近日，字节跳动研究院和清华大学的研究人员联合发布了一项新研究，指出目前的 AI 视频生成模型，比如 OpenAI 的 Sora，虽然能创造出令人惊叹的视觉效果，但在理解基本物理规律方面却存在重大缺陷。这项研究引发了人们对 AI 在模拟现实时能力的广泛讨论。研究团队对 AI 视频生成模型进行了测试，设定了三种不同的场景，分别是已知模式下的预测、未知模式下的预测，以及熟悉元素的新组合。他们的目标是看看这些模型是否真的学习了物理规律，还是仅仅依赖于训练中的表面特征。通过

清华大学的研究团队近日发布了名为 SonicSim 的移动音源仿真平台，旨在解决当前语音处理领域在移动声源场景下数据缺乏的难题。 这一平台基于 Habitat-sim 仿真平台构建，能够高度逼真地模拟真实世界的声学环境，为语音分离和增强模型的训练和评估提供更优质的数据支持。现有的语音分离和增强数据集大多基于静态声源，难以满足移动声源场景下的需求。 虽然现实世界中也存在一些真实录制的数据集，但其规模有限，且采集成本高昂。相比之下，合成数据集虽然规模更大，但其声学模拟

在人工智能快速发展的今天，一个名为ORYX的多模态大型语言模型正在悄然改变我们对AI理解视觉世界能力的认知。这个由清华大学、腾讯和南洋理工大学研究人员联合开发的AI系统，堪称视觉处理领域的"变形金刚"。ORYX，全称Oryx Multi-Modal Large Language Models，是一个专门设计用于处理图像、视频和3D场景时空理解的AI模型。它的核心优势在于能够像人类一样，不仅理解视觉内容，还能洞察内容之间的关联和背后的故事。这个AI系统的一大亮点是其处理任意分辨率视觉输入的能力。无论是模糊的老

在人工智能领域，一项来自中国的创新性研究正在引起广泛关注。清华大学和上海人工智能实验室的科学家们提出了一种名为"思维导图"（Diagram of Thought，简称DoT）的全新框架，这一突破性成果有望彻底改变我们对AI思维模式的认知。DoT框架的核心理念是模仿人类解决复杂问题的思维过程。就像我们在解答难题时会不断提出假设、批判、修正，最终得出结论一样，DoT让AI能够在单个模型内部构建一个有向无环图（DAG），实现更接近人类的推理方式。这种新型思维模式的独特之处在于它突破了

《中国在AI领域的创新程度如何?》报告全面评估了中国人工智能领域的发展现状，与中国进行对比。报告指出，中国已成为全球AI研究出版物的领导者，在生成式AI领域与美国并驾齐驱。中国在该领域的论文数量位居世界第一，专利数量领先美国。在人才培养方面，清华大学被视为AI初创企业的温床，显示出中国在顶尖AI人才方面的领先地位。中国大模型技术实力迅速提升，与美国的性能差距缩小。尽管投资环境与美国相比仍有差距，但中国私营企业AI投资数量少于美国，而外国投资呈增长趋势。国家引导资本基金和财政援助为私营企业提供了支持，推动了中国AI产业的蓬勃发展。中国开源大模型生态系统的发展尤其迅速，显示出创新活力。报告认为，中国是唯一能挑战美国生成式AI领域霸主地位的国家。ITIF建议美国政策制定者应制定国家AI战略，而非简单遏制中国。这份报告为全球AI竞争格局提供了新视角，揭示了中国在AI领域的全面进步和巨大潜力。

清华大学的研究团队成功研发出“LongWriter”人工智能系统，该系统能生成超过10,000字的连贯文本，为长篇写作和内容创作开辟了新途径。通过构建包含6,000个写作样本的“LongWriter-6k”数据集，研究团队将AI模型的最大输出长度从约2,000字提升至10,000字以上。这一创新成果不仅提高了AI在长文本生成任务中的表现，甚至超过了更大规模的专有模型。AI生成的文本在出版、营销、教育等领域具有广泛应用前景，但同时也带来了虚假信息、竞争加剧和知识产权保护等挑战。研究团队已将代码和模型开源，供开发者二次开发，并发布演示视频展示了生成详细结构内容的能力。随着技术的不断进步，如何合理利用AI生成文本与人类创作的关系成为未来需要面对的挑战。

清华大学电子工程系和自动化系联合成功研制出“太极-II”光训练芯片，实现了大规模神经网络的高效精准光计算训练。这一创新突破了现有光计算技术的局限，不再依赖GPU进行离线建模，简化了训练过程，显著提升了光计算系统在人工智能和大数据处理领域的应用能力。该芯片能够对多种光学系统进行训练，在多个任务中表现出卓越性能，标志着中国在前沿科技领域研究实力和创新能力的提升，有望推动光计算技术在更高效、更智能计算系统开发中的广泛应用。

清华大学知识工程组与数据挖掘团队新推出CodeGeeX4-ALL-9B，作为CodeGeeX系列的最新成果，其在多语言代码生成领域达到巅峰，重新定义自动化编码性能与效率标准。基于GLM-4-9B框架，经过广泛训练的它拥有9.4亿参数，超越同类模型，擅长代码生成、补全与解释，展现优异推理速度与整体性能。适应能力极强，涵盖了软件开发全方面需求，提供仓库级别的代码问答功能，助力开发者与代码库交互更为直观高效。基准测试显示在BigCodeBench和NaturalCodeBench上的优越表现，确认了其在真实应用中强大的可靠性和创新能力。以用户为中心的设计使其易于集成各种版本的transformers库，兼容GPU与CPU，确保不同计算环境的灵活性与广泛性采用。CodeGeeX4-ALL-9B可通过其推理过程，根据用户输入生成精准、可操作的代码输出，优化开发流程，尤其对于复杂算法和自动化编码任务极具价值。这一利器标志着代码生成领域的重要进步，将极大地提升软件开发的效率与创新。

["清华大学将建设100门人工智能赋能教学试点课程","为每一位2024级新生配备“AI成长助手”","人工智能系统可以帮助教师设计课程","教育行业成为人工智能的优质落地领域","AI教育迈向全新发展阶段"]

["首部中国原创文生视频AI系列动画《千秋诗颂》在CCTV-1综合频道播出","文生视频应用落地有望提速，重塑影视行业制作流程","AI生成视频技术快速发展，可能出现不需要演员的较长电影","清华大学教授沈阳表示，AI视频进入大爆发期，将推动影视动画制作等相关行业"]

["清华大学智普AI团队发布名为CogAgent的新视觉语言模型，专注于理解和导航图形用户界面(GUI)。","CogAgent采用双编码器系统，处理复杂GUI元素和文本，在处理1120x1120像素的高分辨率输入方面表现出色。","模型在PC和Android平台的GUI导航任务中优于现有LLM方法，同时在文本和视觉问答基准上也表现卓越。","潜在应用包括自动化GUI操作、提供GUI帮助和指导，以及开发新的GUI设计和交互方式。","虽然CogAgent仍处于早期开发阶段，但其创新性的高分辨率图像处理方法使其在自动化GUI操作和解释任务中具有潜力。"]

["首个 AI agent 系统性基准测试问世，对 25 个不同语言模型的全面评估结果显示：GPT-4 独具一档。","顶级商业语言模型在复杂环境中表现出色，与开源模型存在显著优势。","研究团队建议进一步提高开源模型的学习能力。"]