AI教父Hinton荣膺诺贝尔奖，可谓是实至名归。如今，他发表的「玻尔兹曼机」震撼演讲，已登上APS期刊。这一曾催化深度学习革命的「历史酶」，究竟讲了什么？
对比2022年11月底，ChatGPT横空出世时，头部科技公司市值变化：前两名未变，第三至十位座次更替。腾讯稳居第一，市值上涨约90%至5万亿元；阿里重回2万亿元大关；小米受汽车等新业务带动，市值暴涨439%，跃升至第三，跻身“两万亿俱乐部”。
承认吧，现在一提到某些明星，你脑子立刻浮现出来的不是他们的作品，而是他们的表情包。
在长周期、多步骤的协作任务中，传统单智能体往往面临着任务成功率随步骤长度快速衰减，错误级联导致容错率极低等问题。
9月2日，AI生物医药公司CHARM Therapeutics宣布完成超额认购的 B 轮融资，共计筹集8000万美元。（约合人民币5.7亿元）
2022年，专家们笃定AI到2025年赢得IMO金牌概率不足10%。谁料短短3年，OpenAI和谷歌DeepMind的LLM双双摘金，不仅打破纪录，更宣告群体智能时代的到来！AI震撼人心，巨变势不可挡。
训练大模型时，有时让它“记性差一点”，反而更聪明！ 大语言模型如果不加约束，很容易把训练数据原封不动地复刻出来。为解决这个问题，来自马里兰大学、图宾根大学和马普所的研究团队提出了一个新方法——金鱼损失（Goldfish Loss）。
最新调查显示，生成式AI正深刻改变高校课堂：85%学生在学习中使用AI，主要用于头脑风暴、答疑与备考，而非单纯「偷懒」。
近日，「AI教父」Geoffrey Hinton在一次采访中再发预警：「杀手机器人」「无人机」等致命自主武器的兴起，正在让战争变得更易发动。Hinton认为OpenAI、Anthropic等许多AI公司在AI安全方面做得都不够。他还谈到了贪婪、自负等人性弱点，对AI研究可能带来的潜在风险。
起猛了，美团这下真的开始明牌干AI了。
液冷已成AI服务器的“必选项”。 进入2025年，科技巨头们在AI基建上可谓是壕无人性，投入常常以千亿美元为单位。 美东时间8月15日，OpenAI CEO奥特曼表示，未来公司将投入数万亿美元夯实AI基建，用于支持各项人工智能服务。
训练大模型时，有时让它“记性差一点”，反而更聪明！
你现在的竞争对手，是每天工作 12 小时、全年无休的 AI 创业公司，且部分业务已经由 AI 提效。在 AI 时代，企业就没有「不转型」的选择。
AI智汇社区获2000万天使融资，投后估值1.33亿，完善AI生态整合平台
最近 Nano Banana 邪修玩法满天飞，其中有一个在 X 爆火的生图模板，可以让你和喜爱的二次元角色来一次亲密接触。
服务了 7800 万孩子的人，怎么定义「AI玩具」。
苹果又失去了四名AI研究员，其中三人是华人。
腾讯混元，刚刚又拿下一个国际冠军—— Hunyuan-MT-7B，以7B总参数量获得国际翻译比赛冠军。该模型支持33个语种、5种民汉语言/方言互译，是一个能力全面的轻量级翻译模型。
宇树科技IPO（首次公开募股）的时间，终于定了！
OpenAI近期动作频频。首先斥巨资收购实验平台Statsig，并任命创始人Vijaye Raji为应用部门新CTO。同时还启动了「OpenAI for Science」项目，致力于打造AI驱动的科学发现平台，以加速基础科学突破。
nano banana爆火！网上看到的那些超强效果图是如何生成的呢？谷歌的官方Prompt模板终于来了！赶紧先收藏再说！
天啦噜，搞大模型的实在太疯狂了。
这几天，我的小红书被一个港科的项目刷屏了。它叫 aivilization，一个住着两万多个 AI 的小镇。
这几天，一篇关于向量嵌入（Vector Embeddings）局限性的论文在 AlphaXiv 上爆火，热度飙升到了近 9000。
两个多月前，Meta豪掷143亿美元收购Scale AI 49%的股份。
在这场以大型语言模型（LLM）为核心的 AI 浪潮中，苹果似乎一直保持着低调，很少出现在技术报道的前沿。尽管如此，时不时地，该公司也能拿出一些非常亮眼的研究成果，比如能在 iPhone 上直接运行的高效视觉语言模型 FastVLM。
AI 也要「考古」式科研？
全球三大高翻院之一，蒙特雷国际研究学院（MIIS）官宣，2026年7月正式停招研究生。生源不足、财务问题之下，许多人还将矛头指向了AI。如今，机翻精度高、又快又准，突然理解，什么是时代的眼泪了。
AI 产品经理，和我们所熟知的 PC、App 时代的产品经理完全不一样。
大语言模型通过 CoT 已具备强大的数学推理能力，而 Beam Search、DVTS 等测试时扩展（Test-Time Scaling, TTS）方法可通过分配额外计算资源进一步提升准确性。然而，现有方法存在两大关键缺陷：路径同质化（推理路径趋同）和中间结果利用不足（大量高质量推理分支被丢弃）。
