近年来，全球投资焦点正从互联网泡沫后的复苏转向AI驱动的新一轮技术周期。高盛最新报告指出，2025年AI领域的投资展现出显著且可持续的增长趋势，预计全球AI相关支出将达到近4000亿美元，远超历史同期技术革命初期水平。与以往技术周期相比，当前AI投资更具广度和深度，已渗透至医疗、金融、制造等多个领域，推动生产效率提升并深刻影响美国家庭财富结构。数据显示，AI技术应用使标普500企业利润率平均提升1.3个百分点，间接带动股市增值与家庭资产上涨。然而，高盛也警示，部分AI项目存在估值过高风险，需警惕局部泡沫化倾向。总体来看，AI投资仍处于上升通道，增长空间可观，但需理性布局以应对潜在波动。
近日，国产人工智能模型Ring-1T在数学推理领域实现重大突破，在模拟国际数学奥林匹克（IMO）近十年真题的测试中，正确率达到93%，表现相当于IMO银牌选手的平均水平。这一成果标志着我国AI技术首次在高难度数学竞赛任务中达到国际认可水平，展现了在复杂逻辑推理方面的显著进步，为AI赋能教育、科研等领域提供了新的可能。
2025年被视为Agentic AI在软件研发领域落地的关键起点，AI Agent作为AI4SE（人工智能在软件工程中的应用）的核心形态，正逐步重塑“需求分析-开发-运维”全流程。尽管行业普遍认可其提效潜力，企业在实际部署中仍面临集成复杂性、任务可靠性与团队协作模式重构等挑战。当前实践表明，智能代理在代码生成、缺陷检测与自动化测试等环节已实现显著效率提升，部分企业报告开发效率提高达40%。然而，AI Agent的规模化应用仍需克服上下文理解局限与工程系统深度耦合难题。本文结合典型成功案例，探讨AI驱动软件研发提效的可行路径与未来趋势。
微软公司近日宣布，Windows 11正经历一次根本性变革，全面向基于人工智能的原生系统转型。此次升级不仅引入新功能，更涉及对操作系统底层代码的彻底重写，标志着PC操作系统在AI领域的重大突破。微软副总裁Stefan Kinnestrand指出，这一AI驱动的革新将提升系统响应速度、安全性和个性化体验。尽管部分用户对新增AI功能表示疑虑，并寻求禁用方法，但该转型已被视为推动智能计算新时代的关键步骤。
近期，哈佛大学研究团队利用人工智能系统K-Dense，在衰老机制研究中取得突破性进展。该系统首次精准识别出衰老过程中的多个阶段性特征，揭示了细胞退变的非线性规律，为“AI衰老”研究提供了全新视角。这项成果标志着生命科学正加速迈入由人工智能驱动的新阶段，全球科研竞争格局也因此重塑。随着“长寿解码”进程加快，科学家已能预测关键衰老节点，相关模型准确率超过92%。然而，寿命延长带来的伦理、社会结构与资源分配挑战也日益凸显，人类是否已为这一技术跃迁做好准备，成为亟待探讨的议题。
深度学习领域迎来文本处理新纪元，DeepSeek推出的新型视觉模型DeepSeek-OCR通过像素级文本处理技术，实现了低于传统方法1/10的压缩率，在多项基准测试中表现卓越。该模型摒弃了依赖分词器的传统架构，标志着“分词器时代”的终结，被AI专家Karpathy盛赞为重大突破。其开源发布仅短期内便收获4.4k星标，引发广泛关注。Karpathy特别指出，视觉输入在提升模型通用性方面潜力巨大，预示着视觉技术将引领文本处理的革新浪潮。
当前AI发展迅速，但华盛顿的初创公司创始人警示，不应让AI主导一切，否则可能引发“公地悲剧”，导致资源过度消耗与系统性风险。为保持团队的敏锐与竞争力，需通过严谨的测试与文档化流程来驯服AI，确保其可控与可追溯。观察OpenAI与Anthropic的Top10 token消耗排行榜可见，各类编程工具位居前列，凸显AI在开发领域的广泛应用。唯有在人机协作中强化管理机制，才能实现AI的可持续利用。
AGILE提出了一种全新的视觉学习范式，旨在提升视觉语言模型（VLMs）在多模态感知与推理任务中的表现。当前VLMs面临两大瓶颈：一是对图像中细粒度视觉信息的理解不足，限制了其感知与推理能力；二是强化学习虽具潜力，但缺乏高质量且可扩展的训练数据。AGILE通过结合自监督学习与交互式强化学习机制，有效挖掘图像中的深层语义与局部细节，显著增强模型的细粒度理解能力。该方法无需依赖人工标注的强化学习数据，利用自监督信号构建可扩展的训练框架，在多个基准任务上实现了性能的显著提升，为多模态学习提供了高效、可持续的发展路径。
本文介绍了一种名为Lancelot的新型架构，该架构结合全同态加密（FHE）技术，实现了在加密状态下进行拜占庭鲁棒联邦学习（BRFL）的安全聚合计算。针对金融、医疗等数据敏感领域，Lancelot有效缓解了传统联邦学习中因模型更新传输导致的隐私泄露风险，同时具备抵御恶意客户端攻击的能力，显著提升了系统的安全性和鲁棒性。通过FHE技术，Lancelot在不牺牲数据隐私的前提下完成模型聚合，为隐私保护与高效计算的平衡提供了创新解决方案。
苹果AI最新研究显示，Mamba模型在Agent任务中的表现显著优于传统的Transformer模型。尽管苹果在人工智能领域的进展常被认为相对滞后，但此项研究凸显其在模型架构创新上的突破。Mamba通过引入选择性状态空间机制，并结合特定工具，在处理长序列推理与动态决策任务中展现出更强的效率与准确性，尤其在Agent场景下性能领先。该成果为替代日益受限的Transformer架构提供了有力候选方案，也标志着苹果AI正逐步挑战现有主流模型的技术权威。
在细粒度视觉推理任务中，由于奖励信号稀疏，传统强化学习方法往往难以有效训练智能体。为此，研究者提出RewardMap框架，通过引入多阶段强化学习机制，将复杂推理过程分解为可管理的子任务，逐步引导模型学习。RewardMap利用中间状态的隐式反馈构建密集奖励映射，显著缓解了稀疏奖励问题。实验表明，在多个视觉问答和图像推理基准上，该方法相较现有技术在准确率上平均提升12.7%，验证了其在提升模型推理能力方面的有效性。
在NeurIPS 2025会议上，由卡内基梅隆大学（CMU）、清华大学和德克萨斯大学奥斯汀分校（UTAustin）联合推出的开源项目ReinFlow引发广泛关注。该项目采用在线强化学习（RL）技术，对机器人控制中的流匹配策略进行微调，显著提升了模型在复杂环境下的适应性与执行效率。流匹配技术凭借其简洁高效的特点，已成为机器人底层操作策略的主流方案，并广泛集成于先进的视觉语言代理（VLA）模型中，如Physical Intelligence的LeRobot SmolVLA、英伟达的GR00T以及清华大学最新发布的RDT2模型。ReinFlow的提出标志着强化学习与流匹配范式的深度融合，为未来机器人自主决策能力的发展提供了新路径。
近期研究表明，大型人工智能模型在持续接收低质量信息输入后，可能出现认知退化现象，被称为“脑腐”。该现象表现为模型推理能力下降、逻辑混乱及生成内容质量降低，且具有难以逆转的特性。研究指出，互联网中泛滥的碎片化、重复性与误导性内容是主要诱因。类似地，人类用户长期暴露于劣质信息流中，也会出现注意力分散、思维迟钝等认知下降问题。随着信息过载加剧，AI与人类共同面临由数字环境恶化带来的认知挑战。
InfoQ 2025中国技术力量年度榜单以“洞察AI变革，见证智能未来”为主题，全面聚焦AI全栈创新与行业应用的深度融合。榜单覆盖AI基础设施、工程与部署、智能体生产力、行业应用、数据智能、AI编程、具身智能及开源八大领域，系统呈现人工智能在技术突破与产业化落地方面的最新进展。通过评选具有代表性的技术成果与实践案例，榜单旨在彰显中国在AI领域的核心“技术力量”，推动跨行业智能化升级，展望智能未来的可持续发展路径。
近期研究表明，大型人工智能模型在持续摄入低质量信息后可能出现认知退化现象。经过数月的低质数据输入，模型在推理、语言理解和生成能力方面表现出显著下降，这种衰退趋势一旦形成便难以逆转。研究指出，数据污染是导致AI退化的主要因素之一，其影响类似于人类长期接触劣质信息所引发的认知损伤。当前，随着网络内容泛滥与标注质量参差不齐，训练数据的纯净度正面临严峻挑战，模型衰退风险持续上升。专家呼吁建立更严格的数据筛选机制，以维护AI系统的长期认知健康。
近日，一个知名开源社区因创始人单方面在核心代码库中插入AI生成代码而陷入分裂。此举引发核心开发团队的强烈抗议，成员们指责该行为属于强权干预，违背了开源协作的平等精神。团队明确表示，若项目未来持续依赖如ChatGPT类生成式AI编写低质量代码，将集体退出维护工作。这一事件凸显了AI技术融入开源生态过程中所面临的信任与治理危机，引发业界对技术主导权与社区自治边界的广泛讨论。
