人工智能（AI）正成为一种强大的工具，有助于分类垃圾并将可回收材料从垃圾填埋场转移出去。本文将带大家一同了解创新解决方案，看看它们如何改善回收利用效率、延长现有垃圾填埋场的寿命，并帮助我们实现可持续发展目标。

人工智能有助于垃圾分类并将可回收材料从垃圾填埋场转移出去。

亚利桑那州立大学等多所高校联合研究发现了AI评估中的"偏好泄漏"现象：当大语言模型既用于生成训练数据又用于评判学生模型时，会产生系统性偏见，偏爱体现自己风格的回答。研究显示这种偏见可达23.6%，比已知的自我中心偏见影响更严重，可能导致AI评估排行榜出现系统性偏差，威胁AI评估体系的公正性。

Meta公司FAIR实验室的研究团队提出了多令牌注意力机制，这是一种突破性的AI注意力计算方法。通过引入卷积操作，新机制让AI能够同时关注文本中的多个位置并协调整合信息，解决了传统注意力机制"一心一用"的根本局限。在大规模语言模型和长文本任务中，该技术显著提升了AI的信息检索和理解能力。

中科院和ModelBest联合推出RAVine评估框架，针对AI搜索系统现有评估方法脱离实际的问题，创新性地采用真实用户问题、全流程行为监控和可追溯信息提取技术，发现当前AI搜索系统在任务完整性和引用准确性方面存在严重不足，为构建更贴近用户需求的智能搜索系统提供了重要技术支撑。

科技未来可期，值得我们共同奔赴。

这项由法国蒙彼利埃大学团队开发的iFAM系统，通过创新的两阶段设计解决了AI视觉模型"看错重点"的问题。系统第一阶段识别图像中的关键区域，第二阶段只处理被选中的区域，完全屏蔽背景干扰。在多个挑战性数据集上的实验表明，该方法显著提升了模型对虚假关联的抗性，为医疗诊断、自动驾驶等高风险应用提供了更可靠的技术基础。

TULIP是加州大学伯克利分校开发的新型多模态AI模型，通过统一的学习框架解决了传统图像-文本模型在精细视觉理解方面的不足。该模型采用多视角对比学习、生成式数据增强和重建正则化等创新技术，在保持强大语义理解能力的同时显著提升了对视觉细节的捕捉能力，在多个基准测试中取得了显著的性能提升。

6月18日，慧与公司旗下的Aruba推出业内首款 AI 驱动的云原生平台 Aruba ESP，该平台建立在 AIOps、零信任网络安全和统一架构基础上，提供跨网域数据的持续性分析、跟踪 SLA，识别异常情况并进行自动优化的平台，同时监控网络上的未知设备以确保设备安全。

华为SDSec构建了安全的“有机体”，其三层架构——分析器、控制器、执行器，组成了安全协同联动的“大脑”、“中枢神经”和“四肢”。再有“华为安全商业联盟”小伙伴们的实力配合，从而将被动、单点防御演变到主动、整网防御，防患于未然。

Aruba近日推出业内首款 AI 驱动的云原生平台 Aruba ESP（边缘服务平台），该平台建立在 AIOps、零信任网络安全和统一架构基础上，提供跨网域数据的持续性分析、跟踪 SLA，识别异常情况并进行自动优化的平台，同时监控网络上的未知设备以确保设备安全。

2023年9月2日，由平台工程技术社区与数澈软件Seal联合举办的?AIGC时代下的平台工程?——2023平台工程技术大会在北京圆满收官。本届大会共设置了11场主题演讲。

阿里巴巴团队提出FantasyTalking2，通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集，训练三个专业模块分别优化不同维度，再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术，用户评价提升超12%。

在郑宇教授看来，一家真正做好智能城市、服务智慧社会建设的科技公司，一方面要有顶天的技术能够带动产品和业务的发展，另一方面要通过产业落地，获得源源不断的数据、推动核心技术持续领先和在应用上的战斗力。

把你的免疫反应看作是一个巨大的机器学习问题，你的身体就是计算机。

作为此次大会的一个亮点，客如云在本次大会上成功发布了2018年度智能黑科技新品OnPOS mini 2智能收银一体机及全新上线的On OS 9.0系统，而针对餐饮零售业如何新升级再赋能，客如云创始人兼CEO彭雷也给出了前沿的见解。

11月1日，百度大脑作为2018百度世界大会的第一弹登场。

微软联合多所知名高校开发了SwS框架，让AI模型能够自主识别学习弱点并生成针对性练习题进行自我改进。该方法在数学推理任务上取得显著效果，7B和32B模型平均性能分别提升10%和7.7%。通过"弱点诊断-针对性出题-强化训练"的三步流程，AI首次实现了真正意义上的自我反思式学习，不依赖外部知识灌输即可持续优化自身能力，为人工智能的自主学习开辟了新道路。

在1月13日刚刚结束的摩根大通医疗健康大会上，NVIDIA发布了与初创公司InstaDeep、慕尼黑工业大学（TUM）在基因组学大型语言模型方面的联合研究成果。

麦吉尔大学研究团队开发了DrafterBench，这是首个专门评估AI在工程技术图纸修改能力的测试平台。通过对1920个真实工程任务的测试，研究发现即使最先进的AI模型也只能达到80%的准确率，在处理复杂多步骤操作时表现不佳。该研究为工程领域的AI应用提供了重要的评估标准和发展方向。