微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动机器人操作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU 可提升任务表现。
推荐理由：微软研究院系统测量了机器人端侧 GPU 推理的瓶颈，并给出可复用的 Kubernetes 卸载工具链，读者可据此判断物理 AI 的部署取舍。
全部 AI 动态
Microsoft Research精选AI 评分6262 Google DeepMind精选AI 评分6262 Google DeepMind 为 Private AI Compute 引入安全服务端持久记忆
Google Private AI Compute 团队公布为 Private AI Compute 平台引入私有服务端记忆的技术方案，让 AI 助手在跨设备场景下持久保留上下文，同时维持端侧级别的隐私标准。
推荐理由：Google 公布 Private AI Compute 的持久化服务端记忆方案，读者可了解云端 AI 如何在保留上下文的同时维持端侧级隐私。
Google DeepMind精选AI 评分6969 Google DeepMind 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音生成模型，前者面向角色设计与逐行表演指导，后者面向高并发、低成本的配音与语音智能体。
推荐理由：官方给出两款 TTS 模型的语音设计、逐行导演能力与基准排名，可据此判断语音生成在配音和播客场景的可用度。
Microsoft ResearchAI 评分5050 微软开源逆合成模型 RetroChimera，成果登上 Nature
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与基于 GNN 的 NeuralLoc，通过学习式重排序整合两者互补预测，在十项挑战性靶标的多步合成路线评测中成功 9 项，优于 de novo 模型的 5 项、编辑模型的 4 项和 NeuralSym 的 2 项。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 已死、Skills 杀死 MCP？
GitHub Podcast 最新一期拆解了五个 AI 开发热梗：AI 生成的代码仍需阅读和负责，但审查力度应随风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是智能体连接工具与数据的标准，二者可组合使用；RAG 并未消亡，检索能为模型提供训练数据外的上下文，减少 token 浪费并降低答案不完整的概率。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemini 3.8 Live 与 3.8 Live Extended Thinking
Google DeepMind 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时对话模型，前者面向规模化与成本效率，后者面向高复杂度任务与多步推理。
推荐理由：官方给出两款语音模型的定位差异与多项语音基准成绩，可据此判断实时语音智能体的能力边界。
Google DeepMind精选AI 评分7878 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组全部 90 亿个单字母变异预测
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 倍以上，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 向学术研究免费开放。
推荐理由：原文给出 9 亿单核苷酸变异预测的规模与免费学术入口，读者可据此判断基因组解读门槛的变化。
Microsoft ResearchAI 评分4242 微软推出 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向群体级发现
微软研究院发布 GigaPath-Flash 与 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley AI Research 与 IBM Research 基于 K-Search 演化式内核搜索框架，为 Apple Silicon 的 MLX 构建后端和结构化 CUDA-to-MLX 翻译层，让现有 CUDA 内核作为知识库被改写为 MLX 内核。
推荐理由：原文给出 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可看跨平台内核知识迁移的具体做法。
Berkeley AI ResearchAI 评分3434 伯克利提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，用受自编码器启发的重建式信念评分（belief grading）作为辅助 RL 任务。在 CollabBench 协作编程任务上，ABBEL-rec-BG 将全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也明显低于全上下文设置。
Berkeley AI ResearchAI 评分3232 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分低于 $0.10，数据系统需应对三大新挑战：为智能体服务、由智能体运行、由智能体合成。其中智能体查询会产生大量重复子计划，文本到 SQL 基准中仅 10-20% 子计划不同，80-90% 属重复工作。
Berkeley AI ResearchAI 评分1212 2026 届 BAIR 博士毕业生展示：从机器人到 LLM 推理的 AI 研究全景
伯克利人工智能研究实验室（BAIR）展示 2026 届博士毕业生，其研究覆盖机器人、具身智能、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for Science 等方向。
Berkeley AI ResearchAI 评分3434 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队梳理了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild! Inference 的并行结构多由外部设定，未教会模型自适应行为。
Berkeley AI ResearchAI 评分3232 GRASP：面向世界模型的更长视野梯度规划方法
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、直接向状态迭代加入随机性以探索，并重塑梯度让动作获得清晰信号，从而让基于学习动力学（世界模型）的长视野规划变得可行。该方法针对长视野下梯度爆炸/消失、非贪心结构导致的局部极小值以及高维视觉模型中的脆弱梯度问题。
Berkeley AI ResearchAI 评分2828 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别影响 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约少 10 倍的消融次数达到 SPEX 的性能。
Berkeley AI ResearchAI 评分3030 伯克利提出信息驱动成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化信息量，无需任务专用解码器。该方法在彩色摄影、射电天文、无镜头成像和显微镜四个领域验证，信息估计能预测解码器性能，优化后的设计达到 SOTA 端到端方法水平，且内存和算力需求更低。相关论文发表于 NeurIPS 2025。