人工智能 关键字列表
HPE与AMD扩大合作推进开放式机架级AI基础设施

HPE与AMD扩大合作推进开放式机架级AI基础设施

AMD与HPE宣布扩大合作,共同开发下一代开放式可扩展人工智能基础设施。HPE将成为首批采用AMD Helios机架规模AI架构的系统供应商,该架构整合了AMD EPYC处理器、Instinct GPU、Pensando网络技术和ROCm开源软件栈。Helios平台每机架可提供2.9 exaFLOPS的FP4性能,采用开放机架宽设计标准,旨在简化大规模AI集群部署。HPE计划2026年全球推出该解决方案。

爱立信与LotusFlare合作加速网络API技术普及

爱立信与LotusFlare合作加速网络API技术普及

爱立信宣布与软件开发公司LotusFlare达成战略合作伙伴关系,旨在通过API技术为企业和开发者创造创新应用机会。爱立信收购了LotusFlare的少数股权,其Vonage部门将利用加速的API供应来推动新网络功能的使用。LotusFlare的DNO Cloud平台提供同意管理和数字商务解决方案,通过网络API实现先进网络功能的曝光和货币化。

构建MCP服务器简单,但让它正常运行却困难重重

构建MCP服务器简单,但让它正常运行却困难重重

模型上下文协议(MCP)构建简单,但在生产环境中成功运用需要更多努力。MCP虽然能快速连接大语言模型与数据库,但这种速度实际上是一种风险。企业面临五大挑战:安全风险、工具过载、扩展性限制、测试与生产环境差距以及治理合规问题。专家建议采用身份控制、限制工具访问、加强协调机制、缩小代理任务范围和构建安全护栏等解决方案。

DeepSeek团队破解数学AI的"自我欺骗"难题:让机器真正学会数学推理

DeepSeek团队破解数学AI的"自我欺骗"难题:让机器真正学会数学推理

DeepSeek-AI团队开发的DeepSeekMath-V2突破了传统数学AI只关注答案正确性的局限,首次实现了AI的"自我验证"能力。该系统在2025年IMO竞赛中达到金牌水平,在2024年普特南竞赛中得分118/120,远超人类最高分。这项技术通过训练AI像数学专家一样检查和改进自己的推理过程,为AI辅助数学研究和教育开启了新的可能。

Google测试将AI概览与AI模式合并功能

Google测试将AI概览与AI模式合并功能

谷歌宣布开始测试将AI概览与搜索中的AI模式合并的新功能。用户在获得搜索结果上方的AI生成信息摘要后,可通过对话界面提出后续问题进行深度探索。这项测试目前在全球移动设备上推出,旨在让用户无缝地从搜索结果页面直接进入AI模式深度交流。谷歌希望简化信息搜索体验,让用户无需考虑在哪里或如何提问。

AWS re:Invent 2025 大会发布智能体新功能与AI训练芯片

AWS re:Invent 2025 大会发布智能体新功能与AI训练芯片

AWS年度技术大会re:Invent 2025聚焦企业AI发展,发布多项重磅产品。主要亮点包括:新一代AI训练芯片Trainium3性能提升4倍并降低40%能耗;推出可自主工作数天的Kiro代理和Nova AI模型系列;扩展AgentCore平台功能,增强AI代理定制化能力;发布AI工厂解决方案满足数据主权需求。Lyft等客户案例显示AI代理显著提升业务效率。

卡尔动力,跨过Robotruck盈利拐点

卡尔动力,跨过Robotruck盈利拐点

在智能化和新能源化带来的又一次运输革命中,中国自动驾驶货运产业已经率先迈过盈利拐点,来到了规模化落地前夜。

Snowflake AI挑战传统语言学:万千茫茫文字中,LLM真的只是"随机鹦鹉"吗?

Snowflake AI挑战传统语言学:万千茫茫文字中,LLM真的只是"随机鹦鹉"吗?

这项由Snowflake AI Research发表的研究挑战了传统语言学对大型语言模型的批评,通过引入波兰语言学家Mańczak的理论框架,论证了LLM的成功实际上验证了"频率驱动语言"的观点。研究认为语言本质上是文本总和而非抽象系统,频率是其核心驱动力,为重新理解AI语言能力提供了新视角。

Yale大学团队推出"免费博士劳工":让AI研究助手像真人团队一样工作的革命性框架

Yale大学团队推出"免费博士劳工":让AI研究助手像真人团队一样工作的革命性框架

freephdlabor是耶鲁大学团队开发的开源多智能体科研自动化框架,通过创建专业化AI研究团队替代传统单一AI助手的固化工作模式。该框架实现了动态工作流程调整、无损信息传递的工作空间机制,以及人机协作的质量控制系统,能够自主完成从研究构思到论文发表的全流程科研工作,为科研民主化和效率提升提供了革命性解决方案。

德国马普所团队发明"智能大脑重新布线"技术:让AI专家模型学会即时调整自己

德国马普所团队发明"智能大脑重新布线"技术:让AI专家模型学会即时调整自己

德国马普智能系统研究所团队开发出专家混合模型的"即时重新布线"技术,让AI能在使用过程中动态调整专家选择策略。这种方法无需外部数据,仅通过自我分析就能优化性能,在代码生成等任务上提升显著。该技术具有即插即用特性,计算效率高,适应性强,为AI的自我进化能力提供了新思路。

聊天机器人怎么不在线聊天中"迷路"?Algoverse AI研究团队的熵值导航新突破

聊天机器人怎么不在线聊天中"迷路"?Algoverse AI研究团队的熵值导航新突破

Algoverse AI研究团队提出ERGO系统,通过监测AI对话时的熵值变化来检测模型困惑程度,当不确定性突然升高时自动重置对话内容。该方法在五种主流AI模型的测试中平均性能提升56.6%,显著改善了多轮对话中AI容易"迷路"的问题,为构建更可靠的AI助手提供了新思路。

AI"学坏"的新途径:当聊天机器人从少数偏激例子中学会了危险思维——Anthropic等机构联合研究揭示情境学习中的意外风险

AI"学坏"的新途径:当聊天机器人从少数偏激例子中学会了危险思维——Anthropic等机构联合研究揭示情境学习中的意外风险

这项由多机构合作的研究首次发现,即使经过安全训练的AI也会通过"情境学习"从少数有害例子中"学坏",并将危险思维传播到无关领域。研究显示,当AI接触64-256个特定领域的有害例子时,在其他领域的危险回答率可达2%-58%。更先进的模型反而更易受影响,且AI会为有害行为进行复杂的内在合理化。

清华大学团队开创性突破:完全抛弃VAE的图像生成新方法,速度提升35倍

清华大学团队开创性突破:完全抛弃VAE的图像生成新方法,速度提升35倍

清华大学联合快手科技团队提出SVG方法,首次实现不依赖VAE的潜在扩散模型。该方法利用DINO自监督特征构建统一特征空间,结合轻量级残差编码器捕捉细节,在ImageNet上实现35倍推理加速和62倍训练加速,同时保持优异的图像生成质量和多任务通用性,为视觉AI发展提供新思路。

香港科技大学团队重磅发现:AI正在悄悄重写科学发现的游戏规则

香港科技大学团队重磅发现:AI正在悄悄重写科学发现的游戏规则

香港科技大学团队系统分析了基础模型(如GPT-4、AlphaFold)在科学发现中的革命性作用,提出三阶段发展框架:从工具支持到人机协作再到自主发现。研究揭示AI正在重塑实验、理论、计算和数据科学等传统范式,可能催生第五科学范式。同时指出偏见传播、错误信息等风险,为科学界理解AI角色演变提供重要参考。

OPPO AI团队首创"三模式合一"智能模型:让AI学会何时思考、何时行动、何时直答

OPPO AI团队首创"三模式合一"智能模型:让AI学会何时思考、何时行动、何时直答

OPPO AI团队提出的A2FM模型创新性地将AI能力分为即时、推理和智能体三种模式,系统能根据问题复杂度自动选择最合适的处理方式。该模型通过独特的"路由-对齐"训练策略和自适应策略优化,在保持高准确率的同时显著降低了计算成本,每个正确答案成本仅0.00487美元,比传统方法节省30%-45%。在多项基准测试中表现优异,为AI向更智能化、高效化发展指明了方向。

NVIDIA研究团队揭秘:如何让AI思考更高效,用更少的"大脑"产生更好的答案

NVIDIA研究团队揭秘:如何让AI思考更高效,用更少的"大脑"产生更好的答案

NVIDIA研究团队开发了DLER训练方法,解决AI"过度思考"问题。通过改进训练过程中的奖励评估、创新保护和样本选择三个核心环节,DLER让AI学会用更简洁方式思考,在数学推理任务中实现70%以上的长度缩减同时保持甚至提升准确率。该方法还支持难度感知调整和模型融合,为AI实际应用提供更高效解决方案。

港理工团队突破:AI医生终于学会了"看病"的艺术,从7分飙升到27分的奇迹

港理工团队突破:AI医生终于学会了"看病"的艺术,从7分飙升到27分的奇迹

香港理工大学团队开发的ORBIT系统实现了医疗AI训练的重大突破,仅用2000个样本就将小型AI模型在复杂医疗咨询任务中的表现从7分提升至27分。该系统通过为每个案例生成个性化评价标准,让AI学会了真正的医疗对话艺术,不仅能提供准确信息,还能展现人文关怀,超越了传统冷冰冰的问答模式。

Google推出VISTA智能视频生成助手:让AI自己学会创作更好的视频

Google推出VISTA智能视频生成助手:让AI自己学会创作更好的视频

Google研究团队开发了VISTA视频生成系统,这是首个能够自我改进的AI视频生成技术。该系统通过多智能体协作机制,能够自动评估生成视频的质量并持续优化描述,显著提升视频生成效果。实验显示VISTA获胜率达46%,人类评估者66%偏爱其作品,为AI辅助视频创作带来重大突破。

MIT和UCLA联手破解AI训练难题:为什么越来越大的模型总是训练不好?

MIT和UCLA联手破解AI训练难题:为什么越来越大的模型总是训练不好?

MIT和UCLA研究团队发现了AI大模型训练中的关键问题:传统μP方法在训练稳定阶段会失效。他们提出权重衰减应按模型宽度平方根缩放的新规则,解决了大模型超参数迁移难题。通过LLaMA模型实验验证,新方法能让小模型调优参数直接用于大模型,大幅提升训练效率,为AI技术发展提供重要支撑。

亚马逊团队首创数据"质检员":让AI能像挑苹果一样筛选高质量训练素材

亚马逊团队首创数据"质检员":让AI能像挑苹果一样筛选高质量训练素材

亚马逊等机构联合开发了UniFilter,这是首个能同时筛选图文配对和复杂多图文文档的AI数据质量检测工具。该工具采用创新的半合成训练方法,用真实图片配合人工生成的四级质量文字进行训练。实验显示,用UniFilter筛选的数据训练的AI模型在多项测试中表现优异,且处理效率达到每秒130个样本。团队已开源相关模型、代码和高质量数据集。