/
几分钟完成3D渲染？HP ZBook Fury G1i 移动工作站让AI设计流程真正落地了
还在为渲染一个3D模型等上几小时吗？还在纠结移动办公就得牺牲性能吗？当AI遇上专业工作站，传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队揭秘：AI教育应用如何在数字化教学时代赢得用户青睐
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论，发现作业辅导类应用获得超80%正面评价，而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导，但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化，政策制定者建立相关规范，未来发展方向为混合AI-人类模型。
OpenAI或从亚马逊获得超100亿美元融资
据报道，OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者，并为其建设了110亿美元的数据中心园区。若融资达成，OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺，配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值，但OpenAI最近一次二次出售估值已达5000亿美元。
伊利诺伊大学香槟分校团队揭秘：如何在数据海洋中精准找到“最对胃口“的训练素材
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究，提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限，通过建模数据的天然层次结构，实现了更智能高效的数据集选择。在两个公开基准测试中，DaSH相比现有方法提升了高达26.2%的准确率，同时大幅减少了所需的探索步数。
2026年非结构化数据管理五大预测
各行业企业存储的数据量持续攀升，5PB以上已成常态，10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长：更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展，企业将意识到非结构化数据管理对AI投资回报率的关键作用。
当人工智能也会“犯错“时：加州大学圣地亚哥分校等机构团队破解AI规划决策难题
加州大学圣地亚哥分校等机构研究团队发现，当前顶级AI系统在处理包含错误的多步骤任务时表现极差，几乎等同于随机猜测。为此，他们开发了CoSPlan测试基准来评估AI的纠错能力，并提出了SGI场景图增量更新技术作为解决方案，显著提升了AI在错误检测和步骤完成任务中的表现。
Amazon重组AI部门：27年老将统领AGI组织
亚马逊宣布重大人事调整，实用计算高级副总裁Peter DeSantis将接管AGI组织，直接向CEO Andy Jassy汇报。DeSantis将带领Annapurna Labs芯片业务和量子计算团队加入该组织。此举旨在将AI相关业务整合为全公司战略，而非仅限于AWS。亚马逊押注垂直整合策略，通过控制芯片和模型实现端到端优化。著名AI研究员Pieter Abbeel被任命为前沿模型研究团队负责人，结合亚马逊庞大的仓储机器人部署优势，有望在具身智能领域取得突破。
浙江大学联手蚂蚁集团：AI如何用少量标注数据让语言模型推理能力大幅提升
浙江大学与蚂蚁集团合作提出TRAPO框架，通过"学习轨迹匹配"让AI模型仅用极少量标注数据就能获得卓越推理能力。该方法用少量带答案题目作指导，识别学习模式相似的无答案题目参与训练，实验证明用十分之一标注数据就能超越传统全监督方法，为资源受限的AI应用开辟新路径。
安全专家给出的8条AI聊天机器人使用安全建议
AI聊天机器人虽然便捷，但存在诸多安全隐患。用户与聊天机器人分享的个人信息不受隐私保护，对话记录可能被搜索引擎索引。专家建议：将聊天机器人视为公共环境，避免透露敏感个人信息；不要过度分享心理状态和健康问题；关闭记忆功能并定期导出数据；对AI生成内容保持怀疑并核实信息；警惕冒充客服的钓鱼诈骗；启用双因素认证；重要问题应向真人倾诉而非AI；避免过度依赖AI以防思维能力退化。
别让卫星图像上的房屋“躲猫猫“：中山大学团队打造AI“透视眼“精准识别建筑
中山大学和北京邮电大学联合开发的UAGLNet系统，通过协作编码器实现局部细节与全局信息的智能融合，并引入不确定性建模提升建筑识别准确性。该系统在多个权威数据集上取得最佳性能，同时大幅提升计算效率，为遥感图像建筑提取领域带来重要技术突破。
普渡大学将AI能力列为本科毕业必备要求
普渡大学宣布从2026年秋季起，要求新入学本科生必须达到"AI工作能力"标准才能毕业。该要求是学校AI战略的一部分，旨在确保毕业生具备充足就业机会。学校已与微软等科技公司合作提供AI工具，并举办AI学院培训教师。教师们对此反应不一，既认可培养学生AI素养的必要性，但也担心具体实施细节不明确，可能成为官僚障碍而非教育资产。
香港大学团队突破：AI也能“自己发工资“——机器如何学会设计自己的奖励机制
香港大学团队提出可微分进化强化学习DERL框架，让AI系统能够自主发现最优奖励函数，解决了传统强化学习中奖励设计依赖人工且效果有限的问题。通过双层优化结构，元优化器学习生成有效奖励配置指导策略训练。在机器人、科学推理、数学等三大领域测试中，DERL均达到最佳性能，特别是在分布外任务上表现突出，为AI自主学习开辟了新路径。
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
