C2M是个必然趋势，而生产线和供应链的柔性化是重要前提，也是制造业眼下的重点。

目前，AIGC产业生态体系的雏形已现，呈现为上中下三层架构：①第一层为上游基础层，也就是由预训练模型为基础搭建的AIGC技术基础设施层。②第二层为中间层，即垂直化、场景化、个性化的模型和应用工具。③第三层为应用层，即面向C端用户的文字、图片、音视频等内容生成服务。

Oracle研究团队开发了FS-DAG，这是一种用于视觉丰富文档理解的少样本领域适应图网络模型。与传统大型模型不同，FS-DAG仅需5份示例文档即可适应新文档类型，参数量不到90M，却在信息提取任务中表现卓越。模型采用模块化架构，结合预训练的文本和视觉特征提取器与图神经网络，展现出对OCR错误的极强鲁棒性（性能下降不到1%）。实验表明，FS-DAG在多种文档类型上优于LayoutLMv2等大型模型，同时具有更短的训练和推理时间。目前已被50多家企业采用，每月处理超过100万次API调用，证明了其在实际业务场景中的价值。

南加州大学团队开发出革命性的"Tina"AI模型，仅用9美元训练成本就能达到与昂贵大型模型相媲美的数学推理能力。通过LoRA技术和15亿参数的精简设计，该研究将AI推理模型的训练成本降低了260倍，实现了真正的AI技术民主化，让个人研究者和小型团队也能负担得起高质量推理模型的开发。

Google DeepMind发现AI搜索的数学局限

Fuchsia OS不仅针对手机、平板电脑或者PC，同时也将面向更多外观尺寸各不相同的计算设备，谷歌也没有完全否认Fuchsia彻底取代Android系统的可能性。

这项研究提出了统一预算感知（UBA）学习率调度器，解决了深度学习训练中的关键问题：如何在有限迭代次数下获得最佳模型性能。北京大学的研究团队通过构建理论框架，推导出一种只需单一超参数φ的学习率调度方法，实现了灵活性与简单性的平衡。实验结果显示，UBA在视觉和语言任务中，跨不同网络架构和训练预算，始终优于现有方法。该研究不仅提供了理论基础，还建立了参数φ与优化难度的关联，为机器学习实践者提供了一个强大且易用的工具。

TECHNIQUERAG是一种新型检索增强生成框架，专为网络安全领域的对抗性技术识别而设计。卡塔尔计算研究所的研究团队创新性地整合了现成检索器、LLM重排序和有限的文本-技术配对数据，有效解决了数据稀缺性和领域专业性挑战。实验表明，该方法在多个安全基准上实现了最先进的性能，无需大量标记数据或特定任务优化。TECHNIQUERAG通过零样本LLM重排序增强了检索质量，使防御者能更准确地从威胁情报文本中识别MITRE ATT&CK技术，为网络安全分析提供了强大工具。

这篇论文介绍了MIT开发的USAD技术，这是一种能够同时理解语音、音乐和环境声音的通用音频AI模型。通过创新的知识蒸馏方法，USAD在多个音频处理任务上都达到了接近专门模型的性能水平，为构建更智能的音频理解系统奠定了基础。该技术在智能助手、多媒体处理、教育等领域具有广阔的应用前景。

中科大和百度联合研究团队开发了S2K框架，这是一种创新的大语言模型专业领域适配技术。该框架通过智能的内外部知识融合机制和分阶段训练策略，仅用传统方法1%的训练数据就能让通用模型在医学、法律、金融等专业领域达到专家级问答水平，为人工智能在专业领域的高效应用提供了新的解决方案。

数据产业政策研究专班牵头人张向宏教授发布了我国第一份《数据产业图谱》，首次展示了我国数据产业的基本涵义、构成、主体、特征，显示了我国数据产业的发展现状和巨大潜能。

这项研究提出了一种创新的无配对数据训练方法，用于开发轻量级智能手机图像信号处理器(ISP)。传统方法需要具有像素级对齐的配对RAW-RGB数据，而该方法通过多重损失函数和三个鉴别器的对抗训练，成功实现了无需配对数据的高质量图像处理。研究在ZRR和富士胶片UltraISP数据集上测试，证明轻量级模型(仅3K参数)能达到接近配对训练的视觉效果，且适合在手机上实时运行。这一方法大大降低了开发手机相机处理算法的成本和技术门槛。

答者为Pure Storage旗下PortWorx云原生业务部门副总裁兼总经理Murli Thirumale。而这篇问答的核心，在于解读组织机构为什么不仅需要存储策略、更需要制定数据策略。

SWE-bench-Live是微软与上海人工智能实验室联合开发的持续更新基准测试平台，解决了现有代码修复评估工具的数据老化、覆盖有限和人工依赖问题。核心创新是REPOLAUNCH自动化流水线，能从GitHub抓取2024年后的1,319个真实问题，自动配置Docker环境。研究发现最先进的AI代码助手在该平台上的解决率仅为19.25%，远低于静态基准测试表现，尤其在处理多文件修改和大型代码库时存在明显局限。

根据IDC发布的《2023Q1中国软件定义存储及超融合市场研究报告》显示,超融合得到了越来越多企业用户的青睐。

西班牙马德里理工大学研究团队开发了全球首个融入能耗意识的AI评估平台——生成式能源竞技场（GEA），通过对694个评估样本的分析发现，当用户了解AI模型能耗信息后，46%的用户会改变原始选择，更节能小模型的获胜率从50%跃升至75%以上，揭示了能耗意识对AI选择的显著影响，为构建可持续AI生态系统提供重要科学依据。

这篇研究介绍了"量化LLM评价者"，一个创新框架，能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法，将评估过程分为两个阶段：先让LLM生成文本评价，再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型，适用于不同评估场景，实验表明它们不仅能显著提高评分准确性，还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景，为AI评估领域开辟了高效且可解释的新路径。

Pure Storage公司欧洲、中东和非洲地区（EMEA）CTO认为，我们在存储、网络和软件数据集规模方面即将遭遇可扩展性极限。

香港科技大学研究团队推出VL-Rethinker，这是首个能在视觉语言任务中进行深度反思的AI系统。通过创新的"选择性样本回放"和"强制反思"训练策略，VL-Rethinker在数学视觉推理等任务上显著超越GPT-o1，证明了AI可以学会像人类一样自我检查和纠错，为构建更智能可靠的多模态AI系统开辟了新路径。

田纳西理工大学研究发现，在特定条件下，纯粹追求短期利益的人工智能反而会自发表现出探索行为。研究通过多臂老虎机和网格世界实验证实，当环境具有重复结构且智能体拥有足够记忆时，贪婪策略能够产生类似Thompson采样的探索效果。这一发现挑战了探索与利用必须对立的传统观点，为简化强化学习算法设计提供了新思路。