美军AI变革：CDAO重塑智能作战指挥体系
2021年以前，五角大楼的军事AI架构宛如“九龙治水”：多个独立部门各自为政，虽有项目、预算和团队，却互不相通，重复建设严重。这种看似全面覆盖实则效率低下的局面，严重阻碍了美军AI实战化的进程。为打破这一僵局，美军祭出了关键一招，设立CDAO，即首席数字与人工智能官办公室。这一变革实现了从分散内耗到统一指挥、从各自为战到全域统筹的转变，彻底重构了美军AI的顶层架构，为AI在战场的全面铺开扫清了障碍。2018年JAIC（联合人工智能中心）的成立标志着美军AI的起步，但短短几年，臃肿且割裂的管理体制弊端尽显。
推动AI赋能人社数字化转型实施意见
人力资源社会保障部 国家发展改革委 工业和信息化部 国家数据局关于加快推进“人工智能＋人社”应用发展的实施意见 人社部发〔2026〕40号各省、自治区、直辖市及新疆生产建设兵团人力资源社会保障厅（局）、发展改革委、工业和信息化主管部门、数据管理部门：为贯彻落实《国务院关于深入实施“人工智能＋”行动的意见》（国发〔2025〕11号），促进和规范人工智能在人力资源社会保障（以下简称人社）行业领域应用发展，有力支撑人社事业高质量发展，结合数字人社建设任务，现就加快推进“人工智能＋人社”应用发展提出如下实施意见。
金融监管总局发布人工智能安全应用指引
国家金融监督管理总局关于银行业保险业人工智能安全开发应用的指导意见各金融监管局，各政策性银行、大型银行、股份制银行、外资银行、金融资产管理公司、理财公司，各保险集团（控股）公司、保险公司、保险资产管理公司，各金融控股公司，各总局管理单位：为深入贯彻《中华人民共和国国民经济和社会发展第十五个五年规划纲要》关于加速人工智能技术创新、强化人工智能治理的战略部署，落实《国务院关于深入实施“人工智能+”行动的意见》，推动数字金融高质量发展，有序推进人工智能科技创新与金融业务深度融合，引导金融领域人工智能应用朝着有益
IBM AskHR逆袭之路：AI智能体如何颠覆HR行业
设想一下：如果有一天你公司的HR服务热线全部停用，所有HR业务伙伴撤出对一线管理者的支持，统统交给一个聊天机器人——你有胆量这么做吗？IBM在2018年真的实施了。一夜之间关闭了全体员工的HR电话和邮箱联系，终止了HR合作伙伴对21000名一线管理人员的援助。AskHR成为唯一的数字通道。净推荐值（NPS）直接下滑到-35。后续呢？后续他们耗时6年，把NPS从-35提升到+74，AskHR处理了逾1150万次交互，94%的疑问在平台内部闭环解决，仅6%需转接人工。这是我从IBM官网最新报道中了解到的。通俗
智能数据精训：全域AI时代新零售的底层基石
随着数字经济的迅猛增长，人工智能已深度融入新零售的各个环节。直播带货、智能店铺、无人超市、自动选品和精准客户管理等创新模式迅速普及，推动零售业向自动化、规范化和精细化方向全面演进。AI技术得以大规模应用并持续助力行业降本增效，离不开一套完善、专业且高质量的数据支持系统。其中，AI数据精训与治理作为人工智能领域的根基赛道，正成为驱动新零售智能化进步和支撑行业高质量发展的关键动力。在AI生态系统中，算法模型承担智能运算任务，而经过专业精训治理的高质数据，则是模型持续学习、精确输出和稳定升级的核心基础。公众对A
AI下半场竞争格局已明朗：数据质量取代模型规模成决胜关键
诸多领域的深刻变革，往往并非来自高调的发布会，而是源于一份悄然落地的纲领性文件。2026年，人工智能领域的风向发生根本性转变，主战场从模型研发迁移至数据资源。当前喧嚣的百模大战逐渐回归理性，单纯依靠堆叠参数已难以构筑显著的技术壁垒。同期，国家数据局发布《关于推进行业高质量数据集建设行动的实施方案》，尽管未引发广泛舆论关注，却在整个人工智能产业激起波澜。2025年国内数据标注市场规模突破117亿元，连续多年保持20%以上的增速，曾被视为边缘环节的数据标注，正式跃升为人工智能的关键基础设施。业界广泛认同一条铁
AI全栈实战教程：1700+应用场景精讲，融合算法底层逻辑与落地操作全攻略
人工智能算法的核心本质在于运用数学模型来模拟人类的认知活动，其关键在于搭建从输入数据到输出决策之间的映射机制。算法演进主要经历了以下三个重要阶段：数学根基：算法的有效运转离不开线性代数与概率统计的支撑。举例来说，推荐系统里的用户画像通常用128维向量来表征，借助余弦相似度来衡量兴趣关联程度。AI并不是脱离传统编程的全新领域，而是编程范式的合理延伸——从确定性规则（if-else结构）过渡到概率性决策（模型预测输出），从显式编码方式转变为数据驱动模式。这一演进引发了三个核心层面的变革：输入输出模式重构：传统
新政透视：人工智能+人社背后的商机与落地路径
政策剖析|市场洞察|实施策略近期，人社部、发改委、工信部及国家数据局四部门联合发布了《关于加快推进"人工智能＋人社"应用发展的实施意见》（简称《实施意见》）。这不仅是描绘民生保障与政务数字化未来的蓝图，更是"人工智能+数据要素"在公共服务领域全面铺开的里程碑。核心观点：政策背后的深层逻辑正由传统的"系统集成"向"要素激活"转变。对于专注于数字政府建设、数据治理、低代码开发及产业人才培训的科技公司和咨询机构来说，这里蕴藏着明确的技术突破口和巨大
人社AI全面落地：67场景开启智能化新纪元
一句话看重点：2026年7月8日，人力资源社会保障部、国家发展改革委、工业和信息化部、国家数据局公布《关于加快推进“人工智能+人社”应用发展的实施意见》，提出到2026年打造20个左右应用场景及相应高质量数据集，到2027年探索50个左右高价值应用场景赋能路径，并以“1+N+32”架构推动模型、数据、算力和场景协同落地。2026年7月8日，人力资源社会保障部、国家发展改革委、工业和信息化部、国家数据局公布《关于加快推进“人工智能+人社”应用发展的实施意见》。文件文号为人社部发〔2026〕40号，成文日期为
清华AI国际治理研究院代表团访问多个联合国组织
点击蓝字关注我们2026年7月7日上午，清华大学人工智能国际治理研究院（以下简称"研究院"）副院长梁正、研究院人工智能法律法规方向首席专家申卫星、清华大学公共管理学院长聘副教授陈天昊、清华大学唐仲英学生全球发展中心项目主管陈璇以及研究院外事主管刘畅一行到访世界卫生组织（WHO），WHO风险分析与行动审查部门负责人Nirmal Kandel接待研究院一行。Nirmal Kandel首先代表WHO对研究院一行的到来表示欢迎，并回顾了WHO与清华大学在医疗卫生领域的合作历程。梁正对WHO的热情接待表示感谢，并阐
会议日程｜高校 AI 教育应用与数据治理创新论坛
由浙江财经大学承办，中国教育技术协会高等学校数据治理专业委员会及浙江省之江教育信息化研究院主办的“高等学校人工智能教育应用与数据治理创新研讨会”，将于2026年7月8日至10日在杭州举行。本次研讨会立足于“十五五”规划的起步之年，紧扣国家教育数字化战略及数据要素价值化部署，聚焦人工智能驱动下的高等教育深层变革。会议将汇聚全国高校相关领域的专家、管理及业务骨干，围绕人工智能教育应用与高校数据治理展开学术交流与经验分享，探索发展建设路径，深化校际协作，助力高校数智化建设及高等教育高质量发展。指导单位：浙江省教
AI赋能交通创新 浙江交通集团举办智能体大赛
近日，浙江交通集团举行首届AI智能体创新应用大赛颁奖典礼，并正式启动第二届赛事。活动集中呈现首届大赛的优秀成果，公布获奖名单，同步开启第二届大赛，持续以赛促建、以赛促用、以赛育才，推动人工智能深度融入核心业务，促进科技与产业协同创新。省国资委党委委员、副主任童海桑，集团副总经理、技术研究总院院长袁迎捷出席活动。首届AI智能体创新应用大赛由集团科技创新部与信息中心联合主办，技术研究总院、浙商中拓承办，主题为“智赋场景 创领未来”。自今年4月启动以来，共收到来自集团19家单位的48个参赛项目，覆盖智慧高速、交
德适-B股价飙升超13%，iMedLoop全球影像平台正式上线
德适-B（02526）盘中涨幅突破13%，截至发稿，股价已上涨7.10%，报332港元，成交额达844.31万港元。 7月4日，德适-B在北京举办“医疗AI全域生态创新研讨暨iMedLoop全球医疗影像数据平台发布会”，正式推出最新产品——iMedLoop全球医疗影像数据平台。本次发布聚焦医疗影像数据、医学影像基座模型、专病专科AI应用、临床协同及产业生态，标志着德适在医疗影像AI平台化、规模化和生态化道路上迈出关键一步。 此次推出的iMedLoop并非单一AI工具，而是专为医疗影像AI开发与应用全流程打
AI Agent蜕变记：从展示能力到创造价值的商业跨越
过去两年，我们一直在讨论AI能不能替代人类工作。现在问题变了，企业不再问"AI能做什么"，而是问"AI帮我省了多少钱、赚了多少钱"。这个转变背后，是AI Agent从技术演示走向商业验证的关键拐点。2024年，大多数企业的AI项目还停留在概念验证阶段。采购部门买了几套大模型API，IT部门搭了几个Demo，管理层在年报里写了"数字化转型"。但财务部门看到的，是一笔笔只出不进的支出。2025年下半年开始，情况发生了变化。一些先行者开始用Agent处理具体业务场景：客服自动回复、销售线索筛选、合同条款审查、财
制造企业引入AI前,先搞清楚这5类数据再做决定
近年来，智能制造领域几乎离不开AI的身影。客户常问：我们工厂能上AI吗？管理层会问：AI能否帮我们降本增效？方案中频繁出现：智能诊断、预测维护、能耗优化、质量分析、AI助手等术语。这些概念都没问题。但回到工厂实际场景，第一步往往不是采购大模型，也不是搭建华丽的大屏展示。更务实的做法是：先弄清楚数据在哪里。数据不清晰，AI就只能在PPT中展示。数据不连贯，模型就难以判断趋势。数据缺少业务含义，分析结果就无人敢用。数据无法指导现场操作，项目就难以产生实际价值。工业AI的真正难点，往往不在于“模型是否足够先进”