中科院团队开发出DiffSpectra系统，首次实现仅通过多模态光谱数据就能准确推断分子完整三维结构的AI技术。该系统同时处理红外、拉曼和紫外光谱，采用扩散模型直接生成分子结构，突破了传统依赖分子库查找的局限。测试显示16.01%完全准确率，前20候选准确率达96.86%，将revolutionize化学分析效率，加速新药研发和材料科学发展。

AMD研究团队开发的SAND-Math系统是首个能从零开始生成高质量原创数学题的AI工具。该系统不仅能创造新题目，还配备独特的"难度攀登"技术来提升题目挑战性。实验证明，用其生成题目训练的AI在数学测试中表现比现有方法高出17.85个百分点，为解决数学教育资源稀缺和AI训练数据不足问题提供了创新方案。

卡内基梅隆大学研究团队开发出"反蒸馏采样"技术，能让AI模型在保持正常性能的同时，阻止竞争对手通过观察推理过程来复制模型能力。这种方法巧妙地在模型输出中加入"毒性"内容，对人类用户无害但会干扰机器学习过程，为AI公司提供了新的知识产权保护手段。

2023中国数字能源生态大会在北京开幕,华为数字能源与客户、伙伴、产业组织、媒体等齐聚一堂。

人工智能可以帮助我们通过减少排放、提高能源效率和增加使用可再生能源对抗气候变化。因此，绿色转型是对抗通货膨胀的一个关键支柱，而人工智能则是这一努力的重要工具。

越来越多的组织开始迁移至Google Cloud以提升安全性。许多组织都在迁移至防御能力更加完美的云环境之后，获得了显著的安全性与业务弹性提升。

7月30日，Kyligence 在上海成功举办 Data & Cloud Summit 2021 行业峰会，本次峰会以"云 · 数据 · 智能"为主题，聚焦数据服务与管理领域的前沿趋势、领先技术及最佳实践。

纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律，研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是，通过调整模型架构参数如注意力密度、宽深比等，可以在训练前就预测和控制这些关键激活的行为，为设计更高效、量化友好的AI模型提供了全新工具。

斯坦福大学研究团队在2025年提出了首个从语言反馈学习的理论框架，创新性地引入转移消元维度来衡量语言反馈的信息量，并开发了HELiX算法。研究证明语言反馈能带来指数级学习加速，在多个游戏测试中表现优异，为AI学习从简单数值反馈转向丰富语言指导奠定了理论基础，有望推动教育、推荐系统等领域的AI应用革新。

Meta和华盛顿大学研究团队开发出PrefPalette系统，首次将认知科学的多属性决策理论引入AI偏好预测。该系统通过分析19个属性维度理解用户偏好形成过程，在Reddit 45个社区测试中准确率比GPT-4o提高46.6%。系统不仅能预测用户喜好，还能解释预测原因，为构建透明可解释的个性化AI奠定基础。

MAGREF是字节跳动智能创作团队开发的多主体视频生成框架，能从多张参考图像和文本提示生成高质量视频。该技术引入了区域感知动态遮罩机制，使单一模型灵活处理人物、物体和背景，无需架构变化；并采用像素级通道拼接机制，在通道维度上运作以更好地保留外观特征。实验表明，MAGREF在身份一致性和视觉质量方面优于现有技术，能将单主体训练泛化到复杂多主体场景，为内容创作者提供了强大而便捷的视频生成工具。

悉尼科技大学等机构联合提出REARM框架，通过元网络过滤模态共享特征噪声，运用正交约束保护独特信息，并深度挖掘用户兴趣与商品关联关系，在多个电商数据集上显著提升推荐准确性，为多模态推荐系统的个性化与精准化提供了新的技术路径。

GPT-5是OpenAI于2025年8月发布的新一代多模式大模型，兼具高效应答与深度推理能力，并在安全性、准确性和多语言表现上取得显著提升，尤其在医疗、内容安全与防越狱方面展现突破性进步。

香港大学团队提出UniVLA框架，通过"任务中心潜在动作"技术让不同机器人共享技能，无需大量标注数据即可从网络视频学习。在多项基准测试中显著超越现有方法，仅用1/20计算资源就达到更好性能。该研究为机器人跨平台技能迁移和大规模学习提供了新思路，有望推动通用机器人助手的实现。

我们节选了书中讲述亚马逊如何创造Kindle并变革了图书行业的故事，这段往事非常适合在今天回顾。

斯坦福大学等国际研究团队通过对比GPT-3.5、GPT-4o等六个主流大语言模型在印地语、波斯语和中文对话中的表现，发现AI在不同语言中的"幻觉"现象存在显著差异。研究显示中文表现最稳定，幻觉现象最少，而印地语和波斯语中AI经常出现答非所问的情况。这一发现揭示了训练数据质量对AI语言能力的决定性影响，为多语言AI公平性发展提供重要参考。

清华大学等机构联合发布Mono-InternVL-1.5多模态大语言模型，通过创新的单体式架构设计，实现了用58%更少的训练数据达到更好性能的突破。该模型采用视觉专家嵌入和渐进式训练策略，有效解决了多模态学习中的灾难性遗忘问题，推理速度提升26%，为低成本高性能AI应用开辟新路径。

今天，Bloomberg的开发人员正在将大部分开发基础设施迁移到Kubernetes。Bower说：“他们可以创造一个完全成熟的环境，并且在桌面上和在生产环境中使用感受是一样的。”

将所有“传统应用”再做一遍，才是AI真正的价值所在。

马里兰大学研究团队首次使用舍恩菲尔德情节理论分析AI推理过程，发现先进AI模型的思考模式与人类学生解题过程惊人相似。通过对3000多个句子的详细标注，研究揭示了AI在七种思维模式间的转换规律，为理解AI"黑盒"提供了科学框架，并实现了80%准确率的自动化分析。