/
加州大学洛杉矶分校团队破解大模型压缩难题：ARMOR让AI模型既快又聪明
加州大学洛杉矶分校等机构联合提出ARMOR技术，通过自适应矩阵分解解决大型语言模型2:4稀疏化后性能严重下降的问题。该方法将权重矩阵分解为稀疏核心和轻量级包装器，在保持硬件加速优势的同时，将性能差距缩小近50%，在多个基准测试中显著超越现有方法。
青云AI Infra 3.0，为企业搭建一条通向AI能力落地的桥梁
年初DeepSeek的火爆，企业一拥而上，随之而来的问题也更加现实。今天青云科技带着破解困境的答案而来，青云AI Infra 3.0 以“重构归一”为核心理念，为企业打造一条通向AI能力落地的坚实桥梁。
百分点科技发布业内首个数据治理大模型，开启“智理”新范式
2025年11月16日，在“2025第四届数据治理年会”主论坛上，国内领先的数据智能企业百分点科技正式发布百思数据治理大模型（BS-LM）与百思数据治理平台（AI-DG）。
全球数据中心电力需求暴涨，超越电网建设速度
国际能源署发布的2025年世界能源展望报告显示，全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗，加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍，全球数据中心投资预计2025年达5800亿美元，超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
AMD双轮驱动：路线图与资金互促，收入持续提升
AMD首席执行官苏姿丰在纽约金融分析师日活动中表示，公司已准备好迎接AI浪潮并获得传统企业计算市场更多份额。AMD预计未来3-5年数据中心AI收入复合年增长率将超过80%，服务器CPU收入份额超过50%。公司2025年预期收入约340亿美元，其中数据中心业务160亿美元。MI400系列GPU采用2纳米工艺，Helios机架系统将提供强劲算力支持。
FMC获得FERAM资金以终结Optane的阴霾
德国铁电存储公司FMC获得1亿欧元C轮融资，用于将FERAM芯片技术应用于AI数据中心，替代DRAM和SRAM。FERAM具有与DRAM和SRAM相似的速度，但具备非易失性特征且耗电更少。公司推出DRAM+和3D CACHE+两款产品，旨在解决AI技术栈中的内存瓶颈问题。该技术采用标准CMOS工艺制造，但面临供应链接受度的挑战。
AI驱动垂直市场的商业变革与未来机遇
本文探讨了AI在垂直市场中的应用前景。垂直市场指专门服务特定行业客户的细分市场，如医疗或金融行业。专家认为，生成式AI首次实现了知识工作的真正自动化，在医疗、金融、法律等高成本知识密集型领域具有显著ROI潜力。成功的垂直AI应用需要拥有客户工作流程，采用基于价值而非按席位的定价模式，并将AI从工具逐步发展为团队合作伙伴。
谷歌计划在德州投资400亿美元建设数据中心
谷歌宣布将在未来两年内向德州投资400亿美元，用于建设三个新数据中心以支持云计算和人工智能业务。新建设施将分布在阿姆斯特朗县和哈斯克尔县。这是谷歌在美国任何州的最大投资，将使其在德州的总投资达到427亿美元。此前谷歌已在该州建有两个数据中心。
维吉尼亚理工学院破解单细胞生物学新密码：当大语言模型遇见细胞世界的奇妙变革
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查，将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类，涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集，建立了包含生物学理解、可解释性等十个维度的评估体系，为这个快速发展的交叉领域提供了首个系统性分析框架。
西湖大学团队突破：AI推理模型内存消耗降低50%的秘密武器
西湖大学王欢教授团队联合国际研究机构，针对AI推理模型内存消耗过大的问题，开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头"，实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同，前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性，为推理模型的大规模应用提供了现实可行的解决方案。
让小语言模型教会大语言模型推理：香港大学提出的"师生关系"逆转训练法
香港大学研究团队提出LightReasoner框架，通过让小型"业余"模型与大型"专家"模型对比，识别关键推理步骤并转化为训练信号。该方法在数学推理任务上实现28.1%性能提升，同时将训练时间、样本需求和词元使用量分别减少90%、80%和99%，完全无需人工标注。研究颠覆了传统训练思路，证明通过模型间行为差异可以实现高效的自监督学习，为资源受限环境下的AI能力提升提供了新路径。
马里兰大学团队推出MONKEY适配器：让AI画图更懂你想要什么
马里兰大学研究团队开发了MONKEY适配器，一种无需额外训练的AI绘画控制技术。该方法通过"两步走"策略解决了个性化AI绘画中主体保真与背景控制难以兼得的问题：先让AI识别主体区域生成"透明胶片"，再在第二次生成中让主体区域听从参考图片、背景区域听从文字描述。实验证明该方法在保持主体特征和响应文字要求两方面均表现出色，为AI绘画的精细化控制提供了新思路。
上海交通大学团队首创：用"人工智能视觉向导"让单目深度估计变得像有双眼一样精准
上海交通大学研究团队首创Hybrid-depth技术，巧妙融合CLIP和DINO两大视觉基础模型，用语言引导方式解决单目深度估计难题。该技术采用"粗到精"学习框架，通过语言作为不同模型间的"翻译官"，让计算机能像人眼一样准确判断物体距离。实验显示性能显著超越现有方法，在自动驾驶等应用中展现广阔前景。
巴黎萨克雷大学研究团队：如何用AI识别文字背后的心理密码
巴黎萨克雷大学研究团队开发了一套创新方法，能够像侦探破案一样从个人文字叙述中解码心理特征。他们将AI技术与语言学理论结合，分析了数百份梦境记录，特别研究了一位越战老兵的案例，发现其语言模式反映了创伤对心理表达的深刻影响。这项技术为心理诊断治疗、教育个性化和消费者行为分析等领域开辟了广阔应用前景。
让机器人拥有长期记忆：莫斯科研究团队突破机械智能新边界
莫斯科研究团队开发出ELMUR技术，突破性地解决了机器人记忆能力有限的根本问题。该技术为机器人配备智能记忆管理系统，记忆范围延长十万倍，在百万步迷宫测试中达到100%成功率。通过层级记忆、双向交互和智能更新机制，ELMUR让机器人首次具备类人长期记忆能力，为家庭服务、医疗护理、工业制造等领域应用奠定基础，标志着机器人智能向认知式转变的重要突破。
让电脑"学会"机器人技能：MAUM.AI团队如何用游戏数据训练出超强机器人
MAUM.AI团队开发的D2E系统成功实现了用游戏数据训练机器人的突破。该系统通过OWA工具包收集1300多小时游戏操作数据，利用通用逆向动力学模型从YouTube视频中自动生成训练样本，最终通过VAPT技术将虚拟技能转移到真实机器人上，在操作任务达到96.6%成功率，导航任务达到83.3%成功率，大幅降低了机器人训练成本。
谢里夫大学团队重新定义AI智能：从刷题高手到真正思考者的转变
谢里夫大学团队首次提出"复杂度分布外泛化"框架，重新定义AI推理能力评估标准。研究发现现有AI更像刷题高手而非真正思考者，提出通过处理超出训练复杂度问题的能力来衡量真正智能。该框架统一了学习与推理概念，指出需要从评估方法、训练范式到架构设计的全面革新，为构建下一代通用人工智能提供了清晰路径。
KAIST团队首次成功实现70%合成数据训练双语AI模型：KORMo-10B如何改写大模型训练规则
KAIST团队首次实现使用68.74%合成数据成功训练108亿参数的韩英双语AI模型KORMo-10B，打破了传统认为大量合成数据会导致模型崩溃的观念。该研究采用多源合成数据生成和完全开源策略，在26个测试基准上达到与传统模型相当性能，为小语种AI发展和数据稀缺问题提供了突破性解决方案。
图宾根大学突破性研究：AI模型评估成本降低99%，6分钟完成原本需13小时的工作
图宾根大学AI中心研究团队提出DISCO方法，通过选择能引起模型分歧的关键样本和直接的模型签名预测，将AI模型评估成本降低99%以上。该方法在MMLU等主流测试中表现优异，仅用100个样本就能达到传统方法使用数万样本的准确度，为AI研究提供了更高效、更经济的评估解决方案。
MIT团队曝光AI监控系统重大漏洞：简单文字就能轻松"骗过"智能管家
MIT等顶尖研究机构联合发现，当前AI安全监控系统存在致命漏洞，攻击者仅需在输出中嵌入特殊文字就能轻松欺骗监控器，让恶意行为被标记为"完全安全"。研究在两大AI安全平台测试了多种先进监控器，发现所有系统都无法抵御这种简单攻击，甚至某些"改进版"协议反而让攻击更容易成功，揭示了AI安全架构的根本性脆弱。
京公网安备 11010802021500号
