别装了，AI巨头们！谁在卡脖子，谁在割韭菜？这张图一目了然（在新窗口打开）
卡内基梅隆揭秘美国AI产业链：谁能扼住AI的喉咙？OpenAI和迪士尼如何捆绑，AMD、软银和英伟达究竟在下哪盘棋？卡内基梅隆大学刚刚抛出一颗「产业核弹」：首个系统刻画数据、算力、模型、资本乃至人才流向的AI供应链数据集。
内容栏目
AI技术文章
分享不同 AI 工具、模型与相关技术的使用方法和实践文章。
1米3宇树G1完美上篮！港科大解锁全球首个真实篮球机器人Demo（在新窗口打开）
1米3的机器人小土豆，三步上篮也可以如此丝滑。
AAAI 2026 Oral | 悉尼科技大学联合港理工打破「一刀切」，联邦推荐如何实现「千人千面」的图文融合？（在新窗口打开）
在推荐系统迈向多模态的今天，如何兼顾数据隐私与个性化图文理解？悉尼科技大学龙国栋教授团队联合香港理工大学杨强教授、张成奇教授团队，提出全新框架 FedVLR。该工作解决了联邦环境下多模态融合的异质性难题，已被人工智能顶级会议 AAAI 2026 接收为 Oral Presentation。
陶哲轩亲测：我用Gemini十分钟搞定了困扰学界多年的难题（在新窗口打开）
陶哲轩携手Gemini，十分钟破解数学难题！
新型AI芯片能耗重大突破，已登Nature子刊（在新窗口打开）
AI 浪潮席卷全球，但算力功耗的 “电费焦虑” 也随之而来。传统冯・诺依曼架构下，数据在 CPU 和内存间 “疲于奔命”，消耗了大量能量。
NeurIPS 2025 | UniLumos: 引入物理反馈的统一图像视频重打光框架，实现20倍加速的真实光影重塑!（在新窗口打开）
图像与视频重光照（Relighting）技术在计算机视觉与图形学中备受关注，尤其在电影、游戏及增强现实等领域应用广泛。当前，基于扩散模型的方法能够生成多样且可控的光照效果，但其优化过程通常依赖于语义空间，而语义上的相似性无法保证视觉空间中的物理合理性，导致生成结果常出现高光过曝、阴影错位、遮挡关系错误等不合理现象。
BFM-Zero，让人形机器人不再依赖高质量动捕数据（在新窗口打开）
CMU×Meta 联手，姚班李忆唐最新论文成果。
放弃n8n！飞书多维表格才是效率的神，确实太好用了～【附喂饭级教程】（在新窗口打开）
上上周四，我去杭州给一家企业做了一场AI编程培训，内容是 Claude Code。
AAAI 2026 Oral | 通过视觉安全提示与深度对齐实现大型视觉语言模型的安全对齐（在新窗口打开）
随着大型视觉语言模型在多个下游任务的广泛应用，其潜在的安全风险也开始快速显露。研究表明，即便是最先进的大型视觉语言模型，也可能在面对带有隐蔽的恶意意图的图像 — 文本输入时给出违规甚至有害的响应，而现有的轻量级的安全对齐方案都具有一定的局限性。
谢赛宁李飞飞LeCun搞的寒武纪，究竟是个啥？（在新窗口打开）
“寒武纪”这个名字在AI圈里火得发烫。 由谢赛宁牵头，李飞飞和Yann LeCun站台搞的“寒武纪”，大获好评。 此寒武纪究竟是什么？ Cambrian-S（寒武纪-S），不造硅基芯片，而是专注于解决AI领域一个更核心的问题：让人工智能真正学会感知世界。 它的具体成果，是一款主打空间感知的多模态视频大模型，还兼顾了通用视频、图像理解能力，在短视频空间推理中拿下了SOTA。 更厉害的是，加了预测感知模块后，连超长视频的空间任务都能扛下来——要知道，这可是很多主流模型的软肋。 这个李飞飞和LeCun都关注的空间智能领域的新模型，到底有哪些突破？ 超感知：让数字生命真正体验世界 先从它的发展历程说起
顶流设计Agent能用Nano Banana Pro了！一句话BlackPink变东北翠花（在新窗口打开）
两个AI顶流终于是碰到了一起，这回设计师们真要慌了但也可能是大意过望了—— 因为Lovart，这个顶流设计师Agent，现在已经正式接入Nano Banana Pro了！
对话范浩强：10亿融资之前，我们手搓了5000元“丐版硬件”（在新窗口打开）
因为成功手搓了一个成本不到5000元的“拼夕夕式”丐版硬件，原旷视6号员工、研究院助理院长范浩强终于下决心，在2025年投身具身智能创业。
图片生成仿真！这个AI让3D资产「开箱即用」，直接赋能机器人训练（在新窗口打开）
一张照片，就能生成可直接用于仿真的3D资产。
NeurIPS重磅：华南理工团队重构扩散模型推理，质量效率双SOTA（在新窗口打开）
扩散概率生成模型（Diffusion Models）已成为AIGC时代的重要基础，但其推理速度慢、训练与推理之间的差异大，以及优化困难，始终是制约其广泛应用的关键问题。近日，被NeurIPS 2025接收的一篇重磅论文EVODiff给出了全新解法：来自华南理工大学曾德炉教授「统计推断，数据科学与人工智能」研究团队跳出了传统的数值求解思维，首次从信息感知的推理视角，将去噪过程重构为实时熵减优化问题。
别问树模型了！死磕结构化数据，清华团队把大模型表格理解推到极限（在新窗口打开）
科幻作家刘慈欣在小说《超新星纪元》中描述了一个令人难忘的场景——几个十几岁的孩子被带到一个小山环绕的地方，他们的面前是一条单轨铁路，上面停着十一列载货火车，每列车有二十节车皮。这些车首尾相接成一个巨大的弧形，根本看不到尽头。这些车中，其中一列装的是味精，另外十列装的是盐。
AI「看见」实验，哈佛颠覆性突破！一副AR眼镜，新手秒变资深专家（在新窗口打开）
当AI能「看」见实验室的细节，能「听」见研究员的每一次反应，能「感知」实验进展的每一点变化——它的推理将不再局限于硅基世界。那时，AI将通过人类的双手，直接参与并改变物理现实。它或许将成为实验室中最勤奋、最可靠的「智能伙伴」。
通用的dLLM开发框架，让BERT掌握扩散式对话（在新窗口打开）
扩散式语言模型（Diffusion Language Model, DLM）虽近期受关注，但社区长期受限于（1）缺乏易用开发框架与（2）高昂训练成本，导致多数 DLM 难以在合理预算下复现，初学者也难以真正理解其训练与生成机制。
Scaling Law的焦虑差距可以由「交互深度」解决，MiroMind用Qwen3-72B在GAIA中超越GPT5（在新窗口打开）
在过去五年，AI领域一直被一条“铁律”所支配，Scaling Law（扩展定律）。它如同计算领域的摩尔定律一般，简单、粗暴、却魔力无穷：投入更多的数据、更多的参数、更多的算力，模型的性能就会线性且可预测地增长。无数的团队，无论是开源巨头还是商业实验室，都将希望孤注一掷地押在了这条唯一的救命稻草上。
Meta超级智能实验室又发论文，模型混一混，性能直接SOTA（在新窗口打开）
模型也要学会取长补短。 大语言模型（LLM）在众多领域展现出卓越的能力，但它们的训练依然高度依赖算力和时间，需要庞大的计算资源以及精细的训练流程设计。 模型 Souping（Model Souping） ，即对同一架构的多个模型进行权重平均，形成一个新的、更强的模型。相比训练一个庞大的统一模型，souping 更轻量、成本更低，同时能够融合模型的互补能力。 然而，传统的模型 souping 方式通常采用简单的均匀平均，即把所有候选模型的参数直接做等权融合。 本文中，来自 Meta、伦敦大学学院机构的研究者提出类专家 Soup（Soup Of Category Experts, SoCE），这是
月活11亿的Reddit ，怎么选向量数据库：Pgvector、Redis、Milvus、Qdrant（在新窗口打开）
业务团队可能说他们想要个负重一吨，时速两百公里的马车…… 现如今，借助向量检索能力，实现基于语义相似度的智能搜索，已经是所有电商、推荐、社区平台技术架构的重要一环。 作为拥有约 1.08 亿日活、 1
参与交流
查看 AINRK 交流群说明
了解加入交流群的方式，阅读内容无需登录。