化学习方法，让AI从只能识别"一个人站在路口"提升到理解"人生选择"的深层含义。在基准测试中性能平均提升82.6%，为开发具有深层认知能力的智能系统开辟了新路径。

想象一下，你正在尝试记住一本长篇小说的情节。随着你阅读的页数增加，记住前面所有细节变得越来越困难。你的大脑需要某种方式来压缩已读信息，只保留最重要的部分，同时仍能理解故事的整体脉络。人工智能模型面临着类似的挑战，尤其是在处理长序列数据（如长文本）时。

中科大研究团队发现大型机器人数据集存在"捷径学习"问题：机器人虽然数据量庞大，但因数据内部多样性不足和碎片化严重，容易依赖表面特征而非真正理解任务。研究通过理论分析和实验验证了这一现象，并提出视角增强和物体替换等数据增强解决方案，为机器人学习领域提供重要指导原则。

近日HPE推出了一种混合型的文件和块存储产品，将以即服务定价的模式在本地环境中提供给客户，与此同时，HPE还宣布了具有正常运行时间保证的新灾难和备份恢复数据服务。

台湾大学研究团队系统梳理了复合AI系统优化这一新兴领域，提出了基于结构灵活性和学习信号类型的2×2分类框架。研究涵盖26种代表性方法，从固定结构到灵活架构，从自然语言反馈到数值信号优化。团队发现了自然语言反馈在非可微系统优化中的巨大潜力，同时指出了当前面临的人工配置依赖、计算成本过高、评估范围局限等挑战，为这一快速发展的领域提供了系统性理论框架和未来发展指引。

Hammerspace以数据为中心，实现数据的全局访问。比如在大模型训练场景能够从各处抽取训练所需的数据，并无缝延伸到云端，通过各种自动化数据编排工具，用户可以更快、更高效地完成数据的访问和编排。

这项由西北大学和谷歌联合完成的研究颠覆了AI训练的传统观念，发现让模型在训练时"偷懒"——随机跳过一半参数更新，竟能获得更好效果。研究团队开发的Magma算法通过智能判断梯度与动量的一致性来决定更新策略，在10亿参数模型上相比传统方法降低了19%的困惑度，为大型语言模型训练提供了简单高效的新工具。

这项由清华大学、上海AI实验室等顶级研究机构联合完成的研究，系统分析了当前大推理模型存在的"过度思考"问题，并提出了从推理过程、训练方法、强化学习到架构创新的全方位解决方案。研究发现AI模型经常对简单问题进行冗长推理，浪费大量计算资源，通过多种优化技术可显著提升推理效率，为AI技术的普及和产业化应用提供重要支撑。

布尔诺理工大学研究团队开发了DiCoW和DiariZen两个系统，用于解决多人对话中的语音识别难题。该系统巧妙结合说话人分离与语音识别技术，在国际挑战赛中获得第二名，能处理15种语言的对话场景。研究发现系统具备良好的跨语言泛化能力，即使主要用英语训练也能处理其他语言。团队已开源相关模型，为会议记录、多语言交流等实际应用提供了强大工具。