Intelligence

你有没有过这种感觉：跟一个 AI 助手聊了几天，忽然问它一件上周提过的事，它一脸茫然？ 这不只是你的问题。这是当前几乎所有 AI 助手的架构性缺陷：当对话历史超过上下文窗口， AI 就开始失忆。 这个问题有一个正式的名字——“个性化问答的长程交互挑战”。最近，一篇论文提出了一个让这个问题变得几乎可以被解决的方案：双层混合记忆系统（ Dual-Layer Hybrid Memory ）。 问题的根源 为什么 AI 会"忘记"长期对话中的信息？ 当前主流的个性化模型，本质上都是静态初始化的——用户画像、偏好、知识图谱，在对话开始前就被塞进模型，然后固定不动。这意味着， AI 只能在预设好的框架里回答问题，无法实时吸收用户在与它交流过程中产生的新信息。 当对话跨度拉长到数周甚至数月，上下文窗口的有限性就暴露了——你需要记住的东西远比窗口能容纳的多得多。 …
阅读更多

实验室机器人搬到家里，为什么总会失效 过去几年，视觉-语言-动作模型（VLA）在受控环境里跑得越来越顺，RT-1、RT-2、Open X-Embodiment 等代表工作让机器人"看着图像就能动手"从概念变成了工程现实。但只要把同一套策略搬到真实家庭或道路，往往第一周还行，第二周就开始出怪事：家具挪了位置，原来训练的"找杯子"路径不再成立；传感器换了一批，标定漂移让旧特征失效；甚至机械臂只是磨损了一点关节间隙，原先严丝合缝的抓取策略就抓空。 原因不在某一个算法，而在整套具身 AI 的设计前提。现有范式几乎都默认：环境是人工设定的，记忆是预先准备好的，任务是预先指定的，化身是固定的。所有这些"给定"条件都被塞进训练前的配置里，模型只需要在这一份配置下表现好。这种 human-crafted setting 在演示视频里很漂亮，但只要 …
阅读更多

当我们需要在一段几小时长的视频中寻找某个关键证据时，人类的做法是什么？ 通常是先快速扫一遍，找到可疑的片段，然后仔细查看那些片段，再根据发现的新线索调整搜索方向——这是一个迭代的、交错的"线索寻求"过程。 但现有的多模态大语言模型（ MLLM ）处理长视频的方式却完全不同：它们通常对整个视频进行均匀采样，然后单次推理就给出答案。这种方式有两个明显的缺陷： 注意力分散：推理过程和工具调用混在一起，导致模型难以集中注意力 上下文效率低：冗余的视觉内容占据了大量上下文，而真正关键的线索反而被淹没 Video-o3 要解决的，正是这两个问题。 核心创新：原生交错工具调用 Video-o3 的核心思想是让模型能够迭代式地发现显著视觉线索、细粒度检查关键片段、并在获得足够证据时自适应终止。 这听起来很像人类的信息 seeking 行为。而实现这一点的关键技术有两个： 1. 任务解耦 …
阅读更多

OpenAI 每天烧掉 350 吨碳——这个数字是什么概念？美国环保署 EPA 认定任何年排 100 吨以上的污染源为" major"污染源， OpenAI 一天就超过这个门槛三倍半。这是 2026 年 ICML position paper 《 AI Cap-and-Trade: Efficiency Incentives for Accessibility and Sustainability 》给出的数字。 这篇论文的两位作者——Marco Bornstein 和 Amrit Singh Bedi——提出了一个让整个 AI 行业坐不住的问题：当算力军备竞赛把学术界和小公司彻底挤出牌桌，当数据中心的碳足迹开始动摇气候红线，我们除了继续烧钱堆 GPU ，还能怎么办？ 答案是：给算力贴一张碳价标签。 算力军备竞赛的账单 理解这个方案之前，先看清现状有多荒诞。 今天训练一 …
阅读更多

当华尔街和主流媒体众口一词地将 2025 年美国经济韧性归功于"AI 革命"时，意大利央行三位经济学家的论文像一盆冷水浇在燥热的叙事上。他们通过宏观会计框架和 AI 生产链的精细解剖，揭示了一个反直觉的真相：AI 投资的 GDP 效应，远不如其资本支出数字看起来那么耀眼。 这不是要否定 AI 浪潮，而是用冰冷的数据撕开舆论的泡沫——而泡沫的制造者，往往是那些最需要你相信故事的人。 一场史无前例的资本狂潮，但进口吃掉了大半 2025 年第一季度，美国私人固定投资环比年化增长率飙至 7.1%，信息技术相关资本支出更是出现了 36%的创纪录增长——这是自 1980 年代 IBM 个人电脑诞生以来从未见过的膨胀速度。 数据中心的建设是这场狂潮的核心引擎。微软约 800 亿美元资本支出几乎全部投向 AI/数据中心基础设施； Alphabet 的 750 亿美元中"大部分 …
阅读更多

2026 年的 AI agent ，已经能在棋盘上击败人类冠军、在代码库里修复 bug 、在谈判桌上碾压对手。但让一个机器人在房间里走三圈，问它"刚才沙发左边那幅画下面压着什么"—它会茫然四顾。 这并非因为它的视觉能力不够强。问题在于：它没有记忆。 华东师范大学与上海 AI 实验室的研究团队最近抛出一个让整个 embodied AI 社区坐立难安的问题：为什么我们的机器人能完成千般任务，却记不住自己刚才在哪？ 9000 个目标与 9286 个问题 他们扔出的 benchmark 叫 LMEE-Bench ，数据量足以让任何研究者头皮发麻：9000+个导航目标、 9286 个记忆问答、 1982 条完整轨迹。这是什么概念？相当于让一个机器人在同一个房子里逛 9000 次，然后回答 9286 个关于"你见过什么、在哪见过、当时在干什么"的问题。 这近乎残 …
阅读更多

一边是 Sam Altman 在达沃斯高谈「智能即水电」，一边是开罗的某个本科毕业生，正为了一条数据标注的微任务，把眼睛贴在屏幕上点出 0.02 美元。 arXiv:2601.06057 这项基于 600 多份问卷、 15 场焦点小组与社交群组田野的研究，把一个被宏大叙事反复遮蔽的事实，砸在了所有「 AI 革命」的脑门上：让大模型学会「理解世界」的，不是算力、不是芯片、不是天才研究员，是埃及。 先看一个最简单、也最反胃的对照：研究覆盖的 636 名埃及数据工人，月均平台收入 EGP 2,793.37 ，约合 58.76 美元，折合时薪不到 1.5 美元。这个数字与埃及现行法定最低工资 EGP 7,000 （ USD 149 ）相比，只有后者的 39.9%；与该国 2025 年平均月薪 EGP 9,200 （ USD 195 ）相比，只剩下 30.3%。换言之，这些人正在用低于最低工资一半的 …
阅读更多

89.2%、 78.5%、 65.4%——三个数字单独拎出来算不上石破天惊。但如果告诉你，这组成绩不是来自一个更大的模型，而是一套"记忆外挂"，你会不会重新掂量一下自己手里那张算力账单的分量？ BLIP-2 、 GPT-3.5-Turbo 、 CLIP——这三位都是当下最被供奉的"全能选手"，分别在 ScienceQA 、 LoCoMo 、 MSR-VTT 三项基准上代表了视觉问答、长对话、视频-文本对齐的最高水位。结果一个叫 MemVerse 的框架，仅靠"重组记忆"这一招，就把这三个不可一世的标杆全数按在地上： ScienceQA 上把 BLIP-2 甩开 7.1 个百分点，对话连贯性比 GPT-3.5-Turbo 高出 7.2 个点，视频-文本对齐把 CLIP 拉开了 6.7 个身位。换句话说，在"局部指标 …
阅读更多

在医疗、法律、金融这三大高危AI落地战场里，金融业对错误的容忍度几乎是零——一个错把SOFR识别成SOAR的对冲模型，可能让一家中型银行在一夜之间蒸掉八千万美元。在这种近乎变态的精度要求下，你猜一个被学术圈吹捧为企业级RAG范本的多智能体架构，答对率是多少？ 62.35%。 是的你没看错，62.35%。这个数字来自arXiv:2510.25518，一个专门给金融科技领域设计的多智能体RAG架构，由查询改写、关键词子查询分解、上下文缩写词解析、交叉编码器重排序四组专家Agent协同作战，在一个仅有85道题的精标评测集上跑出来的严格准确率。更扎心的是，它的对手——一个朴素到几乎原始的线性Baseline RAG，正确率是54.12%。也就是说，四组Agent、6倍推理延迟（5.02秒对比0.79秒），换来的进步是8.23个百分点。 把这个数字扔到任何一个正在选型的CIO桌上，第一反应大概率是沉 …
阅读更多

GPT-4 训练一次消耗的电力，够一个美国家庭用 287 年。这是算力成本。但你知道训练数据的成本是多少吗？ 买断一家数据标注公司，一年的现金流就没了。这不是边际成本，这是结构性定价权的争夺。 arXiv 在 2025 年 10 月收录的这篇论文，第一次用经济学工具系统解构了 AI 训练数据的定价机制、质量评估框架和市场结构。结论反直觉却精准：数据不是大宗商品，数据市场不是有效市场，数据定价权才是 AI 霸权的真正战场。 为什么数据不是商品？ 传统经济学把数据类比为石油——开采成本高，，边际成本趋零，可替代性弱。这个比喻只对了一半。 石油你可以存起来随时用，数据不行。数据的价值高度场景化：同样一张街景照片，训练自动驾驶和训练文生图模型，价值差异可以超过100 倍。数据的"使用价值"取决于模型架构、训练目标和下游任务的契合度，而不是数据本身的"客观属性 …
阅读更多

你问 ChatGPT ："《百年孤独》的作者是谁？“它答得准确无误。你再问：“莫言获得过哪个国际奖项？“它开始一本正经地编造奖项名称。 这就是 AI 的幻觉问题。但幻觉的根源不在于模型"记错了”，而在于模型"不知道自己在什么时候记错了”。 信息融合——Information Fusion——是这篇论文提出的核心解法。 一个被忽视的关键环节 AI 模型的生产流程通常被描述为：数据收集→清洗→训练→评测→部署。但在这条流水线上，有一个环节长期被忽视——信息融合（ Information Fusion ），即来自不同来源、不同模态、不同结构的数据，在进入模型之前，如何被统一表征、统一理解、统一关联。 论文的核心论点是：当前 AI 质量问题的根源，有超过 60%可以追溯到信息融合阶段的缺陷，而不是训练算法本身 …
阅读更多

你跟 AI 说：“帮我看看这张 X 光片有没有异常。“它给出了专业分析。 一周后，你说：“上周我给你看过一张 X 光片，有什么问题？“它说：“抱歉，我没有看过任何 X 光片。” 这不是 bug 。这是多模态大语言模型的原生缺陷。 现有的主流多模态模型，几乎全部采用"单次推理"架构——每一次新的输入，都是一次从零开始的推理过程。它们没有记忆，没有上下文连续性，更没有跨 session 的累积知识。 arXiv 在 2025 年 10 月发表的这篇论文，第一次系统定义了"多模态 Agent 记忆”（ Agentic Memory ）这一概念，并推出了一个专门用于评测多模态大语言模型记忆能力的基准——Augustus。 为什么多模态记忆是个大问题？ 单模态语言模型的记忆问题已经被广泛 …
阅读更多

当圣杯输给了下水道 过去十年，衰老研究领域有一个不证自明的共识：DNA甲基化时钟是测量生物年龄的"金标准"。Horvath时钟、GrimAge、PhenoAge——每一个新模型都被顶刊争相背书，硅谷富豪每年豪掷数万美元检测自己的表观遗传年龄，仿佛拿到一份"生命进度条"就能对抗死神。 然而一项基于12,000人纵向队列的最新研究，把这套叙事连根拔起。 来自人类表型计划（Human Phenotype Project）的研究团队整合了转录组、脂质组、代谢组和微生物组数据后发现：真正与全身系统性衰退关联最紧密的衰老指标，不是DNA甲基化，而是你肠道里的那群细菌。 基于微生物组的衰老时钟——注意，是那些你每天冲进马桶里的东西——在预测多病共存（multimorbidity）和16种常见非癌症疾病时，命中其中14种。即便校正了实际年龄、性别和BMI这些传统变量 …
阅读更多

MITRE的"最重要硬件弱点"榜单，是全球硬件安全圈最严肃的专家共识，每一份入选漏洞都经过数十位工程师的反复审视。但2025版的背后，藏着一个让专家们五味杂陈的事实：1026份候选漏洞里，有411份——也就是整整四成——是由一个从未见过任何标注数据的AI流水线筛出来的。这不是辅助，是接生。 MITRE最硬的榜单，悄悄换了接生婆 说起MITRE CWE的"最重要硬件弱点"（MIHW），业内的想象是：几位白发苍苍的工程师坐在会议室里，对着成吨的CVE报告逐条过审，靠数十年经验拍板哪些漏洞"足够致命"。这套流程庄严、缓慢、自带权威光环。 但2025版MIHW的实际生产链路，被一篇arXiv:2509.00647的论文撕开了一个口子。研究团队用LLM-HyPZ这套零样本框架，把2021至2024年的CVE语料跑了一遍，从浩如烟海的漏洞库里 …
阅读更多

当科技公司用"通用人工智能"、“超级智能”、“AI觉醒"等词汇疯狂营销时，一项覆盖303位跨学科研究者的调查，用数据给这个燥热的舆论场浇了一盆冰水：我们连"什么是智能"都没有共识，凭什么说LLM已经"智能"了？ 一篇最新论文（2505.20959）系统性地调研了学术界对"智能"概念的理解，以及对当前LLM系统的评价。这项研究的结论既令人意外，又在情理之中——智能的核心特征确实存在高度共识，但对LLM的"智能"属性，学术界的态度远比公众认知的更加保守和审慎。 归纳、适应、推理：三大支柱形成共识 调查首先探究了一个基础问题：研究者们认为"智能"的核心特征是什么？ 结果显示，无论学科背景（计算机科学、认知科学、神经科学等）、职业阶段 …
阅读更多

当华尔街的Quant们还在用BERT时代的微调模型做金融预测时，一场静悄悄的革命已经在金融AI领域展开——基础模型正在重写整个行业的游戏规则。但问题是：谁将最终统治这个战场？ 一篇最新综述（2507.18577）系统性地梳理了金融基础模型（Financial Foundation Models, FFMs）的发展全景图，将这个新兴领域分为三大阵营：金融语言基础模型（FinLLM）、金融时序基础模型（FinTSFM）、金融视觉-语言基础模型（FinVLFM）。这场"三国演义"背后，隐藏着金融AI走向AGI的真正挑战。 从窄到广：金融AI的范式转移 传统金融AI的工作方式是"一个模型，一个任务"：情感分析模型做情感分析，风险评估模型做风险评估，股票预测模型做股票预测。每个系统都是独立构建、独立部署、独立维护的"烟囱式"架构。 基础模型 …
阅读更多

2025 年，单细胞测序成本跌到几分钱一个细胞，全球生物数据库以 EB 级膨胀。但一个尴尬的事实正在被悄悄承认：检验多组学整合方法到底灵不灵的’标准答案’，是人为编出来的。 SimOmics （ arXiv:2507.09967 ）这套 R 语言仿真工具包，用精心设计的假数据，正在取代真实样本，成为方法学的真正裁判。 你拿到的真实数据，恰好证明不了你的方法 在生物信息学圈，公开数据集是科研的硬通货——GEO 上万个 GSE ， TCGA 几千个样本， cellxgene 几百万细胞。每个发 CNS 的方法都要在’真实数据’上跑一圈，仿佛沾上 real data 四个字就有了金身。 但金身是虚的。真实数据有个致命缺陷：没有标准答案。你拿转录组、蛋白组、代谢组去跑 MOFA2 ，方法告诉你’我找到了 5 个共享因子’——可 …
阅读更多

在精准肿瘤学里，一个被默认的常识是：喂给模型的标注样本越多，癌症亚型分型就越准。但2025年8月挂上arXiv的GTMancer框架，用一份不到1500字的实验设置，把这条铁律劈成了两半——全量7个公开癌症数据集上，仅用10%的有标签样本进行半监督训练，模型最终在测试集上的F1与准确率全部碾压SOTA。更离谱的是，当标签比例压到1%时，UCEC数据集上的亚型分类表现依然稳居榜首。是的你没看错，数据少了九成，结果反而更准。 主流叙事的第一道裂缝 过去十年，癌症多组学融合的叙事始终被一个隐含假设主导：基因组、转录组、表观遗传、蛋白质组……不同组学像各自为政的诸侯，必须用更复杂的图神经网络、更多层的注意力、更高阶的对比损失，才能勉强把它们"缝合"到一个统一表征里。结果是模型参数爆炸、训练成本飙升、对标注数据的依赖也水涨船高。一篇典型的多组学GNN论文，动辄要30%到50%有标 …
阅读更多

当你看到一段AI生成的虚拟人视频时，第一眼就能感觉"哪里不对"——这种微妙的不适感，业界称之为"恐怖谷"效应。问题的根源不是视觉渲染不够真实，而是AI系统对"情绪"的理解和控制能力，几乎为零。 一篇最新论文（2503.14295）带来了一项名为PC-Talk的突破性框架，首次在音频驱动的人脸生成中实现了精确的情绪控制和唇音同步分离。这项研究不仅在学术数据集上刷新了SOTA，更揭示了数字人技术走向真实应用的关键路径。 “恐怖谷"的真正根源：为什么现有方法总是不够"自然”？ 在深入技术细节之前，我们先理解一下为什么现有的Talking Face生成技术总是差那么一口气。 当前的主流方案，如Wav2Lip、SadTalker、EMO，已经能够实现相当不错的唇音同步。但它们的共同弱点是：生成结果 …
阅读更多

想象一下，你问AI助手：“苹果公司2022年12月30日的市盈率是多少？“它却给你列出了2024年的所有财务数据，然后一本正经地回答了你的问题。这不是科幻，这是当前金融多模态RAG系统的真实水平。 当RAG（检索增强生成）技术在金融领域被吹捧为"颠覆传统投研"的神器时，一篇最新论文（2503.05185）用实证数据狠狠地揭开了这个领域最尴尬的秘密：现有的金融RAG系统，连"时间"这个最基本的金融分析维度都处理不好，更别说多模态融合了。 FinTMMBench：一个让所有RAG系统"见光死"的基准测试 这篇论文的核心贡献是构建了FinTMMBench——第一个专门评估时间感知多模态金融RAG系统的基准测试。这个benchmark的构建过程本身就充满挑战： 研究团队收集了2022年所有NASDAQ-100公司的 …
阅读更多