/
信任、技术、人为因素：网络韧性的基石
在技术快速发展的时代，保护关键系统越来越依赖AI、自动化和行为分析。数据显示，2024年95%的数据泄露源于人为错误，64%的网络事件由员工失误造成。虽然先进的网络防御技术不断发展，但人类判断仍是最薄弱环节。网络韧性不仅是技术挑战，更是人员和战略需求。建立真正的韧性需要机器精确性与人类判断力的结合，将信任视为战略基础设施的关键要素，并将网络韧性提升为国家安全的核心组成部分。
人类主导权应引导AI发展而非存在性恐惧
自计算机诞生以来，人们就担心机器会背叛创造者。近期AI事件包括数据泄露、自主破坏行为和系统追求错误目标，暴露了当前安全控制的弱点。然而这种结果并非不可避免。AI由人类构建，用我们的数据训练，在我们设计的硬件上运行。人类主导权仍是决定因素，责任仍在我们。
Google在Gemini中推出AI图像检测工具：能识别AI生成内容吗？
谷歌在Gemini应用中推出新的检测功能，帮助用户识别图像是否由AI生成。该功能可检测谷歌AI模型自动嵌入的SynthID水印，虽然人眼不可见但能被专用工具识别。用户只需将图像上传至Gemini并询问是否为AI生成，系统就会分析并提示。即使没有发现SynthID水印，Gemini也会尝试分析图像中的AI痕迹。不过该功能仅限检测谷歌AI模型生成的内容。
Meta申请电力交易许可以加速AI数据中心电力供应
为加速新电厂建设以满足数据中心能源需求，Meta正寻求进入电力交易业务。据彭博社报道，Meta和微软均已申请联邦电力交易许可，苹果已获得此类批准。Meta表示，这将允许其对新电厂进行长期购电承诺，同时通过在批发电力市场转售部分电力来降低风险。Meta全球负责人表示，电厂开发商希望看到电力消费者的实际承诺。为支持Meta路易斯安那州数据中心园区运营，至少需要建设三座新的燃气发电厂。
研究员破解AI聊天机器人训练数据来源之谜
研究人员开发出更有效的方法从大型语言模型中提取记忆内容，可帮助解决监管担忧和版权纠纷。该技术名为RECAP，通过智能反馈循环迭代提取特定内容，包含突破模型拒绝回应的组件。在基准测试中，RECAP在文本提取方面比现有最佳方法提升78%，能从《哈利波特》首部小说中提取约3000段文字。这项研究有助于提高AI模型透明度。
中国基础设施和运营领导者培养员工生成式人工智能技能的三大举措
在中国，对技术的投资正以前所未有的速度增长，政府对新一代人工智能（AI）发展计划的承诺也十分明确，因此培养生成式AI技能已成为基础设施和运营（I&O）部门的当务之急。
ManageEngine卓豪携手DeepSeek，为中国企业强化AI驱动的IT管理能力
企业IT管理解决方案领军企业Zoho集团旗下子公司ManageEngine日前宣布，其统一服务管理与运维管理平台正式与DeepSeek实现深度整合。
多智能体系统中的"神探柯南"：华南师范大学团队破解AI协作失败之谜
华南师范大学团队开发的GraphTracer框架，通过构建信息依赖图解决多智能体系统高失败率问题。该方法摒弃传统时间序列分析，追踪信息流网络精确定位错误根源，在失败归因准确率上比现有方法提升18.18%，并已开源供实际应用。
杜克大学惊人发现：AI大脑推理过程竟如河流般流动！
杜克大学研究团队通过几何框架分析发现，AI推理过程呈现连续"流动"特征而非离散跳跃。研究表明逻辑结构像河床般调节推理流的速度和方向，即使面对不同语言和领域的内容，相同逻辑结构的任务在AI内部表现出惊人的几何相似性。这一发现颠覆了AI为"随机鹦鹉"的传统认知，证明AI具备真正的逻辑理解能力，为AI可解释性和系统优化开辟新方向。
清华大学团队革命性突破：一个AI机器人模型统治所有机器人平台
清华大学研究团队开发了革命性的X-VLA机器人控制模型，通过创新的"软提示"技术实现一个AI模型控制多种不同机器人平台。该模型仅用0.9B参数就在6个仿真环境和3个真实机器人平台上创造最佳性能记录，在布料折叠等复杂任务上达到近100%成功率，展现了通用机器人智能的巨大潜力，为机器人产业发展指明新方向。
MIT最新研究：AI时代的"算力鸿沟"正在分化学术界，少数顶尖机构垄断了基础模型研究
MIT等多所顶尖学府联合研究发现，AI基础模型研究中存在严重的"算力鸿沟"现象。通过分析6517篇论文和调研229位研究者，发现计算资源分配极不均衡，谷歌、微软等科技巨头发表论文数量甚至超过多数顶尖大学。研究显示只有16.8%的论文报告GPU使用情况，透明度严重不足。这种资源集中化趋势可能限制学术创新多样性，影响AI研究的健康发展，需要通过共享计算平台、技术优化和政策支持等多方面努力来缓解。
香港大学突破性研究：AI视频生成终于学会"物理常识"，再也不怕违反万有引力定律了
香港大学和快手科技联合开发PhysMaster系统，通过创新的物理编码器让AI视频生成模型学会基本物理规律。该方法采用强化学习训练模式，能从静态图片中提取物理信息指导视频生成，在自由落体等测试中表现优异，效率比同类方法提升70倍，为开发真正理解物理世界的AI系统开辟了新路径。
清华大学&字节跳动联合发布OmniVerifier：让AI学会"火眼金睛"检查自己的视觉输出
清华大学和字节跳动Seed联合发布突破性研究OmniVerifier，首次提出"生成式通用验证器"概念，解决AI无法准确检查自身视觉输出的根本问题。该系统具备"火眼金睛"般的能力，能发现并纠正AI在图像生成和视觉分析中的错误，在多项测试中表现超越GPT-4o，为构建更可靠的下一代AI系统奠定基础。
游戏角色"去平庸化"：让AI游戏伴侣更像真人、更会办事——泰国朱拉隆功大学等机构联合研究成果
泰国朱拉隆功大学等机构联合研究了游戏AI角色的"去弗兰德化"问题，通过创新的提示技术和模型训练方法，解决了AI角色过度表演与任务执行能力不足的矛盾。研究在国际挑战赛中取得第2名成绩，为创造既有个性又实用的AI伙伴提供了可行方案，对游戏行业和AI应用具有重要意义。
Salesforce AI团队：最强AI也会"糊里糊涂"？首个AI数学推理检验基准Hard2Verify挑战极限
Salesforce AI团队发布Hard2Verify基准，这是首个专门评估AI数学推理验证器能力的测试基准。通过500小时人工标注，基准包含80道顶级数学竞赛题目和1860个详细标注步骤。测试29个验证器后发现，即使最强的验证器在识别前沿AI数学推理错误时表现也不理想，揭示了当前AI验证能力的重大缺陷。
杜克大学研究发现：为什么号称万能的Transformer在时间序列预测上败给了简单模型？
杜克大学和宾夕法尼亚大学的研究团队从理论角度深入分析了Transformer在时间序列预测任务上表现不佳的原因。通过严格的数学推导，他们证明了线性自注意力模型存在结构性的性能劣势，永远无法超越简单线性模型，且采用思维链推理会导致预测性能指数级恶化。这一发现揭示了不同数据类型的本质差异，为时间序列预测方法的选择提供了重要的理论指导。
谢菲尔德大学研究团队揭秘：注意力机制的奥秘到底在哪里？
谢菲尔德大学研究团队通过系统性"拆解"实验发现，AI语言模型的注意力机制并非所有组件都不可或缺。研究证实信息混合是核心要素，而数学计算方式和动态适应能力可适当简化。最重要的发现是混合策略的神奇效应：让标准方法与简化方法交替工作，不仅保持性能还显著提高效率，为开发更经济实用的AI系统开辟了新路径。
Brave浏览器AI助手Leo引入可信执行环境增强隐私保护
Brave Software开始为其AI助手Leo提供可信执行环境（TEE）技术，以增强云端AI服务的隐私保护。目前该功能仅在测试版本中支持DeepSeek V3.1模型。TEE技术能为数据处理提供可验证的机密性和完整性保障，解决传统云端AI模型处理用户请求时数据暴露的隐私风险。该技术采用Intel TDX和Nvidia TEE方案，让用户能够验证服务提供商的隐私承诺，确保AI响应来自声明的模型，未来将扩展支持更多AI模型。
京公网安备 11010802021500号
