在数字化转型大潮下，用户的 IT 从传统应用程序支撑，到针对云原生的对接，从当初的成本中心逐渐转变成了用户的业务中心与利润中心。这样的转变过程，唯一不变的是不断增长的数据，数据保护如何实现与时俱进的现代化，成为了其中的重点之一。

斯坦福大学研究团队提出Cartridges技术，通过"自学"训练方法将长文档知识压缩成小型数据包，使AI处理长文档时内存消耗降低38.6倍，运行速度提升26.4倍，同时保持回答质量。该方法采用预处理思路，让AI提前学习文档内容并生成可复用的知识模块，在医疗、法律、教育等领域具有广阔应用前景。

阿里巴巴研究团队开发出START系统，首次让AI能像人类一样在推理过程中主动使用编程工具。通过创新的"提示注入"和自学习技术，START在数学竞赛和编程测试中表现显著提升，在AIME24达到66.7%准确率，比基础模型提升16.7%。这项突破性研究为AI推理能力带来质的飞跃，大幅减少计算错误和"幻觉"现象。

女王大学研究团队通过分析GitHub上932,791个AI编程助手创建的代码修改建议，构建了AIDev数据集，首次全面揭示了AI编程助手在真实软件开发中的应用现状。研究发现AI助手能有效处理重复性任务并提高开发效率，但在安全性和创新性方面仍有局限，同时展现出与人类协作的潜力，为软件工程3.0时代的人机协作提供了重要数据基础。

数据迁移的成本如何解决？研究人员怎样快速高效地找到正确的数据？数据安全又如何得到保障？Data Fabric 给出了答案。

中科院软件所联合阿里巴巴推出SolutionRAG智能工程设计系统，通过双重思维树机制自动生成复杂工程解决方案。该系统能像资深工程师一样同时考虑地震、土壤、降雨等多重约束条件，在八个工程领域的测试中均达到最佳性能，为工程设计的智能化应用开辟了新方向。

香港大学联合香港中文大学研究团队首次提出T2I-ReasonBench基准，系统评估AI绘图模型的推理能力。研究发现当前开源模型在处理习语理解、设计规划、知识推理和科学常识等需要深度思考的任务时表现严重不足，平均得分不到50分，而商业模型如GPT-Image-1表现相对较好但仍有提升空间。该研究揭示了AI绘图技术从"按字面理解"向"智能推理"发展的迫切需要。

2023 年末将至，几乎每个产业都在经历着集体转型——AI技术的发展带来了近乎全新的工作方式。

这项由电子科技大学、香港中文大学等机构联合完成的研究，创建了PersonaFeedback基准来评估AI的个性化能力。研究包含8298个测试案例，分为三个难度等级，发现即使最先进的AI模型在个性化任务上表现也不理想。研究还发现推理能力提升不等于个性化能力提升，直接提供用户信息比让AI推测更有效。

基于Web3.0、IPFS（Inter Planetary File System，星际文件系统）存储架构的存储就是去中心化的分布式存储，这类存储可凭借新的存储架构来降低部署及运营成本。

华沙大学团队发布OpenGVL基准测试，这是首个专门评估视觉语言模型在机器人时间进展预测能力的开源平台。研究发现开源模型性能仅达商业模型60-70%，并展示了如何利用该工具从海量机器人数据中自动筛选高质量训练样本，解决了机器人学习领域数据质量参差不齐的关键问题。

万众期待的苹果年度开发者大会这一次虽然只能以线上方式进行，但仍给我们带来不少值得关注的重磅内容。

香港科技大学研究团队提出GPAS技术，通过"梯度保持激活缩放"解决Pre-LayerNorm架构中激活方差指数增长问题。该技术在前向传播时缩放激活值，反向传播时保持梯度不变，在71M到1B参数模型上均显示显著性能提升。GPAS具有出色的架构兼容性，可应用于多种Transformer变体，为大型语言模型训练优化提供了简单有效的解决方案。

为探寻企业如何踏上混合云融合发展之旅,3月8日14:00,DTinsight数智化发展研究中心携手戴尔科技集团、微软和英特尔,共同发起第28期【云端会客厅】

由于全球范围技术工人预计短缺180万到350万人，所以安全从业者正在艰难地支撑着。尽管有许多工具可以帮助他们，但是绝大多数工具都存在集成方面的问题。尽管攻击者可能会将注意力更多地转向政府和政治目标，但2019年保护企业网络也并不会变得很容易。

这个曾经的短消息平台，如今正掌控着数十亿人的日常、商务与社会活动。

伊利诺伊大学研究团队提出LaTtE-Flow架构，创新性地将多模态理解和图像生成统一在单一模型中。通过层级时间步专家和时间步条件残差注意力两大技术突破，实现6倍推理加速和4倍参数效率提升，同时保持高质量的图像生成和理解性能，为高效多模态AI应用奠定基础。

医院，是治病救人的场所，然而面对勒索病毒这一肆虐网络世界的“流行病”，医院几乎束手无策，甚至成为主要受害者。

“企业或者组织是否要采用云原生，如何采用云原生，都要根据企业自身的业务需求、技能储备、成本预算等方面综合考虑。”

ReSurgSAM2是新加坡国立大学团队开发的两阶段手术视频分割系统，允许外科医生通过文本指令精准识别和追踪手术器械与组织。这项创新利用SAM2模型为基础，添加了跨模态空间-时间Mamba、可靠初始帧选择和多样性驱动长期记忆机制，解决了现有技术在长时间追踪和实时性能方面的局限。实验表明，该系统在准确性上显著超越现有方法，同时保持61.2 FPS的实时处理能力，为手术认知辅助、教育和导航提供了强大工具。