阿里巴巴国际集团在2026届校园招聘中将重点招募80%的AI相关职位，覆盖算法、研发及产品经理等领域。此举反映了阿里国际对人工智能技术的持续投资和技术创新，包括推出全球首个外贸领域的AI搜索引擎Accio，以及通过智能化升级提升电商平台效率。此外，阿里国际还推出了Bravo102计划，采用人才反选机制，展现了对高端AI人才的渴求及开放态度。
2025-04-07 18:43
商汤科技宣布，其AI基础设施SenseCore将进行升级，预计算力将实现指数级增长。自2021年推出以来，SenseCore整合了全国算力资源，在上海、深圳、广州等城市建立了新的计算节点。到2024年7月，SenseCore的总算力规模达到20000petaFLOPS，搭载超过5.4万块GPU，支持大模型研发和外部客户训练部署服务。此次升级将显著提升技术能力，特别是在AI基础设施、具身智能研发及行业大模型应用等方面，预计将实现指数级增长。
2025-04-07 18:43
音乐产业正面临AI技术带来的深度伪造威胁，唱片公司、艺术家和制作人正在通过各种渠道进行维权。索尼音乐已要求清除多达75,000个深度伪造内容，揭示了当前AI侵权问题的严峻程度。然而，面对这一现象，Spotify等科技巨头正在努力开发新工具以改善情况。此外，音乐产业还担忧未经授权使用其内容来训练生成式AI模型，以及立法领域进展缓慢。美国国会提出了几项法案，但尚未产生实质性结果。英国政府也在考虑修改法律，允许AI公司使用互联网上创作者的内容来帮助开发模型。分析师认为，只要音乐产业继续保持碎片化状态，AI问题就会持续困扰它。
2025-04-07 16:43
Kimi开放平台宣布对模型推理服务和上下文缓存价格进行下调，以提升技术能力并优化用户体验。此举基于Moonshot AI一年来的技术积累和性能优化，旨在降低企业与开发者接入大模型服务的门槛。价格调整包括模型推理服务普遍降价及上下文缓存显著下调，特别针对超长文本处理能力的提升。这一举措将推动人工智能服务的普及与应用，降低企业成本，提高开发效率。
2025-04-07 16:43
随着人工智能生成代码趋势的兴起，网络安全领域的CISO们开始担忧初级开发者对AI工具的过度依赖可能削弱其基本技能，带来长期风险。许多开发者将AI编码助手视为提高工作效率的工具，但这种便利也带来了长远的风险。微软的一项调查指出，依赖AI的员工在工作中更少进行质疑、分析和评估，这可能会影响他们的批判性思维能力。虽然AI工具在短期内可以提升效率，但从长远来看，这种依赖可能会削弱开发者的创新能力和技术适应能力。一些CISO对此表示忧虑，尤其是针对那些重度依赖AI工具的初级开发者，他们在工作中往往更关注代码能否运行，而非其工作原理。依赖AI生成的代码可能导致安全盲点，因为这些代码未必能满足组织的特定安全需求。此外，使用AI生成的代码也可能引发合规性和知识产权方面的法律问题，因为这类工具可能会不经意间引入未经验证或具有潜在风险的代码。随着AI技术的不断发展，组织必须采取适当的措施，以确保开发者在使用AI的同时，能够保持批判性思维和深厚的技术基础。
2025-04-07 16:43
DeepSeek与清华大学合作研发低成本AI模型，旨在降低训练成本并提高运营效率。通过创新的强化学习方法，该模型能在较少的数据和时间内达到更好的性能，有望推动AI技术的广泛应用和数字化转型。
2025-04-07 16:43
Meta公司因未经授权使用作家作品训练AI模型引发版权争议，约100名作家在伦敦总部外抗议。抗议者指责Meta侵犯知识产权，并要求政府介入。Meta否认侵权，称其做法符合法律。此事件凸显了创意产业对AI技术的需求和创作者权益保护的重要性。
2025-04-07 16:43
PartRM: 模型部分-level Dynamics with Large Cross-State Reconstruction Model
2025-04-07 14:43
MoCha是加拿大滑铁卢大学魏聪、陈文虎教授团队与Meta GenAI共同完成的一项突破性研究，旨在通过完全基于语音和文本的端到端训练，实现自动化多轮对话电影生成。这项技术能够生成高度准确的唇动同步效果，展现出精细的语音-视频对齐能力，并支持多角色对话生成，具备镜头语言与剧情连贯性。此外，该研究还提出了创新的注意力机制和联合训练策略，有效提升了模型在多样化角色动作下的泛化能力和真实感表现。
2025-04-07 14:42
文章标题：NoProp: TRAINING NEURAL NETWORKS WITHOUT BACK-PROPAGATION OR FORWARD-PROPAGATION 摘要： 近年来，深度学习模型的训练效率和可扩展性一直是研究热点。尽管反向传播（BP）是一种主流的训练方法，但它存在生物学合理性不足、内存消耗大、并行计算受限等缺点。因此，研究人员一直在寻找替代方案。最近，牛津大学和Mila实验室的研究者提出了一种名为NoProp的新型学习方法，它不依赖前向或反向传播，通过独立训练每层的噪声目标来去除噪声。这种方法在MNIST、CIFAR-10和CIFAR-100图像分类基准测试上展示了高效性和优越性。 关键词：深度学习；反向传播；无梯度学习；神经网络；NoProp 核心内容： NoProp是一种不需要前向或反向传播的新方法，它通过从扩散和流匹配（flow matching）方法中汲取灵感，利用每层独立地对噪声目标进行去噪，从而绕过了传统基于顺序梯度的贡献分配机制。这种方法的核心在于，它允许每层独立地对输入数据进行局部去噪处理，而不是依赖于前向或反向传播来传递梯度信息。 实验结果表明，NoProp在多个基准测试上的性能超过了传统的反向传播方法，包括离散时间设置与连续时间设置。此外，NoProp还显示出在减少GPU内存消耗方面的优势，这为大规模分布式训练提供了潜在优势。 总结： NoProp作为一种全新的训练策略，为深度学习模型提供了一种无需依赖传统梯度传播机制的新途径。虽然其实现细节较为复杂，但实验结果证明了其在提高训练效率和降低计算成本方面的潜力。未来，随着研究的深入和技术的进步，NoProp有望在实际应用中发挥更大的作用。
2025-04-07 14:42