CineMaster是由大连理工大学等机构联合开发的突破性视频生成框架，首次实现了电影级别的三维空间精确控制。用户可在三维环境中自由摆放物体、设计摄像机运动，系统自动生成符合预期的高质量视频。该技术通过创新的数据标注流水线和分阶段训练策略，在物体定位精度和运动控制准确性方面显著超越现有方法，为可控视频生成领域树立了新标杆，有望推动创意产业的民主化发展。

黄仁勋于昨天（7月16日）参加了在北京举行的第三届链博会，并于下午举行了长达90分钟的记者会。

耶鲁、哥大等四校联合研发的RKEFino1模型，通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识，显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍，数学推理能力从56.87%提升至70.69%，并在新颖的数值实体识别任务中展现良好潜力，为金融AI合规应用开辟新路径。

8月13-16日在鄂尔多斯国际会展中心举办的第21届CCF全国高性能计算学术大会（CCF HPC China 2025）

数据作为新生产要素，定价是需要突破的难题，是发挥数据要素驱动作用的关键，需要深入研究。企业数据按照市场原则自主定价在理论和政策上已经取得共识，但在实践上还遇到很多困难，亟需找到突破的方向和路径。本文在研究成本法、市场法和收益法等定价方法的基础上，结合当前企业数据的主要定价方法实践，提出在企业数据市场的初期阶段，基于成本对企业数据定价，是市场参与各方容易接受并能有效促进交易达成的方式。

英伟达2025Q1营收440亿美元创纪录，数据中心业务暴涨73%至390亿美元。黄仁勋直言："中国是全球最大AI市场，出口管制只会让美国失去平台领导权。Blackwell架构推动推理性能提升30倍，微软已部署数万块GPU，AI工厂正成为各国数字基础设施核心。"

上海AI实验室联手复旦大学提出了POLAR方法，这是一种革命性的奖励模型训练技术。通过让AI学会识别不同策略间的差异而非死记评分标准，POLAR在多项任务上实现了显著提升，7B参数模型超越72B现有最强基线，为AI对齐问题提供了全新解决思路。

意大利卡利亚里大学研究团队开发了RedDino，一个专门用于红细胞形态分析的AI基础模型。该系统基于改进的DINOv2自监督学习框架，在125万张红细胞图像上训练，能够识别多种红细胞形态异常。测试结果显示，RedDino在红细胞分类任务上比现有最佳方法提升2-3%，并展现出优异的跨数据源泛化能力。研究团队已将代码和预训练模型开源，为血液学诊断提供了强大工具。

研究团队推出开源AI搜索框架ODS，在复杂推理任务中准确率达75.3%，超越GPT-4o搜索版近10个百分点。该框架采用双核心架构设计，包含智能搜索工具和推理代理两个组件，能够理解问题、主动搜集信息并进行多步推理。ODS完全开源且支持插件化配置，打破了AI搜索技术垄断，为技术民主化开创新局面。

OpenAI意外发现规模假说：Dota 2项目中计算资源翻倍带来AI表现翻倍，彻底改变行业轨迹。Greg Brockman揭秘GPT-3产品化困境："我们不知道谁会为API付费"，最终市场自己找到了出路。AI医疗突破只需超越WebMD，个性化咨询正在重塑多个领域。

Flatiron研究院团队探索了在压缩的"潜在空间"中进行物理模拟的新方法，发现即使压缩1000倍，AI模型仍能准确预测复杂物理现象如流体流动和湍流。研究对比了扩散模型和神经求解器两种方法，发现扩散模型不仅更准确，还能处理系统的不确定性。这项技术将物理模拟速度提升数十倍，为天气预报、工程设计等领域带来革命性改进。

这两家公司，一个是向内拷问人性的AI先锋，一个是向外探索物理极限的AI长跑者，却都将事业锚点，落在漕河泾开发区时，一个题目浮现了：这片土地的科创引力从何而来？

韩国大学和KAIST研究团队提出了DeepVideo-R1，一种革新性的AI视频理解训练方法。该方法通过回归式GRPO和难度感知数据增强两大创新，解决了传统方法中的梯度消失和训练信号稀疏问题。在多个权威测试中显著提升了AI的视频推理能力，特别是在处理未见过的新任务时表现出色，为AI视频理解技术发展开辟了新方向。

Meta团队开发的MLGym是首个专门训练AI进行科学研究的平台，包含13个跨领域研究任务。测试显示当前顶级AI模型能改进现有方法但尚无法独立创新，距离真正的AI科学家还有距离。该平台为评估和发展AI研究能力提供了重要工具。

新加坡南洋理工大学团队开发的4DNeX系统实现了从单张照片生成完整4D动态场景的突破。该技术采用6D视频表示法融合RGB颜色和XYZ空间信息，构建了包含920万帧数据的4DNeX-10M大规模数据集，通过改进视频扩散模型实现15分钟内的高效生成，在动态程度和一致性指标上显著优于现有方法，为虚拟现实、影视制作等领域提供了新的技术路径。

近年来，数字化转型已成为各行各业提高运营效率和生产力的重要手段。

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。

这项研究提出了"高效探测"方法，解决了掩码图像建模AI难以有效评估的问题。通过创新的多查询交叉注意力机制，该方法在减少90%参数的同时实现10倍速度提升，在七个基准测试中均超越传统方法。研究还发现注意力质量与分类性能的强相关性，生成可解释的注意力图谱，展现出优异的跨域适应性。团队承诺开源全部代码，推动技术普及应用。

意大利国家研究委员会团队提出了一种创新的艺术风格分类方法，将柯尔莫哥洛夫-阿诺德网络融入双教师知识蒸馏框架。该方法用自适应样条函数替代传统固定激活函数，能更精确捕捉艺术风格中的复杂非线性特征。在WikiArt和Pandora18k数据集上的实验表明，相比传统MLP投影头，该方法在多种主干架构上都实现了显著的性能提升，特别在细粒度艺术风格区分方面表现出色，为艺术风格自动识别和文化遗产数字化提供了新的技术路径。

在AI圈子里，大家或许听到过这样的话术，“AI创新既是一场马拉松，也是一场短跑”，此时此刻我在AMD Advancing AI这场关乎未来AI计算格局的会上，脑中多次浮现出这句话。