零售消费行业正处在加速转型的过程中，出现了流量去中心化、场景内容化、服务专属化、商品个性化、体验数字化和供应链智能化等等一系列新变化，而所有这些变化的背后就离不开数字化技术的应用，离不开数字化平台背后的支撑。

在销售易创始人兼CEO史彦泽看来，数字经济是一个以客户为中心的时代，CRM在B端将企业后端供应链、前端需求链与外部的合作伙伴、客户以及产品设备连接起来；而在C端，CRM助力企业与消费者连接起来。

数据变宝任重而道远，只有借助于高性能计算(HPC)和人工智能(AI)，数据才能淋漓尽致的绽放其价值。

德国研究机构发现AI图像生成模型的记忆删除技术存在严重缺陷，现有权重修剪方法只是表面隐藏记忆而非真正删除。研究团队开发的Dori技术能够绕过这些防护措施，重新激活看似已被遗忘的训练数据。他们提出的对抗性微调解决方案通过重塑AI整体行为模式实现更可靠的记忆消除，为AI安全和版权保护提供了新思路。

世界智能大会始终遵循习近平总书记贺信精神，坚持国际化、高端化路线，“旨在为世界智能科技领域搭建一个交流合作、共赢共享的平台”。

深信服科技董事长何朝曦提出，随着用户业务数字化的提速，网络安全产业也急需一场“数字化转型”，以助力用户跨越网络安全和数字业务间的鸿沟。深信服也将持续坚持助力用户安全建设领先一步，让用户的数字化更简单更安全。

当前人工智能的大部分算法虽然高效，却缺乏透明度。为此，许多专家和机构正在不断研究，希望能够提高对深度学习算法的透明度和可解释性。

即使转型的业务驱动力不断发展变化，但有些事情仍然是保持不变的，其中就包括CIO们经常陷入的、导致结果脱轨的一些习惯。

将世界级的企业应用与顶级云基础设施合二为一，正是合作的最大价值。如今，SAP与阿里云正携手开辟出一条通往中国市场与全球化发展的全新路径。

这项研究提出了SWE-Flow框架，通过测试驱动开发方法自动生成AI编程训练数据。研究团队从真实GitHub项目中构建运行时依赖关系图，将复杂开发任务分解为循序渐进的步骤，生成了16061个训练实例。实验表明，使用该数据训练的AI模型在软件开发任务上表现显著提升，为AI编程能力提升提供了新思路。

KERL是一个创新的食谱推荐系统，由伦斯勒理工学院研究者开发，将食品知识图谱与大语言模型相结合，提供个性化推荐并生成食谱步骤和营养信息。系统包含三个模块：KERL-Recom（负责推荐菜品）、KERL-Recipe（生成烹饪步骤）和KERL-Nutri（提供营养分析）。研究团队创建了全新基准数据集评估系统性能，实验表明KERL在所有任务上均显著优于现有方法，为用户提供了考虑个人喜好、饮食限制和健康指南的完整食谱推荐解决方案。

过去几年来,许多顶级市场研究和分析公司都谈到了这样一种需求,建议企业购买单项最佳应用程序并将这些应用程序有机组合在一起,并称之为“组装式ERP”。

2018年3月24日，中科曙光（603019）发布了公司2017年年度报告。报告显示，2017年，中科曙光在年度营业收入、利润总额两项核心指标上，均取得大幅增长，有力提振市场信心。

软件为中心的开放式工业自动化平台持续迭代，实现运营灵活性、生产力和投资回报率的阶跃式提升

西门子Mendix低代码开发平台，借助Serverless服务，能够提供更广泛的企业级解决方案及业务场景，帮助企业以更快、更省的方式去实现业务价值，并且应对未来的不确定的挑战。

随着大语言模型和生成式AI的兴起,传统搜索引擎市场正面临颠覆。文章提出了"答案经济"的概念,并对比了传统搜索与新型语言模型的差异。作者建议企业采取三项行动来应对这一变革:检查产品在主流模型中的表现、分析客户关键趋势、评估公司在人才市场的地位。这些举措将帮助企业更好地适应从"问题经济"向"答案经济"的转变。

腾讯AI实验室和腾讯LLM部门研究人员开发的MPS-Prover是一种创新的逐步自动定理证明系统，通过两大关键创新解决了现有方法的局限：一个高效的训练后数据精选策略，剔除约40%冗余训练数据；以及一个多视角树搜索机制，整合了学习型评价模型与策略性设计的启发式规则，提高策略选择多样性并增强搜索稳健性。实验表明，MPS-Prover在miniF2F和ProofNet等基准测试上实现了最先进性能，生成的证明比现有方法更简洁多样，为开发更强大的混合证明系统提供了宝贵思路。

“我们最终是要将民用级外骨骼机器人做到万元以内，让大家能用买一部手机的钱买到外骨骼机器人。”

ByteDance研究团队开发了PaSa智能学术搜索系统，通过双AI代理架构解决传统搜索局限性。系统能自动阅读论文、追踪引用网络，实现深度文献挖掘。在真实测试中，PaSa相比现有最佳方法在相关论文发现率上提升近40%。该系统已开源，为全球学术研究提供高效文献调研工具。

想象一下这个场景：一位学生拿到了一套没有标准答案的数学题。正常情况下，没有答案怎么知道自己做得对不对呢？大多数学生会卡在这一步。但如果这位学生非常聪明，他会想出一个办法——先用不同的解题思路做几遍，然后看哪个答案出现的次数最多，那个答案很可能就是正确的。接着，他会思考为什么其他方法得到了不同的答案，从而改进自己的解题技巧。这就是清华大学研究团队开发的"测试时强化学习"（TTRL）的核心思想。