微软数据中心如何运用仿生设计缓解社区环境冲突
微软宣布在其数据中心推广“仿生设计”策略,旨在通过绿化景观和生态系统修复缓解社区对噪音、污染及树木砍伐的担忧。该计划将覆盖美国及德国 20 多个现有站点,并要求所有新建项目同步实施,以支持生物多样性并改善邻里关系。
微软宣布在其数据中心推广“仿生设计”策略,旨在通过绿化景观和生态系统修复缓解社区对噪音、污染及树木砍伐的担忧。该计划将覆盖美国及德国 20 多个现有站点,并要求所有新建项目同步实施,以支持生物多样性并改善邻里关系。
Microsoft AI 发布实时转录模型 MAI-Transcribe-2-Streaming 和两款文本转语音模型 MAI-Voice-2.1,其中转录模型在 100 毫秒内返回初步结果并支持 60 种语言。MAI-Voice-2.1-Flash 版本延迟 150 毫秒,每百万字符费用降至 15 美元,且两款语音模型仅需数秒音频即可克隆声音。
Philadelphia Inquirer 开发了名为 Scrape 的 AI 工具,用于从碎片化的地方信源中自动识别有价值的本地新闻线索,并将工具输出整合至 6 个即将扩展至 8 个的邮件通讯中。该工具通过嵌入编辑的具体工作流与反馈循环,将每周约 12 小时的人工筛选时间显著压缩,并依据各通讯的受众与地域边界定义“新闻价值”标准,有效过滤了如道路常规关闭等无效噪音。
Clef 和 Clef-flash 是兼容 Jev-API 的开源决策模型,已在 Hugging Face 以 Apache 2.0 许可发布,支持本地运行。开源模型家族 Kev 包含 0.8B 至 27B 参数四种规格,仅对提供选项打分。Meta 旗下 Muse 或采用商家付费的交易模式避免广告,以维持用户信任。
Microsoft Research 团队开发的机器学习管道通过整合太阳风观测数据与地质因素,为美国大陆 66,935 座变电站生成位置特定的风险估计。该系统能在特定风险出现前 30 到 60 分钟向电网运营商发出预警,并在评估期间检测出近 80% 的重大空间天气事件。
特朗普签署行政命令,要求联邦机构在官方沟通、网站及政策文件中用“超级智能(SI)”替代“人工智能(AI)”,且不承认旧术语。该重命名涵盖现有联邦AI定义所指相同技术,但使用了研究者仅用于远更强大系统的术语。其科学顾问需在60天内提出定义“超级智能”的立法提案,过往法规与合同无需重写。此次更名发生在民调显示AI反弹损害特朗普支持率之际。
Michael Burry 预计 AI 泡沫将于 2027 年内破裂,早于其此前 2028 年的基准预测。他已将空头头寸转换为 Nvidia、Palantir 等公司的看跌期权,合约到期日为 2027 年 6 月至 12 月。共同投资者 Steve Eisman 警告称,为 AI 基建融资的表外特殊目的载体类似 Enron 时期的操作。
OpenAI 在 DevDay 2026 发布全天候个人智能体 Dot、协作空间 ChatGPT Space 及新模型 GPT-6.1 Sol。GPT-6.1 Sol 性能接近 GPT-6 Astra,但价格仅为后者的 1/5,其单任务成本在最高推理强度下为 5.47 美元。
推荐理由:原文展示了 OpenAI 在低价模型 GPT-6.1 Sol 上的定价策略及全天候智能体 Dot 的落地应用,提供了具体的成本与性能数据。
OpenAI 在 DevDay 2026 发布了名为 Dots 的个人智能体与 GPT-6.1 Sol 模型。Dots 基于 Astra 模型构建,支持语音交互及通过 Codex 在移动端直接编写代码。同时,新推出了支持 300 tokens/秒生成速度的 Ultrafast 计划以及 Decisions API,进一步提升了大模型的响应效率。
推荐理由:记录了一个新智能体形态以及配套开发工具链,读者可以据此判断OpenAI正在重新划分人与机器的协作边界。
Microsoft Research 发布名为 Quine 的 AI 研究系统,由生物学世界模型和连接科学工具、文献与湿实验的交互式 harness 组成。系统联合训练基因组、蛋白质、化学、细胞状态和生物图像等多模态数据。
推荐理由:结合胰腺癌细胞状态案例,说明了该生物世界模型如何在湿实验前完成候选药物排序并生成新假设。
Anthropic 发布 Claude Sonnet 5.5,官方称其速度提升超 30%,AI 分析指数得分 56,在多项基准测试中性能对标 Opus 5.5。开发者实测发现该模型处理复杂任务时单任务成本可能达到 7.60 美元,且部分场景下构建成本高达 177 美元,性价比引发争议。
推荐理由:新模型性能逼近旗舰但实际单任务成本偏高,展示了中端模型升级后的真实成本效益。
Microsoft Research Asia新加坡实验室于2025年7月24日成立,作为微软首个东南亚研究实验室,专注前沿AI研究及现实世界应用。过去一年,实验室团队扩张并深化与本地合作伙伴关系,工作重点涵盖下一代AI模型、智能体系统、领域特定AI及人才发展。在医疗领域,多模态及智能体AI方案已投入部署,并与新加坡经济开发局等政府机构保持战略合作。
用户利用 OpenClaw 连接 Search Console 等工具,自动化执行博客生产、SEO 研究及数据分析等任务。 通过定时任务实现每日博客草稿生成、每两小时检查审批状态、每日扫描回复机会及周报生成。
微软在开源的 Physical AI Toolchain 中新增推理卸载能力,允许开发者使用 Kubernetes 工具将机器人 AI 工作负载分配到边缘或云端 GPU。
推荐理由:系统评测了将物理AI推理从机器人端侧卸载到边缘或云端对任务成功率、模型规模和电池寿命的影响。
千问办公在云栖大会发布企业级Agent产品“企业上下文”,旨在将企业知识与业务数据转化为Agent可调用的上下文。千问办公CEO陈宇森指出,企业落地Agent需解决懂业务、协同及数据安全难题,该产品结合Qwen3.8-Omni-Flash等模型支持数据压缩与连接,已支持钉钉及飞书场景下的数字员工协同。
Microsoft Research 在 Nature 发表并开源了逆向合成预测模型 RetroChimera。该模型结合 R-SMILES 2 与 NeuralLoc 两个子模型,通过学习重排序策略生成合成路线,盲测中博士级化学家更倾向于 RetroChimera 的预测结果,其多步合成成功率(9/10)优于基线模型。
提示词工程已演进为更系统的上下文工程。针对 System Prompt 易出现的 Token 耗尽和指令稀释问题,文章提出使用 SKILL.MD 文件按需加载技能资源。在智能体系统中,结构化通信协议能降低多智能体间的注入风险,且随着推理模型能力提升,精确的规格说明价值反而增加。
GitHub 使用 Copilot 将 Copilot 运行时从 TypeScript 重写为超过 800,000 行生产级 Rust 代码。该重构涉及 128 个 Pull Request,由 AI Agent 编写大部分代码,显著提升了性能并缩短了开发周期。
推荐理由:展示了 AI Agent 如何将 80 万行代码从 TypeScript 迁移到 Rust,提供了大规模自动重构的方法参考。
AI 竞争核心已从 GPU 芯片转向电力电网,电网连接队列长达七年。IEA 预测 2030 年全球数据中心用电将从 415 TWh 翻倍至约 945 TWh。美国 PJM 电网容量拍卖价因数据中心需求激增 833%,导致普通家庭电费大幅上涨,引发强烈政治争议。
OpenClaw 发布 macOS 原生应用安装器,用户可通过图形界面完成安装与引导式配置,无需接触终端,应用还能自动检测已有的 Claude、Codex 或 Ollama 配置。
Microsoft Research 发布 GigaPath-Flash 与 GigaTIME-Flash,通过蒸馏技术将计算成本降低约 50 倍,性能保持在与原版 GigaPath 3% 以内,并采用 Apache 2.0 协议开源。
Microsoft Research 发布 Skala 1.1 深度学习 DFT 泛函,其训练数据量较前代增加 2.5 倍,在 GMTKN55 基准测试中实现加权平均误差 2.8 kcal/mol,精度超越顶级全局杂化泛函且保持 meta-GGA 计算成本。
智谱发布GLM-5.3,基座未变但通过极致后训练Scaling显著提升编程与网络安全能力:内部编程体感较GLM-5.2提升50%,Terminal-Bench 3.0从4.6升至28.3;网络安全上CyberGym达84.5%,ExploitBench 54.4%,ExploitGym两小时完成105项漏洞利用任务。
推荐理由:后训练Scaling带来更强编程与网络安全防御能力,开源与“开源的盾”计划让前沿安全能力不再只属于少数闭源机构。
Microsoft Research 发布基准 MindTopo,用于评估多模态大语言模型在连通性、封闭性、顺序、分离及结体等拓扑概念上的推理与规划能力。 评测结果显示,当前专有及开源权重模型在静态图像识别上表现优于交互式规划,但两者均远低于人类水平;模型错误常源于规划阶段未能随场景变化维持结构关系,而非感知失效。
GitHub 官方宣布 Kimi K2.7 Code 正式上线 GitHub Copilot,用户可在 Copilot 模型选择器中选择该模型完成代码生成、理解与调试任务。
推荐理由:这是 GitHub Copilot 接入的首个开源模型,且已在 VS Code 等主流开发入口开放,开发者可直接在熟悉工具链中调用 Kimi K2.7 Code。
Microsoft 确认 MAI-Thinking-1 预训练未使用第三方 LLM 生成的合成数据,且避免了第三方模型蒸馏。微软还过滤了收集源中的 AI 生成内容,并排除了 Hugging Face 作为爬取目标,以确保模型血缘清晰。
Hugging Face 提出 MosaicLeaks 基准,评测深研智能体在处理混合本地与网页信息时的隐私泄露风险。测试显示常规训练加剧了信息泄露,而新提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%,同时将答案/全信息泄露率从 34.0% 降至 9.9%。
三星电子工会于2026年3月以93.1%的投票率批准了为期18天的罢工计划,时间定于2026年5月21日至6月7日。罢工诉求包括7%的涨薪幅度、取消50%的绩效奖金上限,以及将奖金池直接与营业利润挂钩。由于三星生产全球超过50%的内存芯片,此次罢工将影响其平泽工厂(占其内存芯片产量约一半)的生产,可能波及Apple、Google、Microsoft等依赖HBM芯片的科技巨头供应链。
Anthropic 发布 Claude Cowork 及 Claude Opus 4.6(1M token 上下文),OpenAI 推出 GPT-5.3-Codex,引发软件股两周市值蒸发约 2850 亿美元。政策层面,白宫与 Anthropic 就军用 AI 使用条款产生冲突,美国多州提议限制数据中心建设,Nvidia H200 对华出口获批但中方拦截首批货物。
欧盟委员会公布 10 亿欧元“Apply AI”战略及 11 亿欧元 AI 产业资金包,旨在降低对中美技术依赖,但规模远小于美国与亚洲的千亿美元级投入。同期,美国能源部与 AMD 在 Oak Ridge 国家实验室建设“AI Factory”超算,预计 2026 年上线的 Lux 系统和 2028 年的 Discovery 系统共享约 10 亿美元预算。
OpenAI 与 Microsoft 签署新备忘录(MOU),双方重申了对 AI 安全与创新的共同承诺,以强化合作关系。
Hugging Face 与 Microsoft 宣布深化战略合作,在 Azure 上扩展开放模型支持并提升部署体验。
Hugging Face 发布了名为 Cosmopedia 的 250 亿 token 合成数据集及配套的 1B 规模模型 cosmo-1b,旨在通过完全开源的端到端流程复现 Microsoft Phi-1.5 的数据集。
推荐理由:原文公开了 250 亿 token 数据集的完整生成链路和 1B 模型评测,读者可据此复现或改进合成数据预训练方法。
Hugging Face 发布在 Intel Meteor Lake 笔记本上运行 Phi-2 的方案,使用 Intel OpenVINO 和 Optimum Intel 对 microsoft/phi-2 做4-bit 权重量化,再运行在搭载 Core Ultra 7 155H 的中端笔记本上。
Mistral AI 发布最新旗舰语言模型 Mistral Large,其在 MMLU 等基准测试中位列全球 API 可用模型第二(仅次于 GPT-4)。该模型原生支持英语、法语、西班牙语、德语和意大利语,拥有 32K 上下文窗口,并具备函数调用功能。
推荐理由:Mistral Large 在 MMLU 等基准上表现强劲,且与 Azure 的合作为多语言推理场景提供了企业级 API 访问途径。
OpenAI 联合 Anthropic、Google 和 Microsoft 宣布任命新的 Frontier Model Forum 执行董事,并设立 1000 万美元的 AI 安全基金。该举措旨在推进前沿模型安全合作。
Hugging Face 平台超 13 万个支持 ONNX 的模型通过 ONNX Runtime 加速以提升性能。 该工具支持 BERT、GPT2 等 90 多种架构,其中 11 种最流行架构均获支持。以 whisper-tiny 模型为例,使用 ONNX Runtime 推理延迟最高比 PyTorch 降低 74.30%。
Hugging Face 对 Llama 2 在 Amazon SageMaker 上的部署进行了基准测试,分析了超过 60 种配置。测试涵盖 7B、13B 和 70B 模型,结合 GPTQ 量化技术,在 g5 和 p4d 实例上测量延迟与吞吐量,旨在为用户在成本、延迟和吞吐量之间提供最优部署建议。
消费奖励公司 Fetch 通过优化基于 Amazon SageMaker 和 Hugging Face 的机器学习流水线,将最慢扫描的处理延迟降低了 50%。 Fetch 利用 Amazon SageMaker 的多 GPU 实例部署自定义模型,并借助 Hugging Face 的 AWS 深度学习容器和推理工具包简化了 Transformer 模型的训练与部署流程。
本文通过 Hugging Face 的 Graphormer 模型,演示了利用 Transformers 库进行图分类的完整流程。教程涵盖了从 Hugging Face Hub 加载 OGB 数据集、定义图数据格式,到对预训练模型进行微调以适配二分类任务的具体步骤。