追问weekly | 过去一周，AI领域有哪些新突破? Vol.37

伊利诺伊州正式通过了《人工智能视频访谈法案》（AIVIA），成为继纽约州之后全美第二个立法规范AI面试的州。该法案的出台旨在保护求职者隐私，防止AI技术滥用，并为AI时代的就业市场树立新的规范。根据AIVIA，雇主在面试过程中使用AI工具时，必须提前通知求职者，并且求职者有权了解AI工具的评估结果，以及这些结果如何影响面试决策。此外，未经求职者同意，雇主不得分享或出售面试视频，且禁止使用可能产生歧视性影响的AI工具。

AI面试工具的支持者认为，它们能够提高招聘效率，减少人为偏见，并为求职者提供更客观的评估。然而，批评者担心算法偏见可能加剧歧视、隐私泄露的风险以及缺乏透明度和问责制的问题。

AIVIA的通过标志着AI招聘监管的一个新篇章，预计未来将有更多州跟进，出台类似法案。这将促使企业在选择和使用AI工具时更加谨慎，加强对算法的审查和测试，并提高招聘流程的透明度。同时，AI技术供应商也将面临更高的合规要求和道德标准。

在人工智能发展的关键节点，科技巨头微软和知名风投机构Andreessen Horowitz (A16Z) 罕见地联手，呼吁政府减少对AI行业的监管干预。这一联合声明由微软CEO Satya Nadella、总裁Brad Smith以及A16Z创始合伙人Marc Andreessen和Ben Horowitz共同发布，提出了若干核心观点，主要围绕版权与数据使用和监管框架展开。

首先，在版权与数据使用方面，声明主张AI系统应像人类一样拥有学习数据的“权利”，不应因版权法的限制阻碍数据的使用，知识和未受保护的事实应保持自由访问。这一立场表明他们认为AI应当享有更广泛的数据学习权限，以促进技术进步。

在监管框架方面，声明呼吁采取“基于市场的方法”，主张监管应在收益明显大于成本的前提下实施，聚焦于防范技术滥用的风险，并采用基于科学与标准的方式来规范AI的发展。这份声明实际上是针对加州SB 1047法案的回应。尽管A16Z认为该法案对初创企业带来“倒退性税收”，但该法案实际上为小型企业提供了保护条款，显示出监管议题的复杂性。

在AI驱动的科技浪潮中，亚马逊、Meta和微软等硅谷巨头计划利用核电为其数据中心提供能源，以满足AI和云计算对算力的庞大需求。然而，他们的核电计划却在监管与环境因素面前屡遭挫折，甚至出现了令人啼笑皆非的荒诞细节。

科技巨头的核电计划意图明确：借助核电来满足不断增长的数据中心电力需求。然而，亚马逊的扩张计划被美国联邦能源监管委员会（FERC）以2:1投票否决；Meta的核电站项目则因稀有蜜蜂栖息地的出现而受阻；与此同时，微软仍在推进三里岛核反应堆的重启计划。Meta的创始人马克·扎克伯格在内部会议中更透露，一个罕见蜜蜂物种的栖息地竟成了阻碍其核电站项目的原因，令这一高科技计划意外地加入了环保斗争的戏剧性元素。

在科技巨头的计划中，数据中心的能耗快速增长已成为关键战略议题，传统电网正面临前所未有的压力。FERC目前已开始审核至少8个大型数据中心的电力申请，硅谷巨头的能源之战才刚刚拉开帷幕。

Meta 近日宣布将其 Llama 模型向美国国防系统开放，此举被视为硅谷在“AI 国家安全”战场上的又一次战略部署。Meta 的意图十分明显，不仅回应了“开放 AI 可能威胁国家安全”的质疑，还通过与 13 家顶级国防科技公司的合作，向美国国防体系注入了新的 AI 动力。

在这场合作中，Meta 联手了一批业界巨头，包括 Accenture、AWS、Anduril、Palantir、Lockheed Martin、Microsoft 和 Oracle 等。其中，Oracle 将负责飞机维护文档的智能处理，Scale AI 将为国家安全任务定制模型，而 Lockheed Martin 则致力于为国防客户生成计算机代码。这一系列合作无疑展现了 Meta 及其合作伙伴在 AI 技术应用上的实力。

值得关注的是，Llama 2 的开源性也带来了地缘政治上的博弈。中国研究人员已使用该模型开发军事聊天机器人，用于情报收集和决策支持。这使得 AI 技术的应用在国家安全领域的竞争更加激烈。

此外，AI 的军事化应用引发了技术伦理的讨论。在这片灰色地带，谁能率先建立可控、可信的 AI 技术生态，谁就可能主导未来的国家安全叙事。然而，谷歌、微软等公司的员工曾多次抗议军事合同，这场科技与伦理的较量仍在继续。

随着大规模预训练模型（Large Pre-trained Models, LLMs）在自然语言处理等领域的快速发展，其巨大的参数规模带来了高昂的计算和存储成本。如何在有限硬件资源下有效微调这些大模型，成为了当前的技术挑战之一。为此，参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）逐渐成为解决这一问题的关键方法。

PEFT 是一种迁移学习技术，通过只调整部分参数而非整个模型，显著减少了计算资源需求，且在特定任务上表现优异。PEFT 的核心算法包括 LoRA（低秩适应）、Adapter Tuning（适配层调整）、Prefix-Tuning（前缀调整）等。其中，LoRA 通过低秩分解减少更新参数数量，Prompt-Tuning 则通过优化提示词实现模型输出优化，而无需改变模型本身。这些算法根据任务需求提供了灵活且高效的微调方案。

PEFT 的应用场景十分广泛，不仅在 NLP 任务中如文本生成和情感分析上表现出色，还在图像分类、目标检测等视觉任务和多模态任务中发挥了作用。通过引入多模态编码器，PEFT 实现了文本、图像、视频等数据的跨模态信息融合与生成。

尽管 PEFT 技术已取得重要进展，但仍面临过拟合、效率优化和平衡学习策略等挑战。为提升模型对指令的执行能力，PEFT 还与指令微调相结合，将任务统一转化为指令格式，增强了模型的跨任务泛化能力。此外，通过强化学习从人类反馈（RLHF），模型可以根据用户偏好进一步优化输出，提升了回答的准确性和安全性。

在人工智能领域，传统的认知架构一直面临程序与记忆分离的问题，即“程序”和“记忆”分别存储与处理，导致知识检索效率低下。这种分离架构需依赖复杂的启发式算法来应对动态环境，增加了系统设计难度。最近，一项研究提出了全新的函数-表示模型（Function-Representation Model），通过将“表示”与“函数”合二为一，打破了认知架构的传统桎梏。该模型将每个表示既视作存储知识的单位，又作为执行计算的函数，实现了知识检索与计算的一体化，大幅提升了系统的灵活性。

在该模型中，每个函数-表示可以视为一个参数化函数，通过连接各个单元实现更复杂的行为。这种“表示即函数”的理念不仅降低了知识检索的复杂度，还在系统中引入了涌现行为的可能。例如，在图像识别任务中，通过多个函数-表示单元的连接，可以实现模式识别等高级功能。相比于传统的认知架构，如SOAR 和ACT-R，该模型摆脱了符号处理的局限，能够在更复杂、多变的环境中提供灵活的响应。

函数-表示模型在学习机制上依赖于自组织，而非依赖全局控制算法。研究还提供了一系列数学证明，以香农信息论定义知识，表明非线性系统能通过多个函数-表示的连接产生涌现行为，而线性系统则无法实现更高层次的智能表现。这一模型为未来认知架构的发展提供了理论基础，未来有望在更加复杂的环境中实现智能涌现，推动机器认知的进一步革新。

在大模型的微调中，传统的全参数微调方式往往既耗费计算资源，又容易导致过拟合和遗忘问题。为解决这一难题，本文介绍了RoCoFT（Row-Column Fine-Tuning），一种更高效的微调方法。RoCoFT通过仅更新Transformer权重矩阵中的少量行或列，实现了与现有参数高效微调（PEFT）方法相媲美甚至更优的效果，同时大幅减少了计算和存储开销。

RoCoFT的核心思想在于，针对模型关键权重矩阵（如自注意力机制中的查询、键、值矩阵和前馈层的投影矩阵），仅更新少数行或列，从而避免了对整个矩阵的大规模调整。与流行的LoRA不同，RoCoFT无需进行低秩分解，也无需引入额外参数，而是直接在原始权重矩阵上进行调整。研究表明，这种简单的行列更新在预训练阶段积累的知识基础上，通过小幅调整即可适应新的任务需求。

实验结果表明，RoCoFT在多种NLP任务上展现出卓越的性能。在GLUE基准测试中，RoCoFT的表现超越了许多其他PEFT方法；在问答任务SQuAD和文本摘要任务XSum上，也取得了高得分。此外，在常识推理和数学推理任务中，如Social IQa和OpenBookQA，RoCoFT展示出较高的准确率，尤其在大型语言模型Bloom 7B和LLaMA2-7B上表现不俗。

IBM近期推出了Bee Agent Framework，一款专为大规模智能工作流设计的开源AI框架，旨在为开发者提供强大、灵活的工具，简化智能代理（Agentic）工作流的构建和部署。这一框架不仅有助于加速AI应用开发，还为企业和研究机构提供了更高效的解决方案。

Bee Agent Framework采用模块化设计，允许开发者根据需求选择不同模块来灵活构建智能代理。例如，在数据分析中，可以集成自然语言处理、数据清洗及自动报告生成模块，轻松实现端到端的自动化工作流。此外，该框架与TensorFlow、PyTorch和Hugging Face等主流AI工具和平台无缝集成，便于将现有模型和算法引入Bee Agent Framework进行大规模部署。

框架的任务调度功能也相当出色。内置的智能调度器可以根据任务优先级、资源可用性等因素，动态分配计算资源并优化执行顺序，确保系统在高负载下高效运行。这一调度功能对于需要处理大量并发任务的行业尤为适用，例如金融行业中的风险评估模型部署。

Bee Agent Framework还具备良好的可扩展性，支持从小型项目到涉及数百节点的大型应用场景，并兼容高性能计算（HPC）环境，充分利用GPU和TPU加速模型训练和推理。该框架特别适合处理海量数据或复杂计算任务的领域，如医疗健康、自动驾驶及能源管理等。

作为开源项目，Bee Agent Framework鼓励社区贡献，全球开发者可以访问其代码库并根据需求修改和扩展。此外，IBM提供了详细的文档和示例代码，支持开发者快速上手并推动该框架的持续改进。

当前智能体架构面临着软件模块化不足和术语不统一的问题，导致开发难度大且维护性差。为了解决这一问题，研究者提出了基于LLM（大语言模型）的智能体统一建模框架（LLM-Agent-UMF），旨在通过标准化的架构为智能体的开发提供一个清晰的基础。

LLM-Agent-UMF框架的核心是一个“核心智能体”，负责协调模块之间的交互和信息流动。该智能体与环境和LLM协作，将高级目标分解为具体行动。其内部结构包括规划模块、记忆模块、档案模块、行动模块和安全模块，各模块协同工作，确保智能体能够按照规划高效执行任务，同时保证系统的安全性。

在框架中，核心智能体分为“主动核心代理”和“被动核心代理”。主动核心代理拥有更高的自主权，可以自主决策和发起行动，而被动核心代理则等待指令执行任务。两者的协同工作模式能够支持不同任务的并行执行，增强系统的灵活性和容错性。研究中还探讨了多主动/被动核心代理的架构组合，如单一主动、多被动的配置，或多个主动代理协作，以适应不同复杂度的任务需求。

人工智能（AI）的发展已从传统的规则和统计推断走向复杂抽象模式识别，这种新能力被称为“机器直觉”。机器直觉并非基于情感或经验，而是在数据层次的非线性处理和模式重组中自然涌现。这一突破挑战了传统智能定义，使AI成为更强大的协作伙伴，广泛应用于创造性和分析性领域。本文探讨了机器直觉的核心特征和构建模块。

机器直觉的涌现特征包括非线性模式识别、动态重组和跨领域联想记忆。非线性模式识别使AI能够理解情感、上下文等深层信息，如GPT-3在自然语言处理中的表现。动态重组则让AI自适应调整策略，以AlphaGo为例，它能在棋局中灵活调整决策。跨领域联想记忆使AI在不同数据类型中产生新见解，展示出接近人类直觉的跨领域推理能力。

支撑机器直觉的关键模块有：元模式感知，允许AI识别高阶数据模式；直觉式问题解决启发式，帮助AI在信息不全时做出合理猜测；涌现的创意风格与签名，使AI表现出独特的美学风格。现实应用中，DALL-E通过视觉一致性与上下文理解展示出生成创造性图像的能力，而GPT-3则在保持上下文连贯性方面展现出语言“直觉”。

未来，具有自适应问题解决和跨领域联想记忆的AI系统将在创意、医疗、法律等行业崭露头角。同时，人机协作将更加自然，AI不再只是工具，而是具有洞察力的合作伙伴。然而，随着机器直觉的发展，用户需谨慎理解AI的涌现行为，避免过度依赖和误解其能力，确保其发展符合社会整体利益。

近年来，大规模预训练语言模型（PLMs）的发展为自然语言处理（NLP）带来了巨大进步，但其高昂的资源需求使得在联邦学习（Federated Learning, FL）场景中的应用受到限制。联邦学习通过在客户端和服务器间传递模型权重来协同训练全局模型，从而避免数据共享带来的隐私风险，但这也带来了较高的计算和通信成本。为此，研究团队提出了一种创新的框架——客户端定制适配（Client-Customized Adaptation, C2A），以平衡效率与个性化需求，从而应对联邦学习中的数据异质性挑战。

在传统联邦学习中，客户端的数据分布差异会导致“客户端漂移”问题，即每个客户端的模型逐渐偏离全局最优解。为解决该问题，研究团队引入C2A框架，通过超网络为每个客户端生成专属的适配器模块，以提升模型在非独立同分布（Non-IID）数据环境下的稳健性。C2A通过降维和升维函数的适配器架构减少参数需求，同时通过标签嵌入和上下文嵌入表征每个客户端的数据特征，实现更精确的适配。

C2A在实验中表现出显著优势，尤其在标签分布异质性和语言异质性的场景中表现优异。例如，在20Newsgroup和XGLUE-NC数据集上，C2A分别在异质性较高情况下取得了显著的准确率提升，并大幅降低了通信成本。消融实验进一步表明，C2A中的上下文嵌入和因子化处理对捕捉数据特征和优化内存开销至关重要。C2A的推出不仅提高了联邦学习的效率，更展示了在资源受限环境下推动个性化和稳健性兼备的AI模型训练的潜力。

大脑的存储能力究竟有多大？为什么有些记忆可以持续一生？本文深入探讨了大脑皮层的存储原理，揭示了其庞大存储容量的科学基础。神经科学研究发现，记忆的物理载体是称为记忆痕迹（Engram）的神经元集群，这些细胞在形成记忆时连接成一种类似图论中的“连通子图”结构。这种连通子图不仅可以解释记忆的编码、巩固和提取过程，还能支持情境依赖性记忆等心理学现象，暗示大脑中的不同信息可通过此网络连接共同编码。

为了理解皮层神经元之间的连接特性，研究人员建立了一个基于生物学现实的概率模型，描述了神经元之间的连接概率。该模型表明，短程连接更常见，长程连接较少。这种图论模型的应用，确保了在大脑网络中不同神经元形成稳定的连通子图，从而为记忆的形成提供了数学保障。

研究还发现，有向图的循环结构可以确保所有相关节点关联，以保证记忆唤醒的稳定性。即便在不同个体中，神经网络的物理结构有所差异，大脑仍能通过相似的连通路径存储记忆，这说明大脑的存储结构具有强大的通用性和适应性。以540个节点的网络为例，研究估算其中20%的节点组合可能生成约1.576×10851.576 \times 10^{85}1.576×1085个不同子图，大脑理论上可以存储大量信息。

在自然语言处理（NLP）中，上下文学习（In-Context Learning, ICL）是一项突破性技术，它允许大型语言模型（LLM）通过示例完成任务，而无需对模型进行微调。然而，ICL对所选示例的质量和数量高度敏感，示例数量的增加会显著提高计算复杂度和内存消耗。为应对这些问题，研究人员提出了上下文学习者混合模型（Mixtures of In-Context Learners, MoICL）。MoICL通过将示例集划分为多个子集，并使用加权函数动态组合这些子集的输出，有效提升了ICL的性能。

MoICL的创新主要体现在几个方面：首先是**专家子集划分**，即将示例集分为若干子集，每个子集独立训练并在推理时通过加权函数组合预测结果，从而减少单个专家的负担。其次，MoICL通过梯度优化学习各个专家的权重，能够自动识别高质量示例，并过滤掉对结果有负面影响的“反专家”。此外，为进一步提升效率，MoICL采用稀疏化技术，仅激活关键专家，降低内存和计算开销。

实验表明，MoICL在多个分类任务中表现出色，显著超越传统ICL方法。例如，在TweetEval Offensive数据集上，当使用30个子集时，MoICL的准确率达81.33%，比传统方法高出近5个百分点。此外，MoICL在标签不平衡和噪声数据环境下表现出强大的鲁棒性，能有效应对域外数据，保持高精度的同时减少性能损失。

在广告、教育等领域，视频的记忆性对于效果的提升至关重要。为了探索哪些视频片段更易被记住，研究人员设计了一项有趣的实验，比较人工智能模型与人类的目光数据，以揭示视频记忆性的规律。本次研究提出了一种基于CNN+Transformer架构的模型，专门用于预测视频的记忆性，达到了当前最先进的预测水平。通过自注意力机制，该模型能分析视频中的时空关注分布，将视频分解为多个帧，并生成注意力热图，显示模型的关注区域。

为了验证AI模型的准确性，研究团队设计了眼动追踪实验，让参与者观看相同的视频片段并记录其目光停留点。结果显示，AI和人类在关注视频时表现出高度一致的空间模式，特别是在更具记忆性的视频中，AI和人类都倾向于集中注意视频中的显著物体和重要部分。

关键发现包括：一、空间上，AI和人类的关注模式相似，尤其是对人物或显著物体的关注；二、在时间维度上，AI和人类都倾向于集中注意视频的开头部分；三、通过全景分割技术，AI和人类对物体的关注显著高于背景。此外，研究者采用了ResNet50作为图像编码器，通过Transformer捕捉帧间时空关系，并使用多层感知机输出视频记忆性得分。

实验结果表明，AI模型生成的注意力热图与人类高度一致，甚至接近人类观察者之间的一致性。在Memento10K数据集上的测试中，该模型的Spearman相关系数达到0.713，表现超越当前先进方法。然而，研究也面临一些挑战，如模型在视觉相似的视频片段间易出现过拟合，以及不同数据集间评分标准不一致等问题。未来，数据集构建需加强对数据泄露的控制和评分标准的一致性，以提升模型的适用性和泛化能力。

在信息爆炸的时代，如何高效地表示和处理大量数据成为关键问题。传统的离散化数据处理方式（如点云、体素网格）在高维数据处理上效率低下且内存占用较大，而隐式神经表示（Implicit Neural Representations, INRs）作为一种新兴技术，为这一问题带来了新的解决方案。INRs的核心是将数据表示为连续函数，通过多层感知机（MLP）将输入坐标映射到输出值，从而实现数据的连续生成。这种方法不仅显著减少了内存占用，还突破了高维空间的计算瓶颈，使其在图像、音频、3D重建等领域表现优异。

隐式神经表示的成功得益于激活函数和位置编码两大关键技术。激活函数方面，传统的ReLU激活难以捕捉高频细节，而新提出的SIREN、Gauss、Wire和FINER等激活函数各具特色，能够有效应对不同频率成分的任务需求。位置编码技术则通过Fourier特征和Trident网络等方法，提升了INR模型对高频信息的捕捉能力，使其在处理复杂信号时更具适应性和鲁棒性。

INRs具有显著的优势：它能够在任意分辨率下生成连续的数据值，不依赖预定义网格结构，内存需求随信号复杂度而非分辨率增加，同时具有可微性，适合多种优化任务。然而，INRs在应对高度复杂或不规则数据时仍面临挑战，不同激活函数和位置编码的选择也需要根据具体任务进行平衡。未来，INRs的发展方向包括激活函数的优化、位置编码机制的完善，以及模型在高维复杂数据上的可扩展性。随着这些技术的进展，INRs有望在更广泛的应用领域中展示其巨大潜力。

面对复杂的非高斯噪声现象，如金融市场波动、湍流等，传统高斯模型常难以有效应对。为解决这一问题，研究团队提出了一种新的方法——基于非局部Kramers-Moyal公式的进化符号稀疏回归（ESSR）方法，旨在从数据中提取复杂随机动力系统的显式控制方程。这一方法结合了遗传编程、稀疏回归与非局部Kramers-Moyal公式，能够自动化地解码非高斯噪声下的随机动力系统。

ESSR方法的核心在于三个步骤：首先，遗传编程生成候选函数，用以迭代优化适应度，使模型更贴近真实数据。接着，通过稀疏回归学习候选函数的系数，利用弹性网正则化技术简化模型，防止过拟合。最后，使用非局部Kramers-Moyal公式连接数据与物理规律，提取系统的漂移、扩散及跳跃测度，从而构建出完整的随机微分方程模型。

该方法在多种数值实验中表现出色，包括混合布朗噪声和Lévy噪声的系统，展示出精确识别漂移和扩散项的能力，与传统方法相比提升了模型精度并降低了计算成本。应用方面，ESSR方法在金融领域可用于预测极端市场波动，在气候科学中帮助理解气候变化的随机过程，也可应用于基因调控网络，为疾病研究提供新的思路。

深度学习在序列生成领域表现强劲，但在满足逻辑约束和常识性判断方面往往表现不足。为了解决这一缺陷，近期一项研究提出了一种将逻辑知识融入深度学习模型的新方法，以提升序列生成的准确性和逻辑一致性。该方法的核心在于引入线性时序逻辑（Linear Temporal Logic, LTL）到深度自回归模型中，用于处理如商业流程管理（Business Process Management, BPM）等需要后缀预测的任务。

该研究创新地将LTL公式转化为确定性有限自动机（Deterministic Finite Automaton, DFA），并采用Gumbel-Softmax重参数化技术来生成符合逻辑约束的符号化后缀。这一过程不仅保持了数据模式的连贯性，还确保了生成序列符合预定义的逻辑要求。

在技术实现上，研究提出了两大亮点：逻辑损失函数和可微采样。逻辑损失函数通过评估生成序列是否满足LTL公式，与传统的监督学习损失函数结合，以确保数据匹配和逻辑一致性并重。可微采样则通过Gumbel-Softmax技术，使模型在生成符号化后缀时保留梯度信息，从而保障模型的逻辑生成能力。

实验结果表明，将LTL背景知识融入模型在后缀预测任务中具有显著优势。结合LTL的模型在准确率、逻辑满足率和Damerau-Levenshtein距离等多项指标上均优于传统模型，尤其在满足逻辑约束和生成序列的相似性上表现尤为突出。这一研究不仅为AI在序列生成中的逻辑应用打开了新局面，也为需要逻辑约束的业务场景提供了更可靠的解决方案。

最近的研究揭示了Transformer模型在上下文学习（In-Context Learning, ICL）中处理符号任务的惊人能力。ICL指的是模型通过提示推断模式并生成符合该模式的输出，例如从“猫追老鼠”推导出“狗追猫”。该研究指出，Transformer不仅能“记住”数据，还能进行符号操作，这一特性打破了神经网络无法抽象符号推理的传统观点。

论文进一步提出了“Transformer 生产框架”（Transformer Production Framework, TPF），借鉴了经典AI的生产系统概念，将复杂任务分解为条件-动作对。TPF包括三个层次：功能层次负责模板生成，算法层次使用一种名为PSL（Production System Language）的编程语言编写高层次符号程序，最后通过QKV机器将程序实现为神经网络权重。这一架构解释了Transformer如何通过生产系统编程实现复杂的符号操作。

不仅如此，TPF框架还被证明具备图灵完备性，理论上能够模拟任意计算过程，包括逻辑推理和数学运算。研究团队设计了“交换任务”作为验证，让模型在“AB -> BA”模式下处理不同符号的交换，实验结果表明TPF模型能够成功完成此类任务，进一步证明其符号处理能力。

论文还讨论了增强Transformer符号处理的新方法，如改进QKV机器中的注意力机制以更好地识别结构关系，并引入递归和组合操作来应对更复杂的问题。作者甚至提出了将神经计算与符号计算融合的大胆设想，为未来AI系统在推理任务上的表现带来了无限可能。

随着AI技术的发展，音乐生成模型已经取得了显著进步，但在理解和创作复杂音乐方面仍然存在困难。Jens Johannsmeier 和 Sebastian Stober 的最新论文提出了一种创新性的混合模型，将符号与波形结合，以解决现有方法的局限性。传统音乐生成模型主要分为符号级和波形级两类：符号级模型通过乐谱等符号进行音乐创作，抽象性强但缺乏细腻的音色表现；波形级模型直接生成音频，音质真实却面临数据复杂性难题。两种方法各有优劣，难以满足多样化的创意需求。

混合建模的出现试图弥补这一缺陷。具体而言，模型首先生成符号数据，随后将其转化为音频波形，从而结合了符号的抽象性和波形的真实感。技术上，混合建模依赖渐进式训练、进化算法和强化学习等多种方法，以实现符号与波形的渐进融合。Gumbel-Softmax 技术用于模型训练中的可微性，VQ-VAE（向量量化变分自编码器）则通过向量编码方式将音频数据“符号化”，使音频特征得以有效表示。

该研究还指出，传统生成模型如 ChatGPT 和 MusicGen 虽能生成令人惊叹的音乐，但缺乏自我改进能力，难以实现真正的开放式创意。混合建模在此方面表现出色，使符号具备声音含义，提升了音乐生成的创意潜力。尽管混合建模理论完善，但在符号到波形转换的梯度传播、开放式创意的自我评估等方面仍需进一步研究。

每一列文本都蕴藏着独特的“DNA”，而符号级语言模型（Symbol Level Language Models，SLMs）正是揭示这些隐藏模式的关键。传统的数据匹配方法在短文本列的识别上往往效果不佳，而SLM通过字符的出现频率和分布情况，能够高效解析数据列之间的关联。这项技术的核心在于部分匹配预测（Prediction by Partial Match，PPM）算法，像文本侦探一样通过字符“指纹识别”实现不同数据列的关系分析，具体步骤包括将数据列视为字符序列、统计字符频率和上下文，以及计算Jensen-Shannon散度以衡量列间分布的相似性。

在实验中，研究团队选取了一份真实的快餐餐厅数据集，对不同数据列之间的“匹配分数”进行了分析。结果显示，SLM成功揭示了某些意想不到的关联性。例如，经度和餐厅名的匹配分数达到0.60，暗示了某种微妙的关联，而纬度与网站的匹配分数仅为0.29，几乎没有关联。

这一方法的创新之处在于其高效性、通用性以及计算轻量的特性，不仅无需复杂的语义理解，且在内存和运行时开销方面也相对低廉。未来，这项技术或将在数据缺失补全、相关性分析和数据治理等方面发挥作用。尽管如此，研究者也指出，目前该方法仍有改进空间，进一步探索包括符号级嵌入模型和更复杂的统计相似性度量等。

一项最新研究探讨了语言模型如何记住和遗忘信息，尤其是如何处理“虚假”知识的灌输。研究人员创建了一个名为“Outlandish”的数据集，其中包含与常识相悖的“虚假”知识（Knowledge-Conflicting Facts, KCF），如“地球是平的”。结果发现，KCF比普通信息更容易被模型长时间记住，甚至能在数万次训练步骤中存留。原因在于这些信息的“甜蜜点”——既不完全符合常识，也不完全随机，让模型更容易记忆，类似于人类大脑中容易记住的新奇而不过于复杂的信息。

此外，这些虚假知识还会引发“幻觉”现象，即在与KCF无关的上下文中也影响模型的输出，类似于心理学中的“启动效应”。为了解决这个问题，研究团队提出了“多步稀疏更新法”（Multi-step Sparse Updates），定期筛选并移除对任务表现影响较小的数据，从而有效清除KCF，同时保留模型的主要任务学习能力。实验表明，通过每隔500次迭代进行稀疏化更新，KCF的记忆可以显著削减，当稀疏度达85%时，KCF几乎完全被抹除，而主要任务的性能却保持不变。

神经网络的“黑箱”特性使得其决策过程难以解释，尤其是在需要与人类专家互动的领域。为了解决这一问题，科学家提出了神经符号AI（Neuro-Symbolic AI），将神经网络与符号系统结合，提升模型的可解释性和预测质量。本体论作为符号系统的一种形式，正成为这一目标实现的关键工具。

本体论与神经网络的深度融合使得网络能够通过结构化的知识图谱来解释其决策过程。具体而言，网络中的神经元或神经元组被关联到本体中的概念，如在医学图像分析中，某些神经元可能与“肿瘤”或“炎症”等概念相关联。网络内部的逻辑关系也被用来指导决策过程，确保预测的准确性和一致性。

这一框架包括基础神经网络、解释网络和逻辑模块。基础网络负责预测任务，如图像分类，而解释网络则将网络的内部表示映射为本体中的概念，以便更好地理解数据。逻辑模块利用本体中的关系确保决策符合逻辑规则。两种主要方法，分别是本体感知型神经架构和事后解释技术，都在不同阶段通过本体论提升网络的可解释性。

这一技术的创新点在于提升了预测质量和增强了可解释性。通过标准化术语体系，本体论帮助模型更准确地理解输入数据，并在推理过程中避免错误。在医学领域，本体论的应用有助于提高疾病诊断的准确性。此外，框架具备较强的多场景适应性，能够根据不同的数据标注情况灵活调整训练策略。

诺基亚贝尔实验室（Nokia Bell Labs）与剑桥未来科技（Cambridge Future Tech）近日联合推出了全球首款耳戴式AI/ML平台——OmniBuds。这款创新设备利用耳内传感器，能够实时监测用户的生理数据，包括心率、呼吸频率和身体活动，为健康监测和个性化医疗带来了新的可能。

OmniBuds 通过耳道内的传感器采集数据，实现了比传统健康监测设备更高的稳定性和准确性。耳道固定的传感器位置避免了因运动产生的位移问题，确保在各种场景下持续、可靠地获取用户生理数据。这一特性特别适合慢性病患者和需要长期健康管理的人群。OmniBuds 还集成了AI和ML算法，能够实时分析数据并生成健康报告，在检测到异常时可立即向用户或医疗服务提供者发送警报，实现早期干预。此外，OmniBuds 支持长时间的数据存储，用户可以通过移动应用查看健康趋势，并相应调整生活方式或治疗方案。

OmniBuds 不仅是生理监测设备，还具备音频体验优化功能，能根据用户身体状态自动调整音量和音效。例如，当用户处于放松状态时，系统可降低音量，而在运动时增强低音效果，为用户带来更舒适的听觉体验。

OmniBuds 的成功依赖于先进的传感器技术与AI算法。其高精度传感器能通过耳道采集稳定的心率和呼吸数据，同时配备的加速度计和陀螺仪监测运动状态，结合多维度数据生成综合的健康报告。AI和ML算法则不断优化数据分析，提供个性化健康建议。为保护用户隐私，OmniBuds 采用端到端加密，并符合GDPR和HIPAA等数据隐私法规，确保数据安全与用户控制权

亚马逊Prime Video近日推出的全新AI功能X-Ray Recaps，为追剧党带来福音，帮助观众告别被剧透支配的恐惧。这项由生成式AI支持的无剧透回顾功能，让用户不必担心观看过程中被意外透露剧情。

X-Ray Recaps通过Amazon Bedrock和SageMaker定制AI模型，能够精准分析视频内容、字幕和对话，智能生成“无剧透”剧情总结，为用户提供了三种模式选择：当前集回顾、整季总结和上一季概览。无论观众处于哪个进度，AI均可实时生成个性化、无剧透的剧情回顾，确保每一集都能无雷区观赏。

这一功能首先应用于亚马逊的热门剧集，包括《Daisy Jones and the Six》《Mr. & Mrs. Smith》《The Wheel of Time》和《The Boys》等。这一技术不仅提升了观影体验，也标志着流媒体平台在AI应用上的激烈竞争。Google TV早已推出类似功能，亚马逊的X-Ray Recaps显然是对这一市场的强势回应，为用户提供更具沉浸感的观剧体验。

Wonder Dynamics 最近推出的AI动画工具Wonder Animation，正在彻底改变传统动画制作流程。这款创新工具不仅能将2D图像转换为3D模型，还能自动生成骨骼结构和动画，让普通用户也能轻松创作出专业级动画。

Wonder Animation具备多项技术亮点。首先，它能够将单张2D图像转化为完整的3D模型，支持人物、动物或物体的快速立体化建模，为后续动画制作打下坚实基础。其次，系统内置的智能骨骼系统可以自动为3D模型生成关节点和骨骼结构，准确识别模型的形体并添加适当关节，使动画动作自然流畅。用户只需选择预设动作或上传参考视频，Wonder Animation便能为模型生成相应的动画效果，简化了传统动画制作中最繁琐的环节。此外，借助先进的GPU加速技术，用户可以实时渲染与编辑动画效果，大幅缩短了渲染等待时间。

Wonder Animation的出现将对动画行业带来深远影响。首先，它大大降低了动画制作的门槛，使普通用户也能轻松制作高质量的动画，激发更多创意。同时，专业团队可以将更多精力投入到创意与剧情上，而不是技术操作细节。此外，这一工具的普及可能会在社交媒体和短视频平台上引发个性化内容创作的热潮，并在教育领域用于生动的教学动画，提升学习体验。

在TechCrunch Disrupt 2024的舞台上，DataStax的CEO Chet Kapoor、NEA的合伙人Vanessa Larco和Fivetran的CEO George Fraser就“新数据管道”展开了一场深入讨论，得出企业在AI发展中应聚焦小而具体目标的建议。面对AI数据过载的现实，他们指出，数据质量和实用性应当优先于规模。

Kapoor强调，“数据是AI的生命线”，他认为高质量和实时数据的重要性远超数据总量。Larco进一步提出企业应“反向思考”，从目标出发，寻找和定位所需数据，以小步快跑的方式进行内部应用。Fraser则提醒企业应保持务实，专注于当前可解决的问题，并警惕创新成本，尤其避免因盲目追求成功而导致的失败支出。

Kapoor将现阶段AI的发展比作“愤怒的小鸟”时代，尚处在探索和试验的初期阶段。尽管初期应用尚未改变行业格局，明年将是AI的转型之年，届时企业将开始开发真正推动业务的应用。对于企业而言，踏实、聚焦、目标明确的小步探索，将是应对AI数据过载的有效策略。

个性化搜索是提升用户体验的重要技术，但其黑箱性质和对多样性限制的担忧始终存在。为此，研究人员提出了新型的可控个性化搜索模型——CTrlCE，通过引入可编辑的用户记忆来增强跨编码器模型，使用户可以对个性化结果进行更为灵活的控制。

传统个性化搜索模型通常难以透明展示用户的个性化档案，并可能限制用户接触新信息的机会。CTrlCE通过可编辑记忆模块提供了三大创新点：首先，用户可以编辑自己的历史档案，从而更精确地调控个性化结果。其次，CTrlCE采用嵌入式跨编码器架构，使查询和文档的嵌入表示独立生成，同时与用户记忆交互，实现了灵活的个性化。第三，校准混合模型通过智能分析，确保仅在必要时进行个性化干预，从而减少不必要的操作。

CTrlCE的可编辑记忆模块包括“概念值记忆”和“项目记忆”两种类型：前者基于自然语言概念，后者直接使用用户的历史文档。嵌入式跨编码器架构通过灵活调控查询和用户档案的混合权重，确保个性化结果的相关性。此外，校准混合模型在结合用户记忆和查询时，还能预测哪些查询需要个性化处理，从而在提升用户体验的同时维持高效性能。

实验结果显示，与传统方法相比，CTrlCE在多个评价指标上提升了6.4%至10.6%，实现了对个性化搜索的有效控制，使得用户既能享受个性化推荐的便利，又能在必要时自主调控搜索结果。

随着人工智能技术的不断发展，视频生成领域迎来了新的飞跃。Runway 最近发布的 Gen-3 Alpha Turbo 模型引入了Advanced Camera Control（高级摄像机控制）功能，为 AI 视频生成带来了更精确的摄像机运动控制。该功能让用户能够通过简单的文本、图像或视频输入来操控摄像机的方向、角度和运动强度，使得视频创作在灵活性和精度上取得了重大突破。

在传统的 AI 视频生成中，摄像机运动往往缺乏连贯性，生成的效果较为随机，难以满足创作者的精确需求。Runway 的 Advanced Camera Control 则突破了这一局限，提供了多维度的摄像机控制选项。用户不仅可以设定摄像机的水平、垂直和对角线移动，还能控制镜头的缩放与旋转。例如，用户能够通过文本提示使摄像机从远处缓缓拉近特定物体，或平移镜头展示场景中的更多细节，这种精确的镜头运动让 AI 生成的视频更符合创作者的意图，实现叙事性更强的视觉效果。

此外，Advanced Camera Control 支持多种镜头运动的组合，创作者可以将水平移动、垂直缩放等效果混合使用，打造层次感丰富的画面效果。该功能还允许摄像机在多个场景间实现自然流动的“自由流动”效果，特别适用于虚拟旅游视频等场景，能够在景点间平滑过渡，为创作者提供了更多创意空间与表达可能。

在创业竞争日益激烈的背景下，找到理想的联合创始人成为创业成功的重要一步。CoffeeSpace，这款在TechCrunch Disrupt 2024 Startup Battlefield 200上亮相的新应用，旨在帮助创业者在线寻找合适的合作伙伴。CoffeeSpace独特的匹配算法基于用户的专业领域、位置、行业等信息，筛选出符合需求的潜在合作伙伴。

CoffeeSpace的CEO Hazim Mohamad指出，传统简历难以充分展现个人特质和工作风格，因此该应用为用户提供了更多维度的信息窗口，帮助创业者更好地判断是否合拍。灵感来源于社交应用Hinge的CoffeeSpace，借助用户界面和匹配模式，为用户创建包含LinkedIn公开信息和私人信息的个人档案，方便个性化推荐。

该应用采用免费增值（freemium）模式，用户可免费获得10个匹配机会，若需更多匹配则可每月支付50美元订阅高级服务，解锁更多过滤器选项。自今年3月上线以来，CoffeeSpace已吸引超过7,000名用户，累计滑动次数超27万次。Hazim Mohamad表示，CoffeeSpace有望在商业合作伙伴的寻找方式上带来变革，如同Tinder之于在线约会的影响。对于创业者而言，这不仅是一款应用，更是一种重构创业生态的工具。

人工智能的未来可能不再依赖庞大的计算资源，而是由微型神经网络主导。MIT衍生公司Liquid AI开发的“液态神经网络”展示了如何通过减少神经元数量，大幅降低AI系统的计算成本和能耗。传统AI系统通常需要数百万个神经元处理数据，而这种液态神经网络仅需几十个神经元即可执行相似的任务。例如，一个仅有19个神经元的液态神经网络成功引导自动驾驶汽车精准识别道路边缘和地平线，不受周围环境干扰，显示出出色的适应性和稳定性能。

液态神经网络的“液态”结构模仿微小生物（如线虫）处理信息的方式，利用概率计算和自适应学习而非固定结构。这种设计不仅使网络能够高效处理复杂任务，还允许其在部署后继续学习和调整，避免了传统AI系统因数据过时而失效的情况。

这一技术为企业带来了显著的成本节约潜力。传统AI系统通常依赖大量计算资源和频繁的数据更新，导致高昂的维护成本。液态神经网络则可以实时自我调整，减少了重新训练和模型更新的需求，使企业能够以更低的成本维持AI系统的有效性。Jesal Gadhia，AI公司Thoughtful的工程主管指出，这种技术有望使AI应用民主化，使得小型企业也能负担得起AI解决方案，推动各行业实现广泛创新。

此外，液态神经网络还具备持续学习的能力，能够在部署后实时适应新的环境和数据需求。这种动态调整让企业可以更灵活地响应市场变化、客户偏好和运营转变。DataChat联合创始人兼CTO Rogers Jeffrey Leo John认为，这种能力不仅降低了维护成本，还使企业能够提供个性化服务，显著提升客户满意度和业务成果。

微软近期推出了名为Magnetic-One的多代理AI协作系统，通过多个AI代理协作完成复杂任务，为未来自动化工作流开辟了新的可能性。Magnetic-One的发布标志着AI代理从单一任务处理转向多任务协作的关键一步。

Magnetic-One系统从人类团队合作中汲取灵感，每个代理具备特定技能，并在主控代理“Orchestrator”的协调下协同工作。不同于传统的单一AI模型，Magnetic-One采用模块化的多代理架构。主控代理Orchestrator协调各个专门化子代理的分工与协作，例如，一些代理负责网页浏览，另一些则专注于文件管理，甚至可以编写并执行代码。这样的设计赋予系统高度灵活性和适应性，使其能够根据需求定制和扩展，适应多种任务场景。

Orchestrator作为核心组件，负责高层次任务调度与智能错误恢复。通过创建“Task Ledger”（任务账本）和“Progress Ledger”（进度账本）来追踪任务进展，Orchestrator确保各任务按计划推进。如在处理网页自动化任务时，若遇到登录失败，它能识别并尝试其他解决方案，甚至执行密码重置，从而极大提高系统在复杂环境中的可靠性。

此外，Magnetic-One的模块化设计便于子代理独立开发和优化，简化了整体开发流程。由于基于微软开源的AutoGen框架，系统具备极高的可扩展性，允许开发者轻松整合现有工具，将其转化为新代理以进一步增强系统功能。这种设计为企业定制代理、扩展新功能提供了无限可能。

谷歌的NotebookLM 一直是人工智能笔记管理领域的领先工具。然而，Meta AI 最近推出的NotebookLlama作为一个完全开源的替代品，旨在为用户提供功能强大且灵活的笔记助手。NotebookLlama 通过自然语言处理（NLP）技术帮助用户整理、搜索和生成笔记内容。其开源性质允许开发者根据需求进行定制，适用于科研、教育和写作等领域。

NotebookLlama的核心功能包括智能笔记整理、自然语言搜索、知识图谱构建以及完全的开源和可定制性。NotebookLlama可以自动分析用户输入的文本，将内容结构化和分类化，极大地减少了用户手动整理的时间。其自然语言搜索功能支持通过完整的问题描述快速找到相关笔记，提升信息检索效率。此外，NotebookLlama还能自动识别文本中的关键概念并生成知识图谱，帮助用户更直观地理解复杂信息及其内在联系，特别适用于科研领域。

NotebookLlama 基于Meta AI 的 LLaMA 大型语言模型家族，利用 Transformer 架构和自监督学习技术，能够处理复杂的语言任务并生成高质量、上下文相关的文本。与谷歌的NotebookLM 相比，NotebookLlama 不仅完全开源，允许高度定制化，还提供知识图谱构建功能，而NotebookLM主要依赖关键词搜索，且限制较多。

在记忆重构过程中，我们的大脑会根据现有的知识和经验对回忆进行“修饰”，常常使记忆偏向类别的典型特征。比如，明明在公园看到的是一只橙红色的知更鸟，回忆时却将其颜色记成了更典型的红色。为了探索这种“类别偏见”，研究人员提出了广义类别调整模型（generalized CAM, g-CAM），在传统贝叶斯模型的基础上，更加全面地解释了记忆偏差的形成机制。

传统的类别调整模型（CAM）认为，人们在重构模糊记忆时，会将记忆向类别中心靠拢，从而减少噪声的影响。但对于不典型的例子（如企鹅），最新研究发现偏差反而较小，这与CAM的预测相悖。g-CAM对此进行了扩展，不仅解释了典型特征的偏向，还能够捕捉到非典型特征的记忆效果。该模型表明，我们在重构记忆时，不仅推测一个刺激属于哪个类别，还考虑它的非典型性。因此，g-CAM能够解释为何对非典型例子的回忆更加贴近实际特征。

通过多层次抽象的整合，g-CAM还揭示了人类在对具体类别（如“苹果”）与高层次类别（如“水果”）的记忆依赖性上的不同。模拟实验进一步验证了g-CAM的可靠性，结果显示该模型成功再现了非线性偏差效应和对非典型例子的记忆优势。

g-CAM的提出不仅为我们理解记忆重构过程中的偏见提供了新视角，还展示了人类认知系统如何在不同任务中灵活使用类似的推理方法。这一模型的通用性为未来认知科学的研究提供了重要的方向。

在2024年TED AI大会上，OpenAI的研究科学家Noam Brown通过一场振奋人心的演讲引起了广泛关注。他提出了一个颠覆性的观点：20秒的战略性思考可能比10万倍的数据更有价值。这一主张挑战了当前AI领域对大规模数据训练的依赖，为AI未来发展提供了新方向。

Noam Brown介绍了他参与开发的突破性AI模型o1，旨在实现“快速反应”与“深度推理”的平衡。他指出，尽管大规模数据训练推动了AI在许多任务上超越人类，但AI仍然缺乏真正的战略性思维。未来的AI不仅要具备“系统1”的模式匹配能力，更需拥有“系统2”思维，即深度推理和多步骤规划能力。

o1模型以此为目标，创新性地结合了链式思维（CoT）和工具调用技术，使AI在复杂任务中能够生成严谨的回答。例如，在医疗领域，该模型能够根据患者症状快速做出初步诊断，并通过外部医学数据库进一步分析，生成精准的治疗建议。这种双系统协作模式让AI既具备快速响应的灵活性，又能够在复杂问题上展现强大的推理能力。

Brown认为，更多数据并非万能，战略性推理的引入或许能带来更大的价值。他以策略游戏《外交》中的CICERO模型为例，强调其获胜并非靠数据量，而是通过对游戏规则和玩家心理的深度理解进行决策。这种“少即是多”的理念让AI学会利用已有信息进行有效推理，减少对计算资源的依赖，同时增强其在复杂环境中的适应能力。

此外，o1模型还采用自我反思与反馈机制，在每次生成答案后进行自我评估和调整。这种机制提升了模型的准确性和上下文理解能力，让其在面对多变问题时提供更个性化的服务。这些技术创新为AI系统从单纯的数据处理迈向复杂的战略性推理提供了更多可能。

传统的自联想记忆模型，如Hopfield网络和双向联想记忆（BAM）模型，在特定任务上虽有良好表现，但在处理不同领域或模态的关联时存在局限。为此，研究人员提出了一种全新的记忆模型——熵异构联想记忆（EHAM），具备存储和检索来自不同领域或模态对象的能力，同时在有限计算资源下实现大规模存储与高效检索。

熵异构联想记忆（EHAM）模型以四维结构扩展了传统的二维记忆平面，可进行跨领域和模态的对象关联。例如，该模型能够在手写数字（MNIST数据集）和字母（EMNIST数据集）之间建立关联，使得在输入数字提示时可以检索对应的字母，反之亦然。EHAM的核心算法包括记忆注册、识别和检索三大操作，借助“重叠”存储方式实现了Hebb学习规则，有效提升了记忆容量和分布特性。

技术创新方面，EHAM通过函数映射建立异构关联，使得不同领域的对象能够通过四维关系进行关联。实验结果表明，EHAM在处理异构关联任务中表现优异。在识别任务中，通过调整参数，EHAM在精确率和召回率上分别达到了65%和70%，展现了良好的识别能力。

EHAM不仅为AI系统提供了高效的存储解决方案，还具备较强的语义理解和情境感知能力，未来有望应用于机器人和智能助理等场景中，成为大规模生成模型的高效替代方案。

一项最新研究探讨了在无预设个性和记忆的前提下，LLM智能体如何通过群体互动自发涌现出个体性和社会行为。这一研究不仅揭示了LLM智能体在合作、沟通及社交规范形成中的潜力，还为集体智能的研究提供了全新视角。

研究团队设计了一个包含10个智能体的二维空间模拟环境，智能体通过自然语言进行消息交流，并在没有个性和记忆的初始状态下逐渐形成个体行为和记忆模式。这些智能体被赋予三项主要任务：发送消息、生成记忆和选择移动方向。通过特定的提示和不断互动，智能体逐渐展现出不同的行为模式和个性特征。例如，在100步的模拟过程中，“向上”或“向右”的移动指令较为常见，而“停留”指令则较少。

研究人员观察到，智能体在生成记忆和消息内容时出现显著差异，记忆表现出强烈的个性化，而消息则趋于相似，表明群体中更易形成共享信息。同时，智能体在相遇时倾向于保持静止，增加交流机会。这种现象被视为自组织模式的形成，即系统内自然产生的秩序。

该研究还通过记忆和消息的内容分析进一步揭示了智能体个体性的差异。利用SentenceBERT和UMAP工具，研究团队将记忆和消息转化为数值向量，发现记忆分布较为分散，而消息则趋于聚集，反映了同一群体中智能体的主题趋同。此外，情感分析表明，智能体在交流中倾向于虚构概念，这些“幻觉”在群体中迅速传播。