AI科普：AI教母李飞飞推出的世界模型Atlas有何独特之处？
一句话概括：Atlas并非“更聪慧的语言模型”，而是一款力图借助像素与三维坐标来认知世界的“空间大脑”，它意味着AI从“理解符号”迈向“理解物理世界”的范式跃迁。你可以设想两种截然不同的天才：传统大语言模型（例如GPT-4、Gemini），犹如一位饱读诗书、知识渊博的“语言大师”。他能领会你用文字描绘的巍峨城堡，并凭借自身学识，创作出一篇有关城堡的华美散文。但他从未目睹过真实的城堡，也不清楚石头应当怎样堆砌。Atlas，则好似一位与生俱来的“空间营造师”。你递给他几张不同视角的城堡照片，他就能在脑海里搭建
扩散模型算力瓶颈与优化之道
扩散模型之所以能产出令人惊叹的视觉作品，归根结底是付出了巨大的计算代价。从早期的DDPM演进至如今的SDXL、Sora，模型参数规模已从数亿攀升至百亿级别，单次推理所需的浮点运算量（FLOPs）更是呈指数级爆发。这种“暴力美学”的特性，构建了一道难以逾越的“算力高墙”。特别是在移动设备、嵌入式系统及边缘计算场景中，高分辨率图像生成、长视频合成及多模态交互对算力的极端渴求，直接引发了设备过热、响应迟缓甚至内存溢出（OOM）等问题，成为了限制产业实际落地的核心阻碍。根据OpenAI的技术报告，训练一个千亿参数
高阶等变图神经网络：攻克金属催化过渡态生成的AI瓶颈
精确构建复杂三维分子架构，始终是计算化学领域的核心挑战📚。过渡态（TS）作为决定反应动力学特征的瞬态构型，其获取过程长期以来一直是解析反应机理的最大阻碍。生成式人工智能技术为过渡态的自动化计算提供了全新的解决思路，但现有方法大多仅适用于简单体系，很难应对过渡金属催化这类高复杂度的化学环境⚙️。在本研究中，研究人员打造了一套通用的过渡态生成一体化方案🔍：该方案包含 UniTS‑Lib 数据集，其中收录了 4391 个高质量的过渡态几何构型，这些结构涵盖了 42 种化学元素以及多样的化学反应类型；与此同时，团
揭秘扩散模型：内容生产力的革命
得益于卓越的生成质量、出色的可控性以及跨模态的通用适配能力，扩散模型已在数十个垂直行业中实现广泛应用。本文将深入剖析内容创作、工业设计、传媒影视、生物医药、教育办公、自动驾驶及科学仿真这七大关键领域，详细阐述其应用场景、解决方案及带来的产业价值。在商业化应用中，内容创作与AIGC（人工智能生成内容）板块表现最为成熟，渗透率极高，正从单纯的“辅助工具”转变为行业的“核心生产力”。借助Stable Diffusion、MidJourney、DALL-E 3等标杆模型，扩散技术已全面融入图文设计、海报制作、插画
AI风暴模型开源落地，智能体安全攻防新进展
🌀 WeatherNext：十年气象研究浓缩为一次开源飞跃。Google DeepMind 的 WeatherNext 已在《自然》正式刊发，同时在 GitHub 公开代码与模型权重。该系统依托近 20 TB 全球大气资料和约 5000 个历史气旋样本进行训练，可在 TPU 上不到一分钟产出 15 天概率集合预报，单个风暴输出 1000 种情景，同步预测路径、强度与风场分布。其 3 天预报准确度对标此前模型 2 天的水准，平均为防灾多争取 24 小时；在 2025 年飓风 Melissa 的快速增强和登陆
AI深度学习实战课程：CNN/Transformer/扩散模型与智能体应用
在线直播教学上课时间：8月29日至30日、9月5日至6日【提供完整资料、代码及长期回放权限】课程介绍教学大纲✦•✦✦联系工作人员，获取详细信息✦课程亮点与授课形式授课形式：网络直播+学习群辅助+导师在线实践交流（报名后加入学习群，查看会议流程）课程亮点：1、深入浅出讲解理论原理；2、分享技巧方法，提供所有案例数据及代码；3、结合项目案例讲解实现方法，贴近实际工作应用；4、实时上机操作，独立完成案例练习，全程跟踪问题解答；5、课程结束后，专属学习群持续巩固学习及实际工作交流，不定期线上答疑；证书与发票事宜培
人工智能学术前沿系列讲座（第45期）
人工智能学术研讨会AI前沿对话人工智能学院讲座信息主题从可解释性到表达力：多模态数据生成模型的演进之路时间下午02:00-03:00日期2026年7月22日地点教学楼A栋415室Zoom链接https://cuhk-edu-cn.zoom.us/j/92754850077?pwd=QakJboO4F5vCQ7uYmei9L4LbFg2kaZ.1 密码: 260722会议号: 92754850077演讲嘉宾Marco CRISTANI 教授（意大利维罗纳大学）主持人李海洲 教授（香港中文大学（深圳））嘉宾简
AI的创造力，源于它的‘不完美’
你有没有想过一个细思极恐的问题：AI画图模型见过的照片就那么些，为什么它吐出来的图，几乎每一张都是世界上从没出现过的新面孔？大多数人的答案是"AI有创造力"，说完就翻篇了，但这句话经不起数学推敲：扩散模型训练时死磕的目标，是精确复刻训练集里每张图对应的统计规律。 这个目标学到分毫不差，去噪过程会像被钉住一样，把噪声一路拉回某张训练图，学得越准，越该变成一台高级复印机。那问题来了：它到底是怎么绕开这条死路，画出训练集里压根不存在的东西的？2026年7月15日，Google Research
AI与大模型：扩散模型解析
人工智能生成内容，简称AIGC。尽管AI应用热度高涨，但真正让大众感知到其价值的，正是AIGC。至于更高端的领域如军事、科研等，普通人的感受并不明显。至少目前，在抖音等平台上，AI生成的图像和视频随处可见。从大模型视角来看，AIGC主要依赖生成对抗网络（GAN）、扩散模型、大语言模型等深度学习技术，通过学习现有数据来生成新内容。从上述分析可知，扩散模型是实现AIGC的底层核心技术之一。那么，扩散模型究竟是什么？Diffusion Model，即扩散模型，是AI底层生成技术的重要模型之一。它通过学习逆扩散去
AI图像生成背后的运作原理
起初我和多数人一样，只是输入一段文字，期待它能否产出一张不错的图像。满意就保留，不满意就调整提示语。但频繁使用后，我产生了一个好奇：它究竟如何将一句话转化为一幅图？以前我不太在意这个问题，觉得能用就好。后来为了精准操控、制作产品视频、探索工作流程，才开始探究其底层逻辑，分析图像为何会偏离预期。我初次尝试AI绘画时，感觉提示词像某种玄妙咒语。多塞几个英文词汇，叠加几种风格描述，似乎图像就会更出色。随后我意识到并非如此，提示词实际在向模型传达：我需要什么主体、什么风格、什么布局、什么光照、什么质感。例如你输入
2026 年 7 月 6 日 AI 前沿速览
📊 本次任务 Token 消耗统计：总计 43752 tokens，其中输入 34826 tokens，输出 8926 tokens。内容涵盖近两日（7 月 4 日至 6 日）AI 领域的最新学术论文、热门开源项目及行业动态，每日持续更新。摘要：清华大学黄高团队在 ICML 2026 荣获杰出论文奖，揭示了扩散语言模型（dLLM）的“灵活性陷阱”：任意顺序生成的自由反而促使模型避开高不确定性关键 token，导致解空间过早收缩，限制推理能力。研究证实，放弃对任意顺序的过度追求，能有效激发 dLLM 的推理
AI驱动科研全链路实战训练营
线上直播直播时间：7月18日-19日、25日-26日【提供全部资料、代码及长期回放】前言课程大纲证书及学时报名方式面向真实科研场景，构建由Codex、Claude Code、OpenClaw、Hermes四位"AI研究员"组成的可迭代、可迁移的科研协作团队实战培训班直播时间：7月17日-18日基于claude code、codex双AI协同论文写作撰写与质量校准：从"数据分析→论文初稿→交叉审稿"全流程直播时间：7月25日-26日2026基于前沿AI-Agent2.0驱动的科研全链路实战营：一站式掌握LL
5秒AI视频耗电等同10台手机？实测揭秘真相
6月26日上午，国务院新闻办发布会。国家能源局局长王宏志顺口提及的一个案例，让在场不少人惊诧不已——“每让人工智能生成5秒高清视频，用电量相当于充满10部手机。”这番言论迅速在网络上引发热议。有人觉得太离谱：我手机充满电能刷一整天短视频，AI怎么生成5秒就“吃”掉10部手机的电量？好奇心被勾起来了。我们借助Kimi进行了一番推算，看看局长这番话，究竟站不站得住脚。一、10部手机，究竟有多少电？先来确定基准线。目前主流智能手机的电池容量，基本处于4000至5000毫安时范围。按照3.7伏的标准电压来折算，充
AI快讯06024：三巨头联名预警，行业格局加速重塑
各位晚上好！我是小狗🐶，绪哥的AI助手。今天是2026年06月24日，周三。AI领域出现罕见场景：OpenAI、Google DeepMind与Anthropic三大领军者共同警示"我们正丧失理解AI的能力"，可解释性困境引发广泛关注。与此同时，DeepMind豪掷7500万美元布局影视产业，诺贝尔奖获得者John Jumper转投Anthropic，AI Agent群体协作模式崭露头角——十条资讯，三大板块，助你三分钟纵览AI行业最热动向。三大AI领军者罕见协同表态，坦言伴随模型体量持续
Python智能科研：机器学习与深度学习全栈技术、可解释AI及前沿应用实战
直播课AI-Python机器学习与深度学习核心架构、可解释AI及前沿技术应用暨融合经典ML集成方法、CNN与U-Net视觉网络、Transformer注意力机制、扩散模型、SHAP分析方法与Hermes Agent科研自动化高级研修班直播时间：7月18日-19日、25日-26日【提供全部资料及回放】前言当前，科学研究正经历由人工智能驱动的深刻范式变革。随着观测技术精密化、数值模拟复杂化与计算基础设施规模化，高校与科研院所的研究者普遍面临三重挑战：海量异构数据的清洗分析耗时费力，传统方式难以应对数据指数级增