在科技领域，经历了百年时间打磨的IBM，足以称得上是一位“技术巧匠”，如今，他正在把鲁班的匠人精神融入到自己的产品与服务中，并在日前宣布推出了一个极具中国传统文化特色的“鲁班计划”。

企业数据中心的灾备和业务连续性解决方案的架构和实施对于企业已经越来越重要。企业需要参考业界实践来制订或实施切合自身实际情况的方案，或对现有的实现进行改进提高。本文主要介绍IBM GDPS解决方案家族和实际应用在站点双活或站点快速切换实施上的一些实践

来自哈佛大学等顶尖学府的研究团队在这篇论文中挑战了传统观念，认为Token压缩不仅仅是提高AI模型运行效率的工具，更应成为生成式AI模型设计的核心原则。研究表明，精心设计的Token压缩策略可以促进多模态深度整合、减轻AI"幻觉"问题、增强处理长序列输入的能力，并提高训练稳定性。论文详细分析了现有方法的局限性，并提出了算法创新、强化学习指导和硬件协同设计等未来研究方向。

新加坡国立大学团队开发的PhotoDoodle系统，通过两阶段训练策略实现了从少量样本学习艺术家照片涂鸦风格的突破。该系统采用位置编码复用和无噪声条件机制，仅需30-50对图片样本就能掌握特定艺术风格，在保持背景完整的同时精确添加装饰元素，为AI辅助艺术创作开辟了新方向。

随着云计算、大数据、深度学习等技术的成熟，软件产业正处于一个变革的重要节点。如何依托软件产业助力城市数字经济发展和行业数字化转型成为各方关注的焦点。

而现在的AWS首席执行官Andy Jassy至少公开接受那些“混合”云设置的说法，即建自己的数据中心“有点古怪”。笔者上周独家专访了他。他在位于西雅图的家中设了个运动吧，记者在运动吧向他了解了有关AWS下一阶段的更多信息。

Meta研究团队发现仅通过对比学习训练的AI视觉模型，内部竟隐藏着语言理解、空间定位等多种专业能力。他们开发了Perception Encoder系列，通过"对齐技术"激活这些隐藏技能，在图像分类、视频理解、目标检测等多个领域都达到了最先进性能，证明了"一个模型胜任多种任务"的可能性，为AI发展提供了新思路。

TPU 的设定，只能在 TensorFlow 中执行推理，但它的性能非常好。我们认为，TPU 与 TensorFlow 的良好适配，能够发挥出 1+1＞2 的效果。深度学习计算中的芯片部署都不是零和博弈。现实世界的深度学习网络需要系统的 GPU 与其他 GPU 或诸如 Google TPU 之类的 ASIC 通信。GPU 是理想的工作环境，具有深度学习所需的灵活性

2019年11月，中国武汉报告第一例COVID-19感染病例。在疫情爆发初期，当地主管机构曾试图控制病毒外流，但随着病例的大面积扩散，整个湖北省开始实施封锁措施。

11月30日下午，由中国商业联合会互联网应用工作委员会指导，亿欧主办的2018亿欧创新者年会—企业智能服务创新者论坛在北京顺利举办。

本研究首次系统评估了大型语言模型在真实代码性能优化任务中的能力。研究团队构建了包含140个真实案例的SWE-Perf基准，发现当前最先进的AI模型在性能优化方面仍远落后于人类专家。AI倾向于进行基础设施层面的修改，而人类专家更擅长高层次的系统优化。研究揭示了AI在复杂系统优化中的局限性，为未来AI编程工具的发展指明了方向。

英国卫生安全局研究团队首次构建了包含8000多道题目的AI公共卫生知识评测基准PubHealthBench，测试24个AI模型对英国健康指南的掌握程度。结果显示最先进AI在选择题中正确率超90%，但自由作答时降至75%以下，且在面向公众的指南上表现优于专业医疗指南。

IBM 认为，企业身处混合多云环境，并不等于拥有了混合云平台战略。企业需要采取统一的混合多云平台战略，才有可能展开下一阶段意义深远、更具价值的“上云用数智”之旅。

何为科技向善？

从整体大环境来看，疫情给经济以及各行各业带来一定程度的负面影响，加速了整个产业链洗牌的速度，使得第三产业向制造业转移。

德国AI研究院开发出革命性图像识别技术PictSure，仅需少量示例即可识别全新图像类别，在医疗诊断等专业领域表现卓越。该技术采用纯视觉方法，避免了传统系统对大量训练数据的依赖，为数据稀缺场景提供了有效解决方案，展现了人工智能民主化的重要趋势。

如果说此前的AI大模型是处在造锤子的阶段，那么现在更多公司则逐渐把视线锁定在生成式AI应用，也就是找钉子的阶段。从“卷技术”到“卷应用”，后者是一项真正的产业大考，毕竟任何技术的发展，最终要落到商业的闭环。

谷歌CEO皮查伊在AI竞赛低谷期坚持"信号降噪"原则，顶住压力加倍投入，最终带领谷歌凭借Gemini系列重夺领先。他坚信AI将超越火与电的革命性影响，通过递归自我改进极大降低创意实现门槛，这场"创造力民主化"浪潮或将解锁80亿人的认知潜能。

5月8日晚，腾讯云TVP尖峰对话李开复，浙江大学教授、腾讯优图实验室高级顾问、杰出科学家沈春华，第四范式副总裁、腾讯云 TVP 郑曌担任主持，邀请了 50 位来自 AI 领域的 CTO 与技术专家参与论坛讨论，碰撞出关于 AI 的未来火花。

ServiceNow研究团队开发了一种名为RLRF的新方法，通过强化学习显著提升了AI生成矢量图形(SVG)的质量。与传统方法不同，RLRF让AI能够"看到"自己生成的SVG代码渲染后的效果，并据此获得反馈。研究表明，这种方法不仅提高了生成图像的视觉准确性，还使代码更加简洁高效，并能够轻松泛化到从未见过的图像类型。这一突破为从图像或文本自动生成高质量矢量图形铺平了道路，对设计和开发领域具有重要意义。