Akamai北亚区技术总监刘烨告诉记者，制造业的信息系统众多，包括工业设备，但是这些系统缺乏更新；制造业的数据大量具有机密性，一旦被加密，受害者的付费概率大；制造业接入了大量的IoT设备，这也增加了勒索软件的攻击面。

全球疫情体现出提前做好准备的重要性，在愈加莫测的新财年到来之际，以下是IT部门领导者及其团队应该考虑的四个方面。

Snowflake和Databricks已成为企业AI项目中最受CIO青睐的两大平台。两家公司起初定位不同，Databricks专注非结构化数据处理和实时分析，Snowflake则专注云端数据仓库的抽象化和简化。随着生成式AI的爆发，两家公司在数据科学和机器学习平台市场展开直接竞争。专家认为，Snowflake在易用性、安全性和结构化数据分析方面表现出色，而Databricks则提供开发者友好的环境和强大的AI工具支持。

近年来，有关自动驾驶汽车的安全事故频发，逐渐引发较高的社会反响。因此，解决辅助驾驶系统安全性、稳定性的难题迫在眉睫。

新加坡国立大学研究团队开发了名为IEAP的图像编辑框架，它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色，但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作，并利用思维链推理技术智能分解用户指令，实验证明其性能显著超越现有方法，尤其在处理复杂多步骤编辑时。

Replit、Anthropic 和 Google Cloud 携手合作,让非技术人员也能开发软件。Zillow 利用这一技术,让市场团队成功开发了客户路由系统,每月处理超 10 万用户。这项突破性进展展示了 AI 辅助编程的巨大潜力,有望彻底改变软件开发行业,让更多人参与其中。

AITEE是一款由德国康斯坦茨应用科学大学研发的电气工程智能辅导系统，结合大型语言模型和图神经网络技术，能够理解手绘和数字电路图，通过检索增强生成找到相关解决方法，并使用苏格拉底式对话策略引导学生独立思考。系统不仅能准确识别电路组件和结构，还能通过并行Spice模拟验证计算结果，有效解决了传统教育中的"教师带宽问题"，为电气工程学生提供个性化、可扩展的学习体验。

随着AI应用的规模不断扩大以及大语言模型（LLM）的商品化，开发者越来越多地承担起将人工智能（AI）和机器学习（ML）模型与软件更新或新软件一起打包的任务。

政府资助的研究机构将继续为全球超算五百强中的排名而努力，但商业客户更需要务实须高效的解决方案。作为一家致力于为客户交付实际成果的厂商，IBM正积极推动高性能计算领域的又一轮创新。

这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架，通过创新的对称约束机制，解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块，增强结束帧约束力，使其与起始帧形成平衡影响，从而生成更自然流畅的中间过渡帧。实验证明，该方法在各种场景下都优于现有技术，特别适用于电影制作、动画创作和视频编辑领域，显著降低了人力成本。

韩国科学院研究团队开发了MATTER智能分词系统，解决AI处理材料科学文献时的"翻译问题"。该系统通过MatDetector识别重要材料概念，防止专业术语被错误拆分，在多项材料科学任务中取得显著性能提升，为科学文本处理提供了领域定制化的新思路。

缓解CIO和CISO之间经常会出现分歧。

根据Gartner的一项调查显示，尽管95％的CIO预计未来三年网络威胁会不断增加，但实际上目前只有65％的组织有自己的网络安全专家。调查还发现，技能方面的挑战继续困扰着那些实施数字化的组织。数字安全人员的短缺，被认为是阻碍创新的最大因素。

云采用是多数中国企业机构的一项关键举措，考虑到法规、数据主权和延迟方面的要求，国内的云采用模式主要是混合云。

Saab公司预计在短期内会增加招聘，IT部门也不例外。

面对经济不确定性和人工智能（AI）的快速发展，中国的企业机构比以往任何时候都要更强调其数智基建的直接投资回报率（ROI）和适应性。

这项研究揭示了大语言模型在处理特定输入时可被精确表示为线性系统的惊人特性。研究者通过在梯度计算中战略性分离非线性部分，使Llama 3、Gemma 3等多种模型展现出局部线性特性，无需改变模型权重或输出结果。通过奇异值分解分析发现，这些模型在预测下一个词时实际上运行在极低维度的子空间中，且主要奇异向量解码为与预测结果相关的概念。这一发现不仅提供了理解模型内部机制的新视角，还可用于模型解释和安全控制。

美国国防部高级研究计划署正在研究非侵入式的人机接口，无需接线或植入就能在用户大脑和外部机器之间传输高保真信号。

科技在各行业里都担负着基础角色，这意味着信息科技（IT）领导者有机会在整个组织的运营中扩展自己的影响力。

这项研究首次系统研究了大语言模型在表达不确定性时的"忠实度"问题，发现它们往往在不确定时仍使用肯定语言，导致用户过度信任。研究团队提出了MetaFaith方法，通过激发模型的"元认知"能力，使其能更诚实地表达不确定性。在14种模型和10个数据集的测试中，MetaFaith将忠实度提升了高达61%，且83%的情况下被人类评为更可靠。这一突破对构建更值得信任的AI系统具有重要意义。