这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战，提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类，并通过真实案例研究展示了潜在脆弱性。

随着市场环境的快速变化，传统的应用开发对于企业来说越来越难以适应，这时低代码平台也随之出现。2019年，低代码成为一个被市场看好的技术，最近SD Times杂志又宣布2021年是低代码平台之年。

OpenAI内斗的来龙去脉。

科学技术加快了文明的演化，更是推动社会生产力发展的重要力量。

Intel面临困境，主要有两个原因：IDM模式的拖累和CPU时代的落幕。 IDM（Integrated Device Manufacture）模式是芯片设计和芯片制造于一体的模式，大型处理器类的芯片公司，采取IDM模式的，目前有Intel和三星，其他IDM模式都是相对小规模的芯片，对工艺要求较低。

2013年，吴思进无意中接触到了区块链技术，找来了比特币白皮书和一堆代码，埋头看了两天，触动很大。“区块链是一种底层基础建设”，他决定将自己2008年创办的复杂美全面转型，开始探路区块链研发。

企业处在新旧时代更迭的关键节点：背后是打下的江山（宝贵的资产与数据），周围充斥着各种方法、概念和新技术，前面是吊诡多变的市场和环境——“黑犀牛”随时会从某个角落跳出来，挡住前行的道路。

新加坡国立大学研究团队开发出革命性AI视频解说系统LiveCC，通过500万YouTube视频训练，实现0.5秒内实时生成视频解说。该系统在体育赛事解说质量上超越多个大型模型，在传统视频问答任务中也达到同规模最优性能，为AI实时多模态理解开辟新方向。

约翰霍普金斯大学研究团队发现，即使给AI模型提供近乎完美的外部反馈，它们仍然无法完全吸收并达到理论最佳表现，这种现象被称为"反馈摩擦"。研究通过九项不同任务测试了多个先进AI模型，发现所有模型都存在这一局限性，且主要原因是模型的反馈抗拒而非反馈质量问题，为AI自我改进研究指明了新方向。

本文将介绍分贝通在大数据领域的一些建设经验。分贝通在ToB领域是一个年轻的公司，成立六年多，大数据体系刚刚建立一年多，整个团队不到二十人，整体的大数据建设处于初级和摸索的阶段。本次将总结在大数据业务上的实践和思考，希望给大家带来启发。

毫无疑问，Agent，也就是智能体已经预定了今年的最火AI关键词。不知道明年会不会是AGI呢，既然OpenAI和Anthropic的预测都是在2027年左右。而在Agent领域，非常有发言权的一位就是吴恩达。LangChain前不久的开发者活动Interrupt上，LangChain创始人Harrison Chase邀请了吴恩达专门做了一场对话

1997年,国际象棋冠军卡斯帕罗夫,输给了“深蓝”,一台电脑。于是有人恐惧于“机器至上”的终局。

2025年5月19日，新加坡国立大学研究团队发表最新研究Thinkless，就像是给"内耗"的AI朋友配了一个心理咨询师，教会它什么时候该深度思考，什么时候可以快速回答。

腾讯微信视觉团队提出Stand-In框架，仅用1%参数实现高质量身份保持视频生成。该方法通过条件图像分支和受限自注意力机制，让AI在生成视频时能持续参考原始照片，确保人物面部特征一致。在多项评测中表现优异，面部相似度0.724，支持零样本泛化到非人类主体，可即插即用集成到各种应用中。

麦吉尔大学研究团队通过测量理论框架分析发现，当前广泛使用的大型语言模型评价系统存在严重的可靠性和有效性问题。研究揭示了AI评委在替代人类评委、自身能力、规模化应用和成本效益四个核心假设方面的缺陷，并通过文本摘要、数据标注和安全评估三个应用场景验证了这些问题的严重性，为建立更加科学严谨的AI评价体系提供了重要指导。

UC伯克利研究团队发现了一种革命性方法，能够在不重新训练的情况下修复AI视觉系统的注意力异常问题。他们识别出少数"寄存器神经元"是造成注意力噪点的根源，并开发出"测试时寄存器"技术，将这些异常重定向到专门区域。该方法在多项视觉任务中表现出色，性能媲美专门训练的系统，同时还能抵御印刷攻击，为AI视觉技术的实际应用提供了简单高效的改进方案。

发布watsonx是IBM推进混合云与AI战略、助力企业云智转型的又一里程碑。

2020年可以说是DDoS这一“经典”攻击技术的复兴之年。受全球新冠疫情的重大影响，DDoS攻击的量级也在不断加大，业内遭受DDoS攻击的频率创下了新高。

这或许是马云最后一次以阿里巴巴董事局主席的头衔出现在云栖大会的台上，他再一次谈到“相信”——仍然是“因为相信，所以看见”——他就像一个布道者，继续强调他对数据的重视，对科学的尊重，以及他对制造业的念念不忘和对未来的预言。

南卫理公会大学研究团队通过递归神经网络视角重新解析Softmax注意力机制，发现其可分解为无穷多个递归网络的叠加，每个网络捕捉不同阶数的特征交互。研究证明线性注意力仅为Softmax的一阶近似，缺乏高阶交互能力，并发现Softmax分母可用简单向量归一化替代，为优化AI计算效率提供新思路。