亚马逊云科技过去几年来一直努力推动其Graviton产品线，AWS各大区域与数据中心正在全面迎接ARM新势力的到来。如今，微软也开始在Azure云上发布新实例，显然也想在ARM服务器芯片领域一展身手。

Salesforce推出的Promptomatix是首个零配置提示词自动优化框架，让普通用户无需技术背景即可生成高质量AI提示词。系统通过智能任务分析、自动数据生成和成本感知优化，在五类NLP任务测试中均表现优异，特别在文本分类上提升15-20%。该技术有望大幅降低AI应用开发门槛，推动人工智能技术普及。

徐文伟进一步解读平台+AI +生态：华为首先是一家平台公司，通过端、管、云建立的开放平台，结合AI，与生态合作伙伴一起，

AWS正在为系统架构的彻底改变指路。

跨越式的变革往往发端于某个远见，成就于群策群力的布道与施道。

近日，华为在欧式建筑风格的苏州研究所，也是华为中国政企业务总部所在地，发布了全新形象口号——“数智世界 一触即达”。这也是其提出携手伙伴深耕“NA、商业和分销”三大市场后的又一新动作。

CheXGenBench是爱丁堡大学和三星AI中心研究团队开发的首个全面评估合成胸部X光片的基准框架，从保真度、隐私风险和临床实用性三方面对11种文本到图像生成模型进行评估。研究发现现有评估方法存在重大缺陷，特别是在衡量生成质量时。Sana模型表现最佳，基于此发布了SynthCheX-75K数据集，包含75K高质量合成X光片。该框架为医学AI社区建立了统一标准，促进公平比较和未来研究发展。

卡内基梅隆大学研究团队提出MRT方法，通过元强化学习优化AI推理过程。该方法不仅关注最终答案正确性，还奖励思考过程中的有效进展，解决了现有AI"思考时间长但效率低"的问题。实验显示MRT在数学推理任务中准确率提升2-3倍，计算效率提升1.5-5倍，为构建更智能高效的AI系统提供了新路径。

贝壳找房开发的AM-Thinking-v1是一个32B参数的推理优化语言模型，完全基于开源数据训练。该模型在数学推理和代码生成任务上表现出色，AIME2024得分85.3，超越了671B的DeepSeek-R1，证明了通过精心设计的训练流程，中等规模密集模型也能达到超大模型的推理能力。

AMD对赛灵思的收购已经完成，最终成本接近490亿美元——这个数字远远高于2020年10月刚刚宣布交易时预估的350亿美元。多花的钱，自然就是过去一年半以来AMD优异市场表现带来的股价上涨。

OPPO AI团队首次系统性探索了如何让AI智能体进行更深入的推理思考。研究提出ATTS框架，包含并行采样、序列修正、验证合并和多样化探索四大策略。实验发现，给智能体更多尝试机会能显著提升性能，但关键在于知道何时反思而非盲目增加思考。多模型协作效果尤其突出，四个AI模型协作成功率达74.55%。这项工作为AI智能体发展指明了从增大模型转向优化推理策略的新方向。

NPU和异构计算扛起“AI PC时刻”的大旗？

那么，大模型如何发挥出大众和产业所期待的价值？如何打造行业大模型？又该如何评价大模型产品的好坏？

北京大学研究团队开发的ROCKET-3系统通过让AI在《我的世界》中完成10万个训练任务，学会了跨视角空间推理能力。该AI在游戏中的交互成功率提升了4倍，更令人惊喜的是能够零基础操控真实世界的机器人。这项研究证明了虚拟环境训练的巨大潜力，为AI从专用工具向通用智能体的转变指明了新方向。

AMD研究团队开发的SAND-Math系统是首个能从零开始生成高质量原创数学题的AI工具。该系统不仅能创造新题目，还配备独特的"难度攀登"技术来提升题目挑战性。实验证明，用其生成题目训练的AI在数学测试中表现比现有方法高出17.85个百分点，为解决数学教育资源稀缺和AI训练数据不足问题提供了创新方案。

我们节选了书中讲述亚马逊如何创造Kindle并变革了图书行业的故事，这段往事非常适合在今天回顾。

大家究竟需要什么样的小家电？

我们回顾了编排器平台在2017年巨大的成功，并且思考了超大规模数据中心在今年的发展方向。

浙江大学联合多家机构提出AEPO方法，通过多答案生成和自适应探索奖励机制，显著提升AI在图形界面中的元素识别准确性。该技术让AI能同时考虑多个候选答案并科学评估，解决了传统方法容易陷入错误自信的问题，在五个基准测试中均达到业界领先水平，为智能GUI助手的实际应用奠定了重要基础。

脑机接口为元宇宙打开了一个“窗口”。通过大脑与电脑的连接，人们可以在虚拟世界中自由地获取信息、开展社交，甚至获取味觉、触觉等多种感官的体验。