Jim Whitehurst于IBM Think Digital 大会上的主题演讲全文。

台湾大学联合MediaTek和Nvidia的研究团队开发了一种突破性的语音识别自我改进框架，无需大量人工标注数据即可显著提升AI语音识别准确率。该方法通过让AI生成伪标签训练语音合成系统，再用合成语音反向训练识别模型，形成自我强化循环。在台湾国语测试中，新模型Twister比原版Whisper错误率降低20-55%，数据效率提升10倍以上，为低资源语言AI应用提供了新路径。

来自35位参与AI项目的高层管理人员的观点，他们一直密切关注AI领域的发展动向，并承诺构建起少炒作、高实用度、更准确且针对性更强的AI方案。

天工AI推出的SkyReels-A2视频生成系统实现了重大突破，能够将多张不相关照片智能组合成高质量视频。该技术采用双分支架构处理语义和空间信息，通过200万训练样本学习元素组合规律。在与商业模型的对比中表现出色，特别是在物体一致性和视觉质量方面领先。该系统已开源，为创意产业、教育培训、虚拟电商等领域带来革命性应用前景。

卡内基梅隆大学等机构研究团队开发了名为Morae的智能界面助手，专门解决盲人用户在使用AI自动化工具时失去选择权的问题。通过"动态模糊选择验证"机制，Morae能在关键决策点主动暂停询问用户偏好，而非自动替用户选择。用户研究显示，相比传统AI助手，Morae帮助用户做出了更多符合个人偏好的选择，显著提升了用户满意度和控制感。

2023世界机器人大会在京举办，发布多项重要成果

我们将详细介绍AlphaGo是什么以及它的工作原理。

新加坡国立大学研究团队通过数据分析揭示，当前AI学术会议面临四大危机：研究人员年均发表超过4.5篇论文、会议碳排放超过主办城市日排放量、71%相关讨论呈负面情绪、会场容量不足需抽签限制参与。研究提出社区联邦会议模式，将传统集中式会议分解为全球评议系统、地区小型中心和数字协作平台三层架构，以实现可持续的学术交流。

这项由浙江大学周晓巍教授团队联合牛津大学、蚂蚁集团等机构开发的SpatialTrackerV2系统，实现了仅用普通摄像头就能精确追踪视频中任意点的三维运动轨迹。通过创新的统一框架和大规模数据训练，该技术在权威测试中相比前代方法准确率提升50%以上，运行速度快50倍，为机器人、自动驾驶、VR等领域提供了突破性的技术基础。

香港科技大学研究团队开发出SpA2V框架，这是首个能够从音频中提取空间信息并生成对应视频的AI系统。该技术不仅能识别声音类型，还能准确判断声源位置、移动方向和距离，通过两阶段生成过程实现"听音生画"。实验结果显示SpA2V在空间对应性和视频质量方面显著超越现有方法，为音频可视化、影视制作、教育应用等领域开辟了新的可能性。

Skywork AI团队开发出参数仅1.5亿的统一多模态模型Skywork UniPic，能同时完成图像理解、文字生成图像和图像编辑三项任务。该模型采用创新的双编码器架构，在多个基准测试中达到先进水平，且能在消费级硬件上运行，为多模态AI的普及化应用提供了新方案。

FuriosaAI团队提出突破性的Draft-based Approximate Inference框架，通过小模型预测指导大模型智能管理资源。研究开发了SpecKV和SpecPC两种方法，分别用于KV缓存管理和文本压缩，在保持高准确性的同时显著降低内存使用和计算延迟，为长文本AI推理提供了高效可行的解决方案。

阿里巴巴淘宝团队开发的RecGPT推荐系统，通过大语言模型深度理解用户购物行为背后的真实意图，实现了从"学点击推点击"到"理解需求推商品"的根本转变。系统在淘宝全面部署后，用户体验多样性提升6.96%，点击率增长6.33%，同时有效缓解了推荐系统的马太效应，为数亿用户提供更智能的购物体验。

香港大学团队开发了EmbRACE-3K数据集，专门训练AI系统在复杂环境中进行推理和行动。该数据集包含超过3000个任务和26000个决策步骤，每步都有详细的推理标注。实验显示，现有先进AI模型在需要主动探索和环境交互的任务中表现不佳，成功率低于20%，但经过专门训练后性能显著提升。这项研究为开发更智能的服务机器人和自动驾驶系统提供了重要技术基础。

这项由18所顶尖高校联合开展的研究推出了革命性的AI代理评估平台xbench，彻底改变了传统以技术能力为中心的评测方式，转而采用真实职业场景的实战检验。研究团队在招聘和营销两个专业领域构建了完整的评估体系，让AI代理像实习生一样直接承担真实工作任务，用实际成果证明商业价值。通过对九个主流AI代理的全面测试，发现不同模型在专业任务中的表现差异显著，技术评测高分未必转化为实用价值。

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。

乔治亚理工学院联合Adobe Research开发的OnGoal系统，通过智能目标追踪和可视化反馈，解决了用户与AI长对话时目标混乱、沟通低效的问题。20人实验证明，该系统让用户完成任务更快、压力更小，还能学会更有效的AI沟通策略，为未来人机协作指明了透明化、个性化的发展方向。

法国Inria研究所开发的TopXGen技术通过让AI先用小语种创作文章再回译成英语的创新方法，成功解决了小语种机器翻译训练数据稀缺的难题，在十种小语种上实现了翻译质量的显著提升。

腾讯微信AI团队开发的ComoRAG系统通过模仿人脑认知机制，让AI具备了动态记忆和循环推理能力，在长文本理解任务上相比传统方法准确率提升高达11%。该系统采用三层知识组织结构和五步认知循环过程，能够像侦探破案一样主动探索线索、整合信息、构建完整推理链条，特别在处理复杂叙事推理问题时表现优异，标志着AI从信息检索工具向智能推理伙伴的重要转变。

StepFun团队发布了突破性语音AI系统Step-Audio 2，这是首个真正实现端到端语音对话的模型，能直接处理语音而无需文字转换。该系统不仅能理解语言内容，还能感知情绪、语调等副语言信息，并用自然的语音回应。通过8百万小时语音数据训练，在多项测试中超越GPT-4o等商业系统，代表了人机交互技术的重大进步。