初创公司Empromptu推出首个可生产级AI应用构建平台，承诺解决95%的AI试点项目失败问题。该平台基于完整AI技术栈，集成LLMOps工具、检索增强生成和自动优化功能，通过自然语言描述即可构建生产就绪的AI应用。平台采用专有优化技术，应用准确率达98%，可在几分钟内完成从提示到生产级应用的构建，已成功应用于教育等多个领域。

微软计划利用氢燃料电池作为Azure数据中心的备用电源，减少碳排放。

IQVIA可以在几秒钟内从数据中为客户生成洞见。这一巨大提升使生命科学公司能够更快地创新和拯救生命。

在数字商务方面投资较多的企业机构通常会将数字商务作为开始数字化转型的切入点。取得成功的先进数字化企业机构将大幅提升数字商务在营收中的，从而让企业机构有信心进一步投资于数字化业务。

Nvidia在台北Computex 2025展示了一系列AI创新，包括连接全球GPU计算资源的AI平台、升级的人形机器人基础模型GR00T N1.5和NVLink Fusion方案，以助力构建大规模AI工厂。

伊利诺伊大学芝加哥分校团队开发出LT-Tuning技术，让AI获得"内心独白"能力，能在连续向量空间中进行潜在思考而非逐字表达每个推理步骤。该方法通过上下文-预测融合机制和三阶段训练，让AI根据问题难度动态调整思考深度，在数学推理任务中显著提升准确率和效率，为更自然的人机交互奠定基础。

过去一年，京东云增长速度突破110%，服务超95%的大型央企、近100座城市。

企业普遍认为AI模型需要大量算力，但Hugging Face专家认为应该更智能地使用AI。五个关键策略包括：为特定任务选择合适规模的模型而非通用大模型；将效率设为默认选项，避免不必要的高成本计算模式；通过批处理和精度调整优化硬件利用；推广能耗透明度评级系统；重新思考"更多算力更好"的观念，专注于智能架构和优质数据而非简单扩大GPU集群规模。

汇丰银行全球转型团队的一位成员，在阿姆斯特丹与听众们分享了她对于低代码技术的看法。

随着新冠肺炎疫情在全球蔓延，我们才发现业务停滞乃至全球经济停摆竟可以如此之快。但这也进一步证明，企业需要提高员工的应变能力，并在危机时期保持生产力以持续运转。这就需要企业制定以员工为中心的业务连续性战略。

曼彻斯特大学团队开发了TerminalTraj系统，突破了大规模AI终端操作训练的技术难题。该系统通过智能化数据生成流水线，构建了32000个Docker环境，生成50733个高质量训练轨迹。训练后的AI模型在终端操作任务上性能提升显著，32B模型达到与480B模型相当的效果，为开发智能编程助手和自动化运维工具奠定基础。

瑞典皇家科学院宣布2024年物理奖颁给了，两位AI先驱Geoff Hinton和John Hopfield。两位提出的Hopfield网络、玻尔兹曼机器、神经网络、深度学习、反向传播算法、模仿人类大脑等技术概念。

这项研究提出了CorrSteer方法，通过分析大语言模型神经激活与任务表现的相关性来选择和强化关键特征，实现精准的AI行为调节。该方法只需4000个样本即可显著提升模型在安全性、偏见缓解和知识问答等任务上的表现，同时保持较低的副作用率，为AI系统的实际部署提供了高效且成本友好的优化方案。

MMaDA是由普林斯顿大学和北京大学研究团队开发的革命性多模态AI模型，它通过统一的扩散架构、混合长思考链训练和创新的UniGRPO强化学习算法，成功实现了文本推理、多模态理解和图像生成三大核心能力的高效整合。实验表明，这个8B参数的模型在多项任务上超越了专业单模态模型，展现了真正的多模态AI潜力，为未来通用人工智能发展提供了新方向。

这项研究介绍了一种名为FlowPathAgent的神经符号代理系统，用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务，构建了FlowExplainBench评估基准，并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明，该方法在归因准确性上比现有基线提高了10-14%，特别在处理复杂流程图时表现出色，为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。

CORA是微软研究院与谷歌研究团队联合开发的突破性AI视觉模型，发表于2023年CVPR会议。它通过创新的"区域提示"和"锚点预匹配"技术，成功解决了计算机视觉领域的一大挑战——开放词汇目标检测。CORA能够识别训练数据中从未出现过的物体类别，就像人类能够举一反三一样。在LVIS数据集测试中，CORA的性能比现有最佳方法提高了4.6个百分点，尤其在稀有类别识别上表现突出。这一技术有望广泛应用于自动驾驶、零售、安防和辅助技术等多个领域。

若要探寻真正能够治愈帕金森病的有效方法，就必须广泛收集并深入分析大量不同类型的数据信息，同时借助对大脑更为深入、细致的认知理解，从而推动新型治疗方式的研发。

数字能源孪生系统，助力汽车产业可持续发展。

北京交通大学研究团队在2024年NeurIPS会议上发表突破性研究，提出概率鲁棒性理论框架解决AI模型在现实部署中的性能不稳定问题。该方法通过优化训练过程让AI学习数据本质特征而非表面现象，显著提升模型在环境变化下的稳定性，为医疗、自动驾驶等关键应用提供更可靠的AI解决方案。

这篇来自麻省理工学院研究团队的论文提出了"统一微调"(UFT)方法，创新性地融合了监督式微调(SFT)和强化式微调(RFT)的优势。传统上，SFT擅长让模型"记忆"标准答案但易过拟合，RFT则培养模型"思考"能力但依赖基础模型强度。UFT通过部分解答提示和混合目标函数，让模型同时获得"学习"和"思考"的能力，实验证明它在不同规模模型和各类推理任务上均优于现有方法，且理论上能将RFT的指数级采样复杂度降至多项式级，大幅提升训练效率。