“双十一”是一个非常有意义的日子，它既是全民狂欢的购物节，也是红帽的生日。今年是红帽进入中国的第20年，对于红帽而言这是一个重要的里程碑。

三星研究院开发的NANOQUANT技术实现了AI模型压缩的重大突破，首次让700亿参数的大型语言模型能在8GB显卡上流畅运行。该技术通过创新的二进制分解方法，将模型压缩25.8倍至5.35GB，同时保持良好性能表现。压缩过程仅需13小时和少量校准数据，大幅降低了大型AI模型的使用门槛，为AI技术普及化开辟了新路径。

法国地理院团队开发的MAESTRO模型通过创新的数据融合策略，成功解决了多源卫星数据协调难题。该模型如指挥家般智能编排不同类型地球观测数据，在树种识别和农作物分割等任务中显著提升准确率，为环境监测、农业生产和城市规划提供强有力技术支撑，展现了AI协调异构数据的巨大潜力。

想象一下，你想要为游戏、虚拟现实体验或室内设计应用创建一个逼真的3D客厅。传统上，这需要专业的3D设计师花费数小时甚至数天的时间来建模、调整和布置每个物体。而现在，人工智能领域已经取得了令人瞩目的进展，尤其是在2D图像生成和单个3D物体生成方面。只需输入一段文字描述，AI就能创建出令人惊叹的图像或复杂的3D物体。

约翰斯·霍普金斯大学研究团队发现AI绘画系统训练失败的根本原因：几何学冲突。他们提出黎曼流匹配解决方案，让AI学习过程遵循球面几何规律而非直线路径，配合雅可比正则化技术智能调整学习重点。实验显示该方法使标准AI模型在图像生成任务上取得显著突破，FID分数从失败状态提升至3.37，证明了几何学原理在AI系统设计中的重要作用。

全球调查显示，保障远程工作者和云部署安全是未来两年的主要挑战，因为大多数企业认为安全格局不会回到疫情前的状态

这篇研究介绍了一种名为YAQA(Yet Another Quantization Algorithm)的训练后量化技术，由康奈尔大学研究团队开发。与传统方法不同，YAQA不仅关注局部激活误差，而是考虑整个模型的KL散度，通过Kronecker分解的Hessian矩阵估计来实现更精准的参数量化。实验表明，YAQA能将模型与原始版本的KL散度降低约30%，同时在下游任务上实现最先进性能，为大型语言模型的高效部署提供了新方案。

前沿模型代表了最先进的AI系统，具有多模态、零样本学习和智能体行为等关键特征。OpenAI的GPT-4o和谷歌的Gemini 1.5等为典型代表。专家指出，这些模型需要大量资源投入，在质量与成本之间寻求平衡。基准测试虽然重要但存在局限性。未来发展方向包括AI智能体、跨学科技术和非Transformer架构。预计十年内，前沿模型将成为无处不在的后台智能体，通过语音、视觉和情感等多种方式与人类自然交互。

这项由上海科技大学何旭明教授团队与瑞士洛桑联邦理工学院合作完成的研究，提出了GeoDistill框架，通过师生学习模式解决跨视角定位问题。该技术让AI系统仅凭地面照片就能在卫星地图上实现精确定位，无需昂贵的精确标注数据，定位精度可达2.68米，为自动驾驶、增强现实等应用提供了更实用的解决方案。

卡内基梅隆大学研究团队提出MRT方法，通过元强化学习优化AI推理过程。该方法不仅关注最终答案正确性，还奖励思考过程中的有效进展，解决了现有AI"思考时间长但效率低"的问题。实验显示MRT在数学推理任务中准确率提升2-3倍，计算效率提升1.5-5倍，为构建更智能高效的AI系统提供了新路径。

为了满足在高性能计算领域需要多核心的应用而推出的4款特定CPU， 从产品序列看，位于Xeon服务器家族的最顶端。

Gartner公布了基础设施和运营（I＆O）领导者必须在2020年为支持数字化基础设施做好准备的十大趋势。

阿里云与中国科学院开展合作，在其公有云之上启动超导量子计算服务，相关处理器拥有11量子位。

业内首例，马钢交材轮轴产品数字化研发与设计以智提效

时下的人工智能（AI）和数据科学方法可以帮助我们以更有效的方式抵抗传染病。

阿里云研究团队提出PVPO算法，通过引入"静态价值估计"作为稳定参考标准，解决传统强化学习方法在AI推理训练中效率低下的问题。该方法像给机器配备经验丰富的导师，结合群组采样策略筛选高质量训练数据，在多个测试集上实现显著性能提升：7B模型准确率提高3.6倍，训练效率提升一倍，计算成本仅为传统方法40%，为大语言模型的高效训练提供了新的技术路径。

3月15日，华为云&华为终端云 创新峰会2024企业品牌建设主题论坛在安徽黄山成功举行。

DevSecOps 最适用于定义组织如何解决产品安全问题，或在集成开发环境中建立文化和技术左移。它还可以提供一个能够满足合规、安全和开发团队之间开展安全相关工作所需的机构框架。

Aflac 公司是美国最大的补充保险提供商，年收入达 190 亿美元。首席信息官 Sheila Anderson 加入公司两年多来，在推进公司技术、人才和流程方面发挥了关键作用。她统一了技术组织，改进了治理和财务透明度，重新评估了云战略，优化了人才结构，并推动了数据和 AI 创新。Anderson 正引领 Aflac 向着结合使命驱动传统和前沿技术的未来迈进。

斯坦福大学研究团队开发出"边听边想"的音频识别新技术，让人工智能像侦探一样逐步分析声音。系统将音频分成半秒片段，对每段进行多次推理，再用语言模型综合判断。相比传统方法只在最后给答案，新技术实现渐进式理解，准确率从84%提升至88.3%。该技术可应用于智能家居、医疗设备、工业监测等领域，让AI决策更透明可信。