无论是AI 1.0还是AI 2.0时代，数据毫无疑问一直都是非常重要的生产要素。尤其是在大模型时代，数据质量直接影响模型效果。对于入局大模型赛道的企业玩家来说，手握优质数据意味着绝对性优势。而明略，则将赛道锚定在了营销领域。

新加坡国立大学等机构首次构建包含128万张图像的东南亚文化视觉数据集SEA-VL，解决AI系统文化认知偏见问题。研究采用人工众包、自动筛选、AI生成三种方法收集数据，发现自动筛选效率最高且质量可靠，而AI生成图像质量较差。该数据集覆盖东南亚全部11国文化元素，将为开发更公平包容的AI系统提供重要基础。

首尔大学研究团队开发出RALU技术，通过智能识别图像重要区域并优化计算资源分配，成功将AI图像生成速度提升3-7倍。该技术采用三阶段生成策略，重点处理边缘区域以避免失真，同时配备噪声重调度算法确保质量稳定。测试显示该技术在大幅加速的同时保持了高质量输出，且可与现有加速方法结合使用，为AI绘图工具的普及和实时应用提供了重要技术突破。

这项由蒙纳士大学等多所知名院校合作完成的大型综述研究，系统回顾了组合式视觉推理领域的最新进展。研究发现，让人工智能像人类一样"解释后再回答"的组合式方法，在准确性、可解释性和可信度方面都显著优于传统"黑盒子"方法，为构建更可靠的人工智能视觉系统指明了发展方向。

伊利诺伊大学研究团队开发的Search-R1系统让AI学会了像人类一样边思考边搜索的能力。通过强化学习，AI能够主动决定何时搜索外部信息、如何整合搜索结果进行推理。该系统在七个问答数据集上平均提升20-24%的准确率，代表了从封闭知识系统向开放学习系统的重要转变，为构建更智能的AI助手奠定了基础。

南洋理工大学团队开发的CineScale技术能让AI视频生成模型在不重新训练的情况下，将分辨率从原始大小提升至8K图像和4K视频。该技术通过定制自级联放大、约束膨胀卷积和尺度融合三大核心组件，有效解决了高分辨率生成中的重复图案问题，支持文本到视频、图像到视频等多种生成任务，为AI视频创作领域带来重大突破。

PeopleTec公司研究人员发现了一种新型网络攻击方式，能够在网站图标的透明度通道中隐藏恶意代码。这种攻击完全无声无息，利用浏览器自动下载图标的标准行为，在用户访问网站时自动执行恶意程序。研究显示全球每天有数千亿次图标请求，为攻击者提供了巨大的潜在攻击面。此技术对现有网络安全防御体系构成严重挑战。

俄罗斯Sber AI实验室创建了史上最大规模的面部视频健康检测数据集MCD-rPPG，包含600名参与者的多角度视频和13种健康指标数据。他们开发的AI模型能仅通过观察面部视频就检测心跳、血压等健康指标，心跳检测误差仅4.86拍每分钟，处理速度比现有模型快13%。这项技术有望让智能手机变成便携健康监测设备，推动远程医疗和个人健康管理的发展。

最近一段时间，Hot Interconnects、Hot Chips、Google Cloud Next和Meta Networking@Scale等重量级会议先后亮相。借此机会，我们打算通过本文以更有条理的方式对资讯亮点做一番整理，聊聊并深入分析我们听到和看到的这些丰富内容。

新加坡科技设计大学和字节跳动研究团队提出了"语音反向翻译"方法，解决语音识别中的数据稀缺问题。研究表明，仅用几十小时的标注语音数据就能训练TTS模型生成数万小时高质量合成语音，将数据扩充数百倍。他们引入归一化可理解度指标评估合成语音质量，确定了合成数据能有效增强ASR性能的质量阈值。将方法扩展到十种语言，生成了50万小时合成语音，对Whisper-large-v3模型进行预训练，平均降低错误率30%，对低资源语言尤其有效，错误率降低46%。

天津市人工智能学会、至顶科技与至顶智库联合发布2024全球AIGC产业全景图谱及报告。

想象一下，你正在观看一部黑白漫画。虽然故事情节精彩，但如果能有鲜艳的色彩，体验肯定会更加丰富。漫画产业正面临这样的挑战：如何高效、准确地为线稿上色，同时确保色彩的一致性和精确控制？

在汲取去年测试经验后，今年将测试项目调整为针对网络、计算、存储及云主机可扩展能力这四个项目，被测试的还是去年测试过的AWS、Azure、UCloud、阿里云、百度云、华为云、金山云、京东云、青云、腾讯云这十个公有云厂商的云主机。各项测试分析结果如下：

微软“2021年工作趋势指数”宣告混合办公新常态；Microsoft Teams加速智能会议创新，未来6~12个月将推出超过500项新功能；微软携手硬件合作伙伴打造MTR智能会议室新体验

多模态大型语言模型（Multimodal Large Language Models，MLLMs）在人工智能 的最新进展中扮演着关键角色，作为通用全能助手开发的基础元素。然而，这些方法依赖 于粗粒度的图像级对齐，缺乏对细节的理解（如区域描述和推理）。

这项研究提出了ORV（占用中心机器人视频生成）框架，利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比，ORV能提供更精确的语义和几何指导，实现更高的时间一致性和控制精度。该框架还支持多视角视频生成（ORV-MV）和模拟到真实的转换（ORV-S2R），有效弥合了虚拟与现实之间的差距。实验结果表明，ORV在多个数据集上的表现始终优于现有方法，为机器人学习和模拟提供了强大工具。

在今天举办的冬季新品发布会上，华为推出一款创意设计和功能组合的腕间新品华为WATCH Buds-----业界首款弹盖磁吸式耳机手表。

在本周于硅谷举行的开放计算项目（OCP）全球峰会上，Meta Platforms推出了其全新“Grand Teton”AI系统，以及基于磁盘对口的配套“Grand Canyon”大容量存储阵列。

ServiceNow联合多个顶级研究机构提出ALIGNVLM，这是一个专门用于文档理解的视觉-语言模型。其核心创新ALIGN连接器通过将视觉特征映射为语言模型词汇的概率分布，有效解决了传统方法中视觉和语言模态对齐不准确的问题，在多个文档理解基准测试中取得显著性能提升。

俄罗斯AIRI研究院联合斯科尔科沃理工学院首次系统性解决了语音数学表达式转换问题，开发出能将口述数学公式准确转换为LaTeX格式的AI系统。研究团队构建了包含66,000个人工标注样本的大规模多语种数据集，采用语音识别后处理和端到端多模态两种方法，在数学表达式转换任务上取得了27-30%的字符错误率，显著优于现有技术，为自动化数学教育和学术交流提供了重要技术基础。