微软研究院与北京大学的团队开发出全新的大型混合推理模型（LHRMs），解决了大型推理模型的过度思考问题。这种创新模型能够像人类一样，根据问题复杂度自动决定是否需要深入思考。研究团队设计了两阶段训练方法，包括混合微调和混合群体策略优化，使模型学会智能切换思考模式。实验证明，LHRMs不仅在数学、编程等推理任务上表现出色，还避免了对简单问题的过度思考，大幅提升了响应效率和用户体验。这项研究为构建更接近人类认知模式的AI系统提供了新思路。

我相信，IBM已经做好准备，成为未来数十年里推动进步的催化剂。

DeepMind发布了另一篇题为《通过自我强化学习算法掌握国际象棋与将棋》的论文，展示了AlphaGo Zero如何在国际象棋与将棋领域分别击败最强程序StockFish与Elmo。更可怕的是，其整个学习过程是从一窍不通到成为世界上最强的下棋程序，仅用了24个小时。

加密货币缺乏实际作用。区块链解决方案在实际效果上也不及所要替代的传统技术。

这项由加州大学伯克利分校研究团队开发的REOrder框架，通过重新排列图像块的处理顺序，显著提升了视觉模型性能。研究发现，传统的行主序排列并非最优选择，而通过信息论先验和强化学习寻找最佳排序，可在不修改模型架构的情况下，使ImageNet-1K分类准确率提升3.01%，卫星图像分类提升13.35%。这一发现挑战了传统认知，为视觉模型优化提供了一个全新且易于实施的方向。

在传统的存储模型中，数据一般存储在硬盘和固态硬盘上，在需要进行数据分析的时候，将其传输到外部的计算设备，通常是服务器。计算存储能在数据所在的存储盘上进行数据计算处理，进而直接从数据中生成洞察力和价值，以释放更多数据的潜能。

在迄今为止最大规模的 GTC 大会上，NVIDIA 创始人兼首席执行官黄仁勋带来 NVIDIA Blackwell、NIM 微服务、Omniverse Cloud API 等发布。

NVIDIA Grace Hopper 超级芯片架构将 NVIDIA Hopper GPU 的开创性性能与 NVIDIA Grace CPU 的多功能性结合在一起，在单个超级芯片中连接了高带宽和内存相关 NVIDIA NVLink Chip-2-Chip (C2C) 互连，并支持新的 NVIDIA NVLink Switch System 。

「毅力号」火星车搭载的「机智号」火星无人机，在无需人为干预的情况下，灵活实现火星表面的降落、起飞与航行。

世界上只有少数几家公司设计使用尖端技术的处理器，制造这些芯片的配备更少。英特尔自己制造芯片，台湾台积电和GlobalFoundries是为其他公司生产芯片的纯代工厂，而三星两者都稍有涉及。

微软研究院提出Chain-of-Model学习范式，将因果关系融入大型语言模型的隐藏状态。这一创新通过"链式表示"将模型参数分为多个子表示链，使模型能够逐层扩展且保持前序能力。研究成果包括CoLM和CoLM-Air两种实现，实验证明它们不仅性能与标准Transformer相当，还提供了高效训练和灵活推理的优势，包括能够渐进扩展模型规模、提供多尺度子模型以及显著加速预填充计算。这一突破为解决大型语言模型训练成本高和部署缺乏灵活性的问题提供了新思路。

想象一下，你去到一个陌生的国家，那里的人们说着你完全不懂的语言。你会感到无所适从，对吧？在机器人世界中也存在类似的问题。不同种类的机器人就像来自不同国家的人，它们有自己特定的"语言"（动作方式）和"视角"（观察环境的方式）。一个操控机械臂的系统可能完全无法理解如何控制一个移动机器人，就像一个只会说英语的人无法直接理解中文一样。

预算管理是统领企业战略落地的重要手段，预算的数字化管理是提升企业整体数字化转型的重要起点和突破口。

2018年伊始，阿里巴巴12位来自不同领域的科学家，对IoT、量子计算、边缘计算、自然语言处理、区块链、自动驾驶等前沿技术将在2018年如何影响世界、影响社会生活做出了自己的预测。

来自阿里巴巴Qwen团队和清华大学LeapLab的研究人员通过分析词元熵模式，揭示了大型语言模型推理能力背后的关键机制。研究发现只有约20%的"高熵少数派"词元像思维路径上的"岔路口"，决定着推理方向。惊人的是，仅对这20%的词元应用强化学习，不仅保持了性能，在大模型上甚至超越了传统方法，在Qwen3-32B上提高了AIME测试集11.04分。这一发现超越了经典80/20法则，提供了优化大模型推理能力的全新视角。

斯坦福大学研究团队开发了MedCaseReasoning数据集，这是首个专门评估人工智能与临床医生诊断推理一致性的开源数据库。现有医疗AI评估标准仅检验诊断准确率，忽视了推理过程质量。该数据集包含14,489个诊断问答案例，每个都附有真实临床推理，涵盖800多种医学期刊。研究发现顶尖AI模型在医疗推理方面表现有限，如DeepSeek-R1的诊断准确率仅48%，推理召回率仅64%。

RenderFormer是由浙江大学CAD&CG国家重点实验室和微软亚洲研究院联合开发的革命性神经渲染技术，将于2025年SIGGRAPH会议发表。这项技术首次实现了无需场景特定训练的三角网格全局光照渲染。区别于传统物理模拟渲染，RenderFormer将渲染问题重新定义为序列到序列的转换任务，采用双阶段Transformer架构处理光线传输。其渲染速度比传统方法快数十倍，能呈现包括复杂阴影、多次反射、漫反射间接光照等效果。尽管目前受限于4,096个三角形上限和特定训练数据范围，但已展现出成为渲染领域新范式的潜力。

近日，戴森在全球范围内重磅发布了数款全新产品，它们将结合戴森在自动化、先进软件和智能方面的创新技术，提供戴森卓越清洁体验。

在贝叶斯方法家族当中，马尔可夫链蒙特卡洛方法（Markov chain Monte Carlo methods）显得尤为神秘。

雷军谈小米15周年：疾风知劲草，用更坚实的成长回应一切。