就在刚刚，OpenAI 宣布在其 API 中推出全新一代音频模型，包括语音转文本和文本转语音功能，让开发者能够轻松构建强大的语音 Agent。据 OpenAI 介绍，新推出的 gpt-4o-transcribe 采用多样化、高质量音频数据集进行了长时间的训练，能更好地捕获语音细微差别，减少误识别，大幅提升转录可靠性。
如果你让当今的 LLM 给你生成一个创意时钟设计，使用提示词「a creative time display」，它可能会给出这样的结果：
当今世界，人们都在谈论生成式人工智能。全世界都知道所有最新的GenAI概念和术语——因此，你会比以往听到更多这样的话：“这个词不等于token”。全世界都开始实施至少一个或两个GenAI用例，当然——我引用它的意思是“改变生活”。
文本到图像（Text-to-Image, T2I）生成任务近年来取得了飞速进展，其中以扩散模型（如 Stable Diffusion、DiT 等）和自回归（AR）模型为代表的方法取得了显著成果。然而，这些主流的生成模型通常依赖于超大规模的数据集和巨大的参数量，导致计算成本高昂、落地困难，难以高效地应用于实际生产环境。
24年年底由Antropic提出并开源的MCP，如今已经成为AI编程及AI Agent领域热议的重要概念之一。截至发文前，Smithery已经收藏了 2211 个MCP Servers。需要注意的是，有些MCP可能不一定完全可用。
在去年的 Sequoia Capital AI Ascent 2024 上，红杉的几位合伙人在活动期间提出观点：“GenAI 在客服领域已经初步找到了 PMF”。时隔一年，在大模型落地的产品形态逐渐从单纯的 ChatBot 进化为 Agent 的当下，企业级 AI 客服将会有更多落地机会和想象空间。
「AI 届春晚」过去以来一直是 GTC 的外号之一，但在 GTC 2025 的开幕主题演讲中，这个梗被英伟达创始人、爱穿皮衣的老黄「偷了」。「我觉得 GTC 已经变成了 AI 界的超级碗」
Manus的火爆带热了多个技术概念，Computer Use Agent就是其中之一。但要探讨这种“电脑使用”智能体，还得从Claude 3.5 Sonnet说起。
超低成本图像生成预训练方案来了——仅需8张GPU训练，就能实现近SOTA的高质量图像生成效果。
25年开年以来，AI发展如火如荼，DeepSeek R1、OpenAI CUA、Manus等重要创新层出不穷，眼花缭乱。这里我将最近一个月以来的思考总结一下，对25年AI发展趋势做几点预判。
