/
企业AI应用最佳实践指南
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础，包括线性回归、神经网络等核心技术。专家建议从小规模试点开始，优先选择高影响用例，投资数据治理，提升员工技能。对于影子IT现象，应将其视为机会而非问题，建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
杜克大学团队打造“分子设计师“：AI如何同时优化生物药物的多种特性？
杜克大学研究团队开发了MOG-DFM技术，这是首个能够同时优化生物分子多种特性的AI系统。该方法成功解决了传统药物设计中"顾此失彼"的难题，能够设计出既安全又有效的治疗性分子。实验证明，MOG-DFM在肽类药物和DNA序列设计中都表现优异，有望显著加速药物发现进程并推动个性化医疗发展。
车队未来：AI预测性维护预防故障
美国垃圾收集行业2024年创收690亿美元，近18万辆垃圾车每周运营六至七天，每日停靠超千次。设备故障成为行业最大隐性成本，每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据，能提前数周预测故障，优化零部件库存管理，减少重复维修。车队报告显示，预测性维护每辆车年节省高达2500美元，显著提升运营效率和服务可靠性。
让小模型也能自己制造“老师“：印度理工学院如何用强化学习让AI自我进化
印度理工学院团队开发REFINE-AF框架，让小型AI模型通过强化学习自动生成训练指令，无需大量人工标注。该方法在119项测试任务中，63-66%的表现超越传统方法，证明了小模型也能通过巧妙设计获得优异效果，为降低AI训练成本提供了新思路。
人工智能助力还是加剧气候危机？选择权在人类
全球气候危机加剧之际，人工智能技术呈现双面性特征。一方面，AI可通过智能电网减少20%能源浪费，精准农业技术优化水资源利用，智能交通系统降低30%城市排放。另一方面，训练单个大型AI模型耗电数千兆瓦时，排放数百吨二氧化碳。数据中心用电量预计2024-2030年年增15%，远超其他行业增速。解决这一矛盾需要优先开发高效AI架构，建立环境影响评估机制，确保AI发展服务于气候目标而非加剧环境负担。
港中文团队发布WebGen-Bench：让AI从零写网站，但最强模型正确率仅27.8%
港中文团队发布首个AI网站生成能力基准测试WebGen-Bench，评估结果显示即使最强模型准确率仅27.8%，但通过专门训练的WebGen-LM-32B模型达到38.2%，为AI建站技术发展提供重要参考。
ChatGPT词汇表：53个人工智能术语必知指南
人工智能正在全面改变互联网，从ChatGPT的火爆到谷歌在搜索结果中嵌入AI摘要。本文整理了53个重要的AI术语，涵盖从基础概念到前沿技术的完整词汇表。包括人工通用智能、大语言模型、神经网络、机器学习等关键概念，以及ChatGPT、Gemini、Claude等主流AI产品介绍，帮助读者深入理解AI技术生态。
斯特拉斯堡大学最新研究：让机器学会在“云雾“中拼图——多视角点云配准的全新突破
斯特拉斯堡大学团队提出POLAR方法，创新性地将多视角点云配准问题转移到自编码器潜在空间中求解。该方法专门设计了处理各向异性噪声、遮挡和外点的损失函数，并采用多起点优化策略实现全局收敛。在合成和真实数据上的实验表明，POLAR在处理严重退化数据时显著优于现有方法，特别在SMLM显微镜数据上表现出色，为生物医学成像等领域提供了重要技术突破。
ChatGPT正在测试神秘新功能“一起学习“
部分ChatGPT订阅用户发现工具列表中出现名为"Study Together"的新功能。该模式旨在提升教育工具效果，不直接提供答案而是引导用户思考并回答问题，类似谷歌LearnLM。用户猜测可能支持多人学习小组模式。ChatGPT在教育领域应用广泛但存在争议，教师用于制定教学计划，学生可当作辅导工具但也可能用于作弊。这一功能或许能鼓励正当使用同时减少学术不端行为。
人类在战略博弈中如何看待LLM对手？爱丁堡大学研究揭示对人工智能的理性与合作期望
该研究首次通过实验揭示了人类在战略博弈中如何对待大语言模型(LLM)对手。爱丁堡大学研究者发现，在p-美丽竞赛游戏中，人类面对LLM对手时会选择显著较低的数字，特别是增加了选择"零"的频率。高战略推理能力的参与者更倾向于这种行为转变，他们期望LLM能够理性推理至均衡，甚至具有合作倾向。这些发现对未来人机混合环境的机制设计具有重要启示，揭示了战略互动中人类对AI的特殊期望。
Capital One如何构建生产级多智能体AI工作流程来支持企业应用
Capital One推出了生产级多智能体AI系统来增强购车体验。该系统包含四个协作的AI智能体：一个与客户沟通，一个基于业务规则创建行动计划，一个评估前两者的准确性，一个向用户解释和验证计划。系统设计时考虑了金融机构的严格要求，采用动态迭代方法，并融入了风险管理框架。技术上使用开源权重模型和NVIDIA推理堆栈。首个应用Chat Concierge已在汽车业务中部署，客户参与度提升达55%。
大规模推理能力如何提升大语言模型的事实准确性：从思考长短与可靠性角度的实证研究
这篇研究来自丹麦奥尔堡大学的团队，探讨了大语言模型的推理过程如何影响事实准确性。研究者通过从高级推理模型中提取思考轨迹，并用知识图谱增强这些轨迹，然后对不同规模的模型进行微调并在六个数据集上测试。结果表明，对小型模型而言，长推理过程显著提高事实准确性；而增加测试时计算资源（如并行采样或增加令牌预算）可使准确率提高2-8%。研究发现约2K令牌长度的推理效果最佳，为提升大语言模型事实准确性提供了新思路。
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
