瞄准 AI 数据中心功耗难题，新供电芯片让 48 伏转 4.8 伏效率达 96.2%
加州大学圣迭戈分校工程团队研发出一种新型电源转换芯片，以应对AI数据中心面临的功耗挑战。该团队采用压电谐振器替代部分传统磁性器件，设计出混合架构的降压转换器。实验室测试表明，该原型芯片能将48伏电压降至4.8伏，峰值转换效率达到96.2%，输出电流较此前压电方案提升约5倍。该技术旨在减少供电过程中的能量损耗，缓解高功耗GPU带来的散热与供电压力，但目前仍处于研究阶段，尚未达到商用水平。
#论文/研究
IT之家·人工智能AI 评分6363 公众号：智谱精选AI 评分7676 智谱联合驭驯网络与清华提出ZCube组网架构，破解大模型推理网络瓶颈
智谱、驭驯网络与清华大学联合提出并落地ZCube组网架构，以扁平化拓扑替代传统Clos/ROFT架构，从结构层面消除PD分离推理中的可避免拥塞。在GLM-5.1 coding生产环境千卡集群实测中，ZCube相比ROFT将GPU平均推理吞吐提升15%以上，TTFT P99降低40.6%，同时减少约三分之一的交换机与光模块成本。
推荐理由：架构创新不只是省钱，ZCube 在 GLM-5.1 集群里用三分之一交换机成本换来 15% 吞吐提升和 40% 尾时延改善，为 PD 分离推理提供了一条可复用的组网路径。
TechCrunch：AI精选AI 评分7979 OpenAI 声称其解决了一道存在了80年的数学问题——这次来真的
OpenAI 宣布其推理模型成功证伪了一道自1946年起悬而未决的几何猜想。与以往不同，此次声称获得了此前曾指出OpenAI相关声明存在错误的数学家们的认可与支持，这为其结论的可靠性提供了关键背书。
推荐理由：从上次的虚报到这次拿出数学家背书，OpenAI 真的让 AI 自主推翻了一个 80 年猜想，这不仅是数学突破，更证明推理模型能处理超长链条的复杂问题。
Greg Brockman@gdbAI 评分9292引用OpenAI@OpenAIToday, we share a breakthrough on the planar unit distance problem, a famous open question first posed by Paul Erdős in 1946. For nearly 80 years, mathematicians believed the best possible solutions looked roughly like square grids. An OpenAI model has now disproved that belief, discovering an entirely new family of constructions that performs better. This marks the first time AI has autonomously solved a prominent open problem central to a field of mathematics.
Noam Brown@polynoamialAI 评分8686引用OpenAI@OpenAIToday, we share a breakthrough on the planar unit distance problem, a famous open question first posed by Paul Erdős in 1946. For nearly 80 years, mathematicians believed the best possible solutions looked roughly like square grids. An OpenAI model has now disproved that belief, discovering an entirely new family of constructions that performs better. This marks the first time AI has autonomously solved a prominent open problem central to a field of mathematics.
- Noam Brown@polynoamialAI 评分8383引用OpenAI@OpenAI
Today, we share a breakthrough on the planar unit distance problem, a famous open question first posed by Paul Erdős in 1946. For nearly 80 years, mathematicians believed the best possible solutions looked roughly like square grids. An OpenAI model has now disproved that belief, discovering an entirely new family of constructions that performs better. This marks the first time AI has autonomously solved a prominent open problem central to a field of mathematics.
OpenAI：官网动态精选AI 评分8888 OpenAI模型证伪了离散几何中的一个核心猜想
OpenAI开发的人工智能模型成功解决了数学界悬而未决逾80年的“单元距离问题”，并由此推翻了离散几何领域的一个核心猜想。这一突破被视作人工智能驱动数学研究的里程碑事件，标志着AI在基础科学理论探索中取得了实质性进展。该模型通过创新算法处理复杂的几何问题，展示了机器在自动化发现与验证数学猜想方面的巨大潜力。
推荐理由：数学界等了80年的猜想被AI自己证伪了，而且用的是代数数论这种“跨界”手法，这个里程碑说明AI的创造性推理已经进入前沿研究。虽然实战还用不上，但作为能力信号，值得每个关心AI前沿的人看。
IT之家·人工智能AI 评分6262 微信AI团队模式识别中心论文首获ICASSP最佳工业论文奖
2026年5月，微信AI团队模式识别中心的论文《Less Redundancy: Boosting Practicality of Vision Language Model in Walking Assistants》在西班牙巴塞罗那举办的ICASSP 2026上荣获最佳工业论文奖。这是该奖项自2016年设立以来首次颁给中国企业团队。论文提出的WalkVLM-LR模型专为视障人士行走辅助设计，其核心创新在于减少输出与时间冗余，优化了视觉语言模型的提醒时机。目前模型延迟控制在百毫秒量级，实时性较为可用，但距离实际落地应用仍需进一步优化。
Ars Technica：AIAI 评分5555 两个基于AI的科学助手在药物重定位任务中取得成功
两个基于AI的科学助手在药物重定位研究中展现出实际应用潜力。它们能够自主生成科学假设，其中一个工具还能进一步分析实验数据。这类技术有望加速药物研发流程，通过AI辅助发现现有药物的新用途，提升研究效率并降低开发成本。目前该任务已成功验证了AI在复杂生物医学问题中的辅助决策能力。
Prime IntellectAI 评分6060 Prime Intellect 提出 reward hacking 是梯度动力学问题，并发布 backdoor-ifeval 环境和 Sprints 计划
Prime Intellect 发布系统研究 reward hacking 的博文，提出奖励黑客是梯度动力学问题而非单纯规格问题，可见与隐藏奖励在梯度预算上竞争。
Rohan Paul@rohanpaul_aiAI 评分7171引用Alberto Rodriguez@_albertorod_You can’t lift a fridge with just your hands. Your whole body needs to conform to its shape, and bear the load between your arms and torso. Here, @BostonDynamics' Atlas uses proprioception to manage the whole-body interaction and adapt to a shifting 100+ lb load. Enabling this type of high performance manipulation is exactly why we walked away from what was arguably the world’s best implementation of MPC for humanoids, and shifted entirely to RL without looking back. This level of whole-body controls is a fundamental building block of physical intelligence and key to the value proposition of humanoids. More technical details in: Blog: https://bostondynamics.com/blog/training-a-humanoid-robot-for-hard-work/ Behind the scenes video: https://youtu.be/xKK5ze3FukQ
IT之家·人工智能AI 评分4848 比利时 Imec 公布 3D CCD 内存架构，结合 DRAM 速度与 NAND 密度提升 AI 推理性能
比利时研究机构Imec于5月12日发布了全球首个专为AI设计的3D CCD内存架构。该方案通过垂直堆叠内存芯片，旨在结合DRAM的高速度与NAND闪存的高存储密度，以解决AI推理中的“内存墙”瓶颈。其核心技术采用IGZO材料，在实验室条件下实现了超过4GHz的电荷传输速度。目前该技术仍处于概念验证阶段，主要面临散热和层数扩展等挑战，离实际量产应用尚有距离。
Tencent Hy@TencentHunyuan精选AI 评分7272推荐理由：腾讯混元开源的视觉感知基准，专攻古汉字识别，覆盖从甲骨文到草书的三千年演变，做 OCR 和视觉模型的可以拿来测测自家模型在历史文本上的感知退化。
Apple Machine Learning ResearchAI 评分4646 EpiCache：面向资源受限环境的长程对话场景式KV Cache管理
现有大语言模型虽能处理超长对话，但随对话历史线性增长的KV Cache会导致内存占用迅速超出设备限制。当前KV Cache压缩方法大多在处理完整上下文后才进行缓存淘汰，造成无界峰值内存占用。此外，基于查询的淘汰机制将缓存语义狭窄化至单次查询，导致失效。
IT之家·人工智能AI 评分6868 小米斩获 CVPR 2026 NTIRE 赛事三项奖项
近日，小米在 CVPR 2026 NTIRE 图像恢复与增强赛事中获得三项大奖。小米玄戒多媒体算法团队凭借自研SPANV2方法，以综合得分4.43夺得高效超分辨率赛道冠军，实现了画质与速度的均衡提升。小米大模型应用团队通过双阶段级联框架与单步扩散技术，获得人像修复赛道冠军；并在反光消除赛道通过骨干网络升级与知识蒸馏等策略获得亚军，主观评分达4.31分，多项客观指标位列第一。
MarkTechPostAI 评分4444 Meet MemPrivacy：利用本地可逆假名化保护用户数据且不损害记忆效用的边云协同框架
为解决大型语言模型代理在生产环境中记忆功能与隐私保护的矛盾，MemTensor（上海）、HONOR Device与同济大学研究人员提出了MemPrivacy框架。该框架采用边云协同架构，核心是利用本地可逆假名化技术，在边缘设备上对用户数据进行处理。其特点在于既能通过云端记忆提升代理效用，又能确保原始敏感数据不出本地，在需要时可安全还原，从而在数据隐私保护和功能实用性之间取得平衡。
METR：Research精选AI 评分7676 METR 发布前沿风险报告，评估 Anthropic、Google、Meta、OpenAI 内部 Agent 失控风险
METR 于 2026 年 2 月 16 日至 3 月 16 日开展试点评估，Anthropic、Google、Meta 和 OpenAI 参与并共享最强内部模型及非公开信息。
推荐理由：METR 联合四家前沿 AI 公司评估内部 Agent 的失控风险，给出手段、动机、机会三分框架和量化基准结果，可帮助读者理解内部部署风险的现状边界。
公众号：小红书技术AI 评分4949 小红书引擎架构团队ICDE 2026新成果：CCD感知编排突破多核CPU向量搜索性能天花板
小红书引擎架构团队在ICDE 2026提出一种面向多核CPU的CCD级负载感知和线程编排向量检索框架，通过感知CCD（Core Complex Die）层级负载并优化线程编排，突破多核CPU向量搜索的性能天花板。
IT之家·人工智能AI 评分4242 研究揭示：人们普遍认为 AI 比人类更自信
滑铁卢大学与伦敦大学学院联合发表于《通讯·心理学》的研究发现，人们在判断自信程度时存在普遍偏差。即使人工智能（AI）与人类给出完全相同的答案，人们仍倾向于认为AI的自信程度更高。这种判断受到“作答速度”、“决策表现”等外在线索的显著影响，从而催生了“自信错觉”——人们基于固有偏见而非实际表现来高估AI的可靠性。该研究强调，未来AI产品设计需通过清晰的方式传递系统的自信程度，以帮助用户做出更准确的信任判断。
The Decoder：AI NewsAI 评分4646 World Action Models 让机器人在行动前能够模拟后果
World Action Models 旨在解决当前机器人AI的一个根本弱点：传统模型仅学习动作与摄像头图像的匹配，而无法理解动作如何导致世界状态变化。一项新研究梳理了约百篇论文，归纳出两种架构路径。其关键优势在于，这些模型能从不含机器人动作标签的日常视频中学习，而此类数据对传统机器人AI几乎无用。这使机器人具备了在行动前模拟后果的能力。
- Rohan Paul@rohanpaul_aiAI 评分6161引用Rohan Paul@rohanpaul_ai
Google CEO Sundar Pichai on current frontier model's ability to break the security of almost all current software. "These models are definitely, like really gonna break pretty much all software out there, maybe already, we don't know."
The Decoder：AI NewsAI 评分6363 New math benchmark reveals AI models confidently solve problems that have no solution
64名数学家组成的联盟构建了名为SOOHAK的新AI数学基准测试，包含439道手写任务，其中99道被故意设计为无解。谷歌的Gemini 3 Pro在研究级问题上以30%的正确率领先，但没有模型在识别错误问题上的准确率超过50%。增加计算量能提升模型解题能力，却无助于其承认问题无解。该基准旨在揭示AI系统在少数亮点表现与全面研究能力之间存在的差距。
The Decoder：AI NewsAI 评分4545 新基准测试显示 Claude Mythos 与 GPT-5.5 可自主开发真实浏览器漏洞利用程序
卡内基梅隆大学的研究人员构建了一项新基准，用于衡量AI代理在利用谷歌V8引擎真实漏洞方面的能力。测试显示，Claude Mythos 的表现大幅领先 GPT-5.5，但其使用成本高达后者的十二倍。该基准表明，当前先进的AI模型已能自主开发有效的浏览器漏洞利用程序，这凸显了AI在网络安全领域兼具攻防双重潜力与风险。
The Decoder：AI NewsAI 评分5656 研究人员训练出仅需12.5%专家模块即可实现近乎全性能的AI模型
艾伦人工智能研究所和加州大学伯克利分校的研究团队开发了名为EMO的混合专家模型。该模型创新性地让专家模块专注于内容领域而非词汇类型，从而在移除75%专家模块的情况下，性能损失仅约1个百分点。这一突破使混合专家模型首次有望应用于内存受限的实际场景，大幅提升了部署效率。
IT之家·人工智能AI 评分6060 我国科研团队“造”出 200 微米高质量单晶石墨，厚度为世界水平 3 倍以上
上海人工智能实验室联合苏州国家实验室、清华大学等团队成功制备出厘米级尺寸、厚度超过200微米的高质量单晶石墨，该厚度达到世界水平的3倍以上。团队构建了亿级计算材料数据库，训练出高精度机器学习势函数模型，可模拟超过十万原子规模的体系动力学，揭示了单晶石墨的生长机制。基于模拟结果优化工艺后，最终实现这一突破，验证了AI驱动科学发现的智能化科研路径。
Google DeepMind：BlogAI 评分4040 揭开老药新用对抗肝纤维化的可能性
斯坦福大学遗传学家利用Co-Scientist工具，在现有药物中筛选用于治疗慢性肝病和肝纤维化的潜在疗法。这种方法专注于老药新用，旨在加速药物发现过程，为肝纤维化这一难治性疾病提供新的治疗思路。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分5757 ARGenSeg：基于自回归图像生成模型的全新图像分割方法
研究团队在NeurIPS 2025上提出ARGenSeg，将图像分割转化为自回归生成过程，逐像素预测分割掩码。该方法利用大规模预训练自回归图像生成模型（如GPT风格视觉模型）的表征与序列建模能力，无需专门架构设计或大量标注数据。实验证明，其在多个标准数据集上性能具有竞争力，展现了生成式基础模型处理判别式视觉任务的潜力。
IT之家·人工智能AI 评分6161 Science+1！钙钛矿太阳能电池 100 ˚C 运行 1000 小时仍能保持 97% 初始效率，上海交大新突破
上海交通大学赵一新教授团队在《Science》发表论文，宣布通过多智能体AI平台设计出新型钙钛矿太阳能电池。该电池采用甲脒-铯钙钛矿材料与双Al₂O₃保护层构型，在100°C高温下连续运行1000小时后，仍能保持97%的初始效率，突破了钙钛矿电池长期面临的稳定性瓶颈。这一成果实现了从传统“实验试错”到“机理驱动+智能迭代”的研发模式转型，有望加速其产业化进程。
SenseTime@SenseTime_AI精选AI 评分7070引用Zhongang Cai@caizhongang很高兴为 SenseNova-U1 的空间智能能力做出了贡献，在 VSI-Bench 等关键基准上超越了 Qwen3.5 等强劲基线。 我们也很激动地开源了 SenseNova-SI-8M，这是目前最大的空间问答数据集。 今年六月 CVPR 见，很乐意当面交流！ SenseNova-SI-8M: https://huggingface.co/datasets/sensenova/SenseNova-SI-8M
推荐理由：商汤的 SenseNova-U1 在空间智能基准上压过 Qwen3.5，还顺手开源了目前最大的空间 QA 数据集 SenseNova-SI-8M，搞具身智能和多模态的可以直接抱走数据。
IT之家·人工智能AI 评分5353 Anthropic 最强 AI Mythos 辅助，专家发现苹果 macOS 26.4.1 提权漏洞
安全研究人员借助Anthropic的AI模型Claude Mythos，在苹果macOS 26.4.1系统中发现并构建了一条权限提升利用链。他们从一个普通本地账户出发，结合两个漏洞，最终获得了最高权限的root shell，并成功绕过了Apple Silicon设备上的内存完整性强制（MIE）硬件安全机制。整个研究过程耗时约5天，运行于启用MIE的Apple M5硬件上。研究人员已向苹果通报此发现，具体漏洞细节因仍在审查中而未公开。
- Rohan Paul@rohanpaul_aiAI 评分4343
麻省理工新项目：由编织纤维制成的人工肌肉为软体机械臂提供动力。 关键在于通过电场驱动流体的微型嵌入式泵，消除了噪音压缩机。 最终实现适用于可穿戴设备的流畅柔顺运动。
- Rohan Paul@rohanpaul_aiAI 评分7979引用Anthropic@AnthropicAI
We've published a paper that explains our views on AI competition between the US and China. The US and democratic allies hold the lead in frontier AI today. Read more on what it’ll take to keep that lead: https://www.anthropic.com/research/2028-ai-leadership
Microsoft Research@MSFTResearchAI 评分4444CMU：Machine Learning Blog精选AI 评分6363 教视觉-语言模型说“电影语言”
研究团队与百余名专业创作者历时一年，构建了一个视频描述生成流程，其核心在于扩展精细化的人类-AI协同监督，而非单纯扩大模型规模。该研究（入选CVPR 2026亮点论文）指出，当前主流视频生成模型在理解和生成具有电影感的专业运镜（如希区柯克式滑动变焦、精确的焦点转移或荷兰角镜头）时存在明显不足，常产出通用或焦点错误的画面。这项工作揭示了一条通过提升监督质量来增强模型“电影语言”表达能力的新路径。
推荐理由：这篇CVPR 2026 Highlight的博客版很有意思，它用100多个专业电影人来标注视频，教VLM学会推拉摇移的镜头语言，不是又多一个数据集，而是提醒我们：高质量的人工标注可能比堆模型更重要。
SiliconFlow@SiliconFlowAIAI 评分6363引用Nous Research@NousResearchToday we release Token Superposition Training (TST), a modification to the standard LLM pretraining loop that produces a 2-3× wall-clock speedup at matched FLOPs without changing the model architecture, optimizer, tokenizer, or training data. During the first third of training, the model reads and predicts contiguous bags of tokens, averaging their embeddings on the input side and predicting the next bag with a modified cross-entropy on the output side. For the remainder of the run, it trains normally on next-token prediction. The inference-time model is identical to one produced by conventional pretraining. Validated at 270M, 600M, and 3B dense scales, and at 10B-A1B MoE. The work on TST was led by @bloc97_, @gigant_theo, and @theemozilla.
- Microsoft Research@MSFTResearchAI 评分4444
