马里兰大学研究团队在70亿参数的OLMoE模型中首次发现了真实大型语言模型的"Grokking"现象，即AI在训练误差稳定后仍能实现智能突破。他们开发了基于混合专家模型思维路径分析的新方法，能够在无需外部测试的情况下准确预测AI的泛化能力，为AI开发和评估提供了革命性的实时监控工具。

法国Valeo公司联合巴黎索邦大学开发出DIP技术，让AI模型能像人类一样通过少量样本快速学习图像理解。该技术采用创新的"元学习"训练方式，无需人工标注即可显著提升模型在复杂场景下的分割性能，训练时间仅需9小时，在多个数据集上表现优异，为自动驾驶、医疗影像等领域应用提供了新可能。

中科大研究团队开发的LAMIC框架首次实现了既能同时使用多张参考图片，又能精确控制每个元素位置的AI图像生成技术。该框架通过群组隔离注意力和区域调制注意力两个机制，在无需重新训练的情况下扩展了现有模型的多图像处理能力，在身份保持、背景一致性和布局控制等关键指标上都达到了最佳性能。

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%。

Akamai大中华区企业事业部高级售前技术经理马俊告诉记者，对于客户来讲，基于零信任安全模型的应用访问方式能够实现快速交付落地；在保证用户体验的同时，保证安全；整体降低用户的运营成本、简化管理，并且提供更多的可见性。

人工智能正在各个领域蓬勃发展,引发广泛讨论。本文探讨了人工智能与人类智能结合形成的混合智能,提出了四种利用混合智能的实用方法。通过结合AI的数据处理能力和人类的创造力与判断力,混合智能可以在商业决策、创新、客户体验和负责任的AI开发等方面发挥重要作用,为个人和社会带来新的机遇。

这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念，为理解直接偏好优化(DPO)提供全新视角。研究证明，当偏好数据编码了从参考策略到目标策略所需的差分信息时，DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵，研究解释了对数似然位移现象，并发现高熵DID有利于通用指令跟随，而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解，为语言模型对齐提供理论支持。

本帖论述了如何应对 AI 安全挑战，强调需采用专为 AI 设计的安全工具，实现实时监控、细粒度控制和数据保护，借鉴云安全框架演进经验。

量子技术是未来十年最具前景的机遇之一，已获得数十亿美元投资，多种早期产品进入市场，大量人才涌入推动数百家初创企业发展。五大趋势正推动量子计算从实验室走向产业化：量子纠错技术成为构建容错机器的关键；中间层生态系统日趋成熟，企业可专注核心能力并采购所需组件；横向扩展架构通过量子网络连接多个量子处理单元；输入输出和低温技术创新解决大规模量子比特控制难题；并购活动规模超出预期，推动行业整合发展。

在外部环境充满了不确定变化的当下，企业想要更从容、主动地适应这些变化，就要足够灵活、敏捷的系统为企业创新提供支撑。而开源恰恰是最好的方式。

9个月前，思科启动了卓越行业解决方案中心CoE（Center of Excellence），CoE希望以最先进的行业应用需求为中心，将合作伙伴的行业优秀解决方案和思科先进技术结合起来，为行业用户呈现最佳业务实践，为合作各方创造新的商业机会。

近期，阿里云机器学习平台PAI主导的多篇论文在ACL 2023 Industry Track上入选。

尽管用数字化模型表达现实物体已经不是新鲜事，但数字孪生与传统数字模型之间仍有巨大区别——就是要与实体始终保持“孪生”关系。

首席数据官需要从企业数据中获得最大价值，负责数据管理、战略制定、治理和安全等职能。成为高效CDO需要深入理解业务需求，掌握数据如何驱动竞争优势。面对GenAI等新兴技术快速发展，CDO必须具备适应变化的韧性，专注业务目标而非完美数据。成功关键在于建立跨部门协作关系，获得高管支持推动组织变革，同时赢得员工认同。CDO应保持成长思维，将变化视为机遇，避免过度追求完美技术而忽视实际进展和客户价值。

多模态大型语言模型（MLLM）通过在大型语言模型（LLM）中集成视觉编码器，在多模态任务中取得了有希望的结果。然而，大型模型的大小和广泛的训练数据带来了显著的计算挑战。例如，LLaVA-NeXT的最大版本使用了Qwen-1.5-110B，并且使用128个H800 GPU训练了18小时。

区块链的出现将为我们创建一个更值得信赖、更可靠和更透明的互联网环境。

这篇研究首次系统探索了验证粒度对大型语言模型测试时扩展的影响。研究团队通过提出可变粒度搜索（VG-Search）算法，挑战了传统的固定验证频率范式。实验表明，根据任务难度和计算预算动态调整验证粒度，可以在减少超过52%计算量的同时，将准确率提高3.6%。这一发现为优化大模型的推理效率提供了全新思路，特别适用于计算资源受限的场景。

西安交通大学与昆明理工大学研究团队开发了一种基于集成学习的婴幼儿语音情感识别方法，能有效分辨饥饿、困倦、不舒服和高兴四种情绪状态。研究采用三层分类器架构，整合SVM、随机森林和KNN算法，达到85.82%的准确率，显著优于单一分类器。这项技术有望应用于智能婴儿监护和早期疾病筛查，为理解婴幼儿非语言表达开辟了新途径。

海外市场正在成为国内云厂商的必争之地。

新加坡南洋理工大学研究团队开发的SimpleTIR方法，通过识别并过滤"无效回合"解决了AI多轮推理中的稳定性问题。该方法让AI在AIME24数学测试中的准确率从22.1分跃升至50.5分，训练过程更加稳定，并让AI自动掌握了交叉验证、渐进推理和自我纠错等高级推理模式，为开发更可靠的AI助手提供了重要技术突破。