每当需要处理复杂领域中高度不确定性或缺乏历史数据的问题时，纯粹的科学证据不足、存在矛盾或过于复杂，通常我们就需要依赖专家们的集体智慧来形成共识，指导实践。德尔菲法（Delphi method）是半个多世纪以来最常用的一种专家共识方法。
在今年的 ACM KDD 2025 大会上，清华大学电子系团队联合中国移动发布了 UoMo，全球首个面向移动网络的通用流量预测模型。UoMo 能同时胜任短期预测、长期预测，甚至在没有历史数据的情况下生成全新区域的流量分布。
数据显示，无论是国内还是海外，AI行业的发展，在经历了爆发式增长后，都开始出现部分下滑，行业正进入一个全新的阶段。真实的用户偏好开始显现，旧的增长逻辑正在失效。
一句话概括，还在嫌弃RAG太慢？这帮研究员直接把检索数据库"蒸馏"成了一个小模型，实现了不检索的检索增强，堪称懒人福音。
当前计算机使用智能体（CUA）的发展，主要依赖于大量昂贵的人工标注数据 。这极大地限制了它们在缺少现成数据的新颖或专业软件中的应用能力 。为了打破这一瓶颈，来自上海交通大学和香港中文大学的学者们提出了 SEAgent，一个全新的、无需任何人类干预，即可通过与环境交互来自主学习和进化的智能体框架。
奥特曼在一次晚宴上勾勒出宏大愿景——从颠覆搜索与社交，到斥资数万亿打造数据中心和全新AI硬件，甚至探索脑机接口。他强调AI正处在类似互联网泡沫的关键时刻，但其潜力无可比拟。
近年来，AI大模型在数学计算、逻辑推理和代码生成领域的推理能力取得了显著突破。特别是DeepSeek-R1等先进模型的出现，可验证强化学习（RLVR）技术展现出强大的性能提升潜力。
思维链 (CoT) 提示技术常被认为是让大模型分步思考的关键手段，通过在输入中加入「Let’s think step by step」等提示，模型会生成类似人类的中间推理步骤，显著提升复杂任务的表现。然而，这些流畅的推理链条是否真的反映了模型的推理能力？
在生成式 AI 时代，全球数据总量正以惊人速度增长，据 IDC 预测，2025 年将突破 180ZB，其中 80% 为非结构化内容，传统数据分析在应对多模态信息和打破结构化数据技术壁垒方面尽显乏力，“人工找数 + 手动分析” 的模式严重抑制甚至沉没了数据价值。
Figure人形机器人首秀，靠神经网络叠衣服！ 在没有任何架构改变、仅增加了数据的情况下，就让原本在物流场景干活的它，轻松习得了新技能。
