我们先用一个简单的代数方程，了解过去二十年间两大CPU架构之间的相对算力比较：如果说英特尔X86有2X个核心，那么IBM Power只需要X个核心就能与之匹敌。

沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1，通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型，在MedQA等测试中取得87.1%的优异成绩，展现了精巧训练策略胜过规模扩张的重要启示，为资源有限的医疗AI研究提供了新路径。

这项研究提出了CPGD算法，解决语言模型规则强化学习中的训练不稳定问题。通过用策略梯度损失替代PPO-clip损失，并引入裁剪机制和策略漂移正则化，CPGD有效避免了现有方法中由重要性采样比率引起的训练崩溃。实验结果表明，CPGD在多个多模态数学基准测试上显著优于其他强化学习算法，与基础模型相比平均提升11.0%的性能，尤其在领域内测试上提升21.8%，展现出卓越的稳定性和泛化能力。

2018年11月21日，NVIDIA在苏州举办了GTC China大会。大会上，NVIDIA创始人兼首席执行官黄仁勋在两个多小时的主题演讲中为我们分享了NVIDIA对于AI时代的思考以及众多新产品、新技术和新服务。

今天我们先来探讨一下2019年科技和产业创新的新趋势。

在2018亿欧创新者年会下午，好享家CEO汪浩、小黑鱼科技联合创始人兼CMO陈福炜、新潮传媒创始人兼董事长张继学、亿欧公司副总裁李双就《企业如何服务美好生活？》做圆桌讨论。

2023年AI成为热词，OpenAI的Chat-GPT引领第一波AI浪潮。2024年，苹果Vision Pro带来空间计算概念，OpenAI的Sora掀起第二波AI浪潮。Sora的文本到视频转换技术，结合Vision Pro的空间视频功能，展现了AI与XR设备的融合潜力。

苹果公司机器学习研究团队发布MegaFusion技术，这是一项革命性的AI图像生成突破。该技术能在不重新训练模型的情况下直接生成超高分辨率图像和视频，解决了传统方法分辨率提升时出现的模糊问题。通过智能感受野扩展和多尺度特征融合，MegaFusion实现了电影级视觉效果，在内容创作、教育、商业营销等领域展现巨大应用潜力。

Mozilla和EleutherAI联合发布了一份关于创建开放授权大语言模型训练数据集的最佳实践指南。该研究通过召集30位专家，制定了七个核心原则和详细的技术建议，旨在解决当前AI训练数据版权争议、透明度不足等问题，推动构建更加开放、公平和可持续的AI生态系统，为未来AI发展提供了重要的指导框架。

中科院团队开发的BridgeVLA系统实现了机器人学习的重大突破，仅需3次演示就能让机器人掌握复杂操作技能，成功率达96.8%。该系统通过巧妙的输入输出对齐设计和创新的预训练策略，让机器人能够真正理解三维空间和语言指令，为智能机器人的普及应用奠定了重要基础。

腾讯优图实验室提出AnoGen方法，仅用3张异常图片就能训练出高精度工业检测AI。该方法通过扩散模型学习异常特征并生成大量逼真样本，在MVTec数据集上将检测精度提升5.8%，为解决工业异常检测中样本稀缺问题提供了突破性方案。

这篇研究论文介绍了ReasonGen-R1，一个由微软与上海科技大学合作开发的创新框架，首次将链式思考(CoT)与强化学习(RL)应用到自回归图像生成模型中。研究通过两阶段方法实现：先用监督微调(SFT)教会模型生成推理文本，再用群组相对策略优化(GRPO)提升生成质量。实验证明该方法在GenEval(+6%)、DPG-Bench(+1.69%)和T2I基准测试(+13.38%)上均优于现有模型，证实"先思考后创作"的方法能显著提高AI图像生成的指令遵循能力和质量。

AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞，开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容，成功率超过86%，完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险，对全球数十亿智能设备构成潜在威胁。

ZeroEntropy团队提出zELO训练方法，借鉴象棋ELO评分系统，通过AI模型两两比较文档相关性来训练重排序器。该方法避免了传统人工标注的高成本问题，训练出的zerank模型在多个领域测试中显著超越商业竞争对手，同时开源了模型权重和训练工具，为AI搜索技术发展提供了新的训练范式。

苹果公司研究显示，Claude、Gemini、DeepSeek-R1等大型推理模型在复杂问题上表现令人失望。研究发现，在低复杂度任务中，常规模型优于推理模型；中等复杂度时推理模型稍好但耗费10-50倍计算资源；高复杂度下两者均失效。专家认为这些模型只是复杂的模式匹配，缺乏真正推理能力。对冲基金CEO更倾向预测性AI，研究者建议结合符号AI与神经网络构建神经符号AI系统。

KAIST研究团队开发的VideoRAG系统实现了人工智能在视频内容理解上的重大突破。该系统能够直接从海量视频中检索相关内容并生成准确答案，解决了传统方法只能处理文字和图片信息的局限。通过智能帧选择和多模态信息融合技术，VideoRAG在问答准确性上显著超越现有方法，为教育培训、技能学习等领域提供了全新的智能问答解决方案。

微软仍然致力于推动人工智能发展到云的边缘。在今年的Build开发人员大会上，微软做了一系列发布，以响应算法智能向边缘设备的转变，尤其是移动、嵌入式和物联网设备。

波士顿大学研究团队开发的DORI基准测试从四个维度评估多模态大语言模型的物体方向理解能力：正面对齐、旋转变换、相对方向和规范方向感知。研究评估了15个最先进模型，发现即使最佳模型在粗粒度任务上的准确率也仅为54.2%，在细粒度方向判断上更低至33.0%，与人类表现相差近30%。结果表明当前模型在精确角度估计、多视角追踪和理解复合旋转方面存在系统性缺陷，反映了它们内部3D空间表示的根本局限，为未来模型设计提供了明确方向。

新加坡南洋理工大学研究团队开展了一项突破性实验：让六人带着AI眼镜共同生活一周，记录300小时第一人称视频，创建了首个超长期生活数据集EgoLife。基于此开发的EgoButler AI助手能回答复杂生活问题，在长期记忆任务上比传统模型提升40%以上，为打造真正理解人类生活的AI伙伴奠定了重要基础。

这项研究介绍了EOC-Bench，一个创新基准测试，专门评估多模态大语言模型在第一人称视角场景中对物体的认知能力。研究团队从三个时间维度（过去、现在和未来）构建了3,277个问答对，涵盖11个细粒度评估维度，创新性地使用视觉提示解决物体引用问题。评估结果显示，即使最先进的模型如GPT-4o在物体时间感知方面也显著落后于人类，特别是在绝对时间感知上。这一研究为发展更强大的体感AI系统提供了重要参考，对增强现实和机器人技术等领域具有深远影响。