> 科技巨头在通用人工智能领域的人才虹吸效应持续加剧。微软通过吸纳非营利机构的顶尖开源团队，正加速构建安全可控的底层技术栈，意图在算力竞赛中摆脱对单一合作伙伴的路径依赖。

## 开源领军人物的集体转场

微软在冲刺通用人工智能（AGI）终局领域的战略野心正从幕后走向台前。近日微软完成了一次震动硅谷的重量级人才招募，成功从全球著名的艾伦人工智能研究院（Ai2）以及华盛顿大学挖走了一支极具影响力的科研战队。这支由前Ai2首席执行官阿里·法哈迪亲自领衔的顶尖学者阵容，将整体建制加入微软最新成立的超级智能战略部门。

此次加盟的科研人员名单堪称开源人工智能界的豪华配置。核心统帅阿里·法哈迪不仅是全球计算机视觉领域的权威专家，更曾创下领导Ai2在短短一年内高效发布上百个不同规格模型的工程奇迹。团队中的开源先锋汉娜·哈吉希尔齐，作为现象级开源大语言模型OLMo的联合负责人，在模型透明度研究上享有盛誉。而多模态专家兰杰·克里希纳的加入，则为微软带来了开发Molmo等关键多模态模型的宝贵实战经验。这批学者的集体空降，不仅迅速补强了微软在基础底层模型研发上的人才短板，更重要的是，他们将Ai2长期积累的以极简算力撬动庞大参数的高效训练哲学带入了微软的工程体系。

![42.png](https://static.downly.cn/images/294f04850aa0558b76e84ac8edb7adac.png) <center>图源备注：图片由AI生成</center>

## 算力自由与战略平衡考量

微软此次不惜重金挖角背后，隐藏着极为深远的底层战略考量。尽管微软凭借早期投资与OpenAI构筑了深度的利益绑定关系，但随着大模型赛道竞争的白热化以及双方在商业客户争夺上的暗中博弈日益公开化，微软管理层正迫切需要强化纯粹的内部自研能力。

通过设立专属的超级智能科研团队，微软试图在继续维持现有外部合作伙伴关系的同时，在内部构建起一套完全属于自己的、主打安全可控与人本主义的超级智能底层系统。面对谷歌与亚马逊在底层基础设施上的步步紧逼，这支具备深厚开源底蕴且深谙模型优化之道的团队，将成为微软真正实现算力自由与技术独立的关键筹码。

## 前沿研究版图向商业巨头集中

对于艾伦人工智能研究院而言，核心骨干的流失无疑是一次沉重的打击。这一事件也冷酷地折射出当前全球AI学术界与产业界正在经历的一场结构性洗牌。

随着前沿大语言模型的训练门槛正式步入亿元俱乐部时代，传统的高校实验室与非营利性研究机构在面对科技巨头动辄数十亿美元规模的算力集群投入时，已经彻底失去了硬杠的能力。当那些渴望在极限前沿探索未知边界的研究者们，为了获取足够的GPU资源而不得不向商业巨头靠拢时，全球人工智能的基础研究版图正以前所未有的速度向少数几家寡头公司高度集中。

微软组建超级智能核心团队 顶尖开源学者加盟强化自研能力

> Google DeepMind 今日攻克计算机视觉领域的终极难题，推出全新 D4RT 模型。该技术成功将三维空间与时间维度融合，实现对动态世界的像素级精准追踪与重建，让机器视觉从“拼图”进化为“整体感知”。

## 从拼图模式到四维整体建模

长期以来，机器视觉受困于如何理解动态世界。DeepMind 发布的 D4RT（Dynamic4D Reconstruction and Tracking）打破了这一僵局，它不再依赖多个独立模型分别处理深度、动作和视角的传统“打补丁”方式，而是通过统一架构实现了维度的跨越。

D4RT 采用优雅的“查询式”架构，将复杂的视觉任务简化为一个核心逻辑 询问视频中的任意像素在特定时间、特定视角下的三维坐标。这种从底层逻辑上的重构，让 AI 不再是处理一个个切片，而是建立起了一个包含时间维度的完整四维世界模型。

![Google_AI_Studio_2026-01-24T04_40_36.929Z.png](https://static.downly.cn/images/2f0e82971cad36bed6fd78a562c63c82.png) 
<center>图源备注：图片由AI生成</center>

## 算力效率的指数级跃升

“指哪打哪”的查询机制带来了惊人的效率提升。在性能基准测试中，D4RT 的运行速度相比现有技术标杆提升了 18 至 300 倍。

以往顶级算力需要十分钟才能解析的一分钟视频，现在仅需 5 秒即可完成处理。这意味着 AI 首次具备了在现实场景中实时构建四维地图的能力，为自动驾驶、机器人导航等对时延极其敏感的领域扫清了关键障碍。

## 超越视觉的全时空感知

D4RT 的突破不仅在于快，更在于深。它展现出了令人惊叹的“脑补”能力

* **全时空追踪** 即便物体被遮挡或移出画面，模型依然能预测其在三维时空中的轨迹。
* **瞬时重建** 无需反复迭代，直接生成场景的精准 3D 结构。
* **自适应捕捉** 自动对齐不同视角，精准还原相机的运动路径。

这标志着 AI 正从单纯的“看客”进化为能够理解物理常识的观察者，为通往通用人工智能（AGI）铺平了视觉感知的基石。

![Google_AI_Studio_2026-01-24T04_40_44.928Z.png](https://static.downly.cn/images/e3e07f08d3ad06670fce8f9160c5dfe7.png)
 <center>图源备注：图片由AI生成</center>

DeepMind 发布 D4RT 模型 开启 AI 视觉四维全感知时代

> 今日AI界风起云涌，从苹果对计算机视觉初创公司的收购意向，到大型模型安全性的惊人发现，再到谷歌、微软等巨头在浏览器、深度学习领域的技术革新，以及西湖大学“AI科学家”的惊艳表现，无不预示着人工智能正以前所未有的速度渗透并重塑着我们的世界。

---

## 苹果拟收购Prompt AI，剑指智能家居安防

据最新消息，苹果公司正在与计算机视觉初创公司 Prompt AI 进行最后的收购谈判。Prompt AI 成立于2023年，其核心技术能够与家庭安防摄像头高效联动，提供高精度的识别与分析服务。此次收购若能成功，将极大增强苹果在智能家居和AI技术领域的战略布局，特别是在家庭安全方面的竞争力。

![image.png](https://static.downly.cn/images/0cb51fb390612006306a45a4ef7ca9ec.png)
<center>图源备注：图片由AI生成</center>
 

## AI安全警钟 250份“毒”文件即可“策反”大型模型

Anthropic 的一项突破性研究揭示了大型语言模型一个惊人的安全漏洞。研究发现，仅需250份经过特殊构造的“投毒”文件，就可以在大型AI模型中成功植入“后门”。更令人担忧的是，这种攻击方式的有效性与模型的大小无关，即便是参数量更大、在更干净数据集上训练的模型也同样脆弱。这一发现颠覆了以往“模型越大越安全”的普遍认知，为AI安全领域敲响了警钟。

![image.png](https://static.downly.cn/images/11fb724c8e36779aaa0f8ca696ac18f2.png)
<center>图源备注：图片由AI生成</center>
 

## MIT联手丰田推新AI工具，机器人在“虚拟厨房”中练就真本事

麻省理工学院（MIT）与丰田研究院合作，共同研发了一款名为“可引导场景生成”的创新AI工具。该工具能生成高度逼真的虚拟训练环境，如厨房、客厅等，让机器人可以在模拟场景中进行大量练习。这项技术显著提升了机器人学习和处理现实世界复杂任务的能力，为机器人技术的未来发展开辟了一条全新且高效的路径。

![image.png](https://static.downly.cn/images/cf746aae7f3c9395579443c8355fac39.png)
<center>图源备注：图片由AI生成</center>
 

## 谷歌AI月处理超1.3万亿“代币”，计算复杂度而非用户量激增

谷歌透露，其AI产品的月处理“代币”（tokens）量已激增至超过1.3万亿。然而，官方解释这一数据的飙升主要反映了模型后端计算复杂度的显著提高，而非用户使用量的直接大幅增长。这一现象背后，是AI模型日益强大的能力，同时也引发了业界对计算资源消耗和环境影响的持续关注与争议。

![image.png](https://static.downly.cn/images/2e59f5743ead317719ab9126b6b39ac9.png)
<center>图源备注：图片由AI生成</center>
 

## Chrome浏览器迎Gemini加持，“上下文任务”让网页浏览更懂你

谷歌正在为其Chrome浏览器测试一项名为“上下文任务”（Contextual Tasks）的Gemini新功能。该功能旨在深度整合Gemini AI的聊天交互能力，使其能更好地理解当前网页内容，并基于上下文智能地处理浏览任务和自动化复杂操作。目前，这项功能已在Chrome Canary测试版中进行实验，预示着未来的网页浏览体验将变得更加智能和高效。

![image.png](https://static.downly.cn/images/e1407da459ffaf75189ffc1a883158bb.png)
<center>图源备注：图片由AI生成</center>
 

## “AI科学家”诞生西湖大学，两周完成人类三年科研

西湖大学研发的AI科学家“DeepScientist”展现了惊人的科研能力。它仅用两周时间，便完成了通常需要人类科学家三年才能完成的工作量，不仅能独立生成科学想法并进行验证，还在三个前沿AI任务中刷新了人类创造的纪录。DeepScientist强大的自主科研能力，标志着AI已从辅助工具向独立的科研伙伴迈出了重要一步。

![image.png](https://static.downly.cn/images/1c7d74eb11a36e4f466fef20ab8a3db0.png)
<center>图源备注：图片由AI生成</center>
 

## 微软研究院发布Skala模型，以更低成本实现更高精度深度学习

微软研究院推出了名为Skala的全新深度学习模型。该模型通过创新的方法，在大幅提升计算效率的同时，实现了以往需要更高计算成本才能达到的精度。具体来说，Skala能够以接近meta-GGA的速度，达到混合泛函的精度，在分子体系原子化能量评估等任务中表现出极低的误差，显著优于现有方法，为科学计算领域带来了新的突破。

![image.png](https://static.downly.cn/images/0d8db767327a46f53ab31882d5c148df.png)
<center>图源备注：图片由AI生成</center>
 

## 开源工具Petri认证 Claude Sonnet 4.5登顶“最安全大模型”宝座

在Anthropic推出的开源人工智能审计工具Petri的最新评估中，Claude Sonnet 4.5在“风险任务”类别中表现最佳，被评定为目前最安全的大型语言模型（LLM）。这一评估结果为企业和开发者在选择兼顾性能与安全性的AI模型时提供了重要的参考依据。

![image.png](https://static.downly.cn/images/c881ec9fe2ce134bec809df197280e72.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1011：苹果收购风声再起，AI安全警钟长鸣，谷歌微软技术革新

> 一项名为 Chain-of-Zoom 的新技术，实现了惊人的 64 倍显微镜级图像超分辨率。

## Chain-of-Zoom 技术突破 图像超分迈向显微镜级别

在图像处理领域，如何将低分辨率图像清晰化，获取更多细节，一直是研究的热点。 近日，一项名为 Chain-of-Zoom 的新技术引起了广泛关注。 这项技术声称能够实现惊人的 64 倍图像超分辨率，达到近乎显微镜般的细节呈现，为图像分析和应用带来了新的可能性。

![image.png](https://static.downly.cn/images/20250530074404.196587006.png)

传统的图像超分辨率技术通常一次性将图像分辨率提高一个固定的倍数。 然而，Chain-of-Zoom 采用了不同寻常的策略。 从提供的参考资料来看，这项技术的关键在于其“链式放大”的方法

*   **逐级放大** 它不是一次性放大 64 倍，而是通过多步、逐级的放大过程来实现高倍率超分。
*   **中间结果优化** 在每一步放大后，都会对中间结果进行优化和细化，为下一步的放大提供更好的基础。
*   **利用上下文信息** 可能在放大过程中充分利用图像的局部和全局上下文信息，填充细节，避免失真。

这种链式处理的方式，使得 Chain-of-Zoom 能够在实现高倍率放大的同时，保持图像的清晰度和细节，避免了传统方法在高倍率下容易出现的模糊和失真问题。

## 64 倍显微镜级细节 开启全新应用场景

64 倍的超分辨率能力，意味着可以将原本模糊不清的图像细节放大到前所未有的清晰度，达到类似光学显微镜的观察效果。

![image.png](https://static.downly.cn/images/20250530074703.092969912.png)

这项技术有望在多个领域发挥重要作用，例如

*   **医疗影像分析** 提高医学影像的分辨率，帮助医生更清晰地观察细胞、组织等细节，辅助诊断。
*   **遥感图像处理** 提升卫星或无人机拍摄图像的细节，更好地进行地面目标识别和环境监测。
*   **安防监控** 清晰化监控画面中的模糊细节，提高人员或车辆的识别率。
*   **科学研究** 在材料科学、生物学等领域，对微观图像进行更深入的分析。
*   **内容创作** 修复老旧照片，提升低质量视频的清晰度。

Chain-of-Zoom 的强大能力，为这些领域带来了全新的分析和应用视角。

## 技术挑战与未来展望

实现 64 倍超分辨率并非易事，Chain-of-Zoom 技术也面临着相应的技术挑战，例如如何避免在多级放大过程中累积误差，如何处理图像中的复杂纹理和细节等。

![image.png](https://static.downly.cn/images/20250530074502.986655847.png)

然而，这项技术的突破性进展，为未来的图像超分辨率研究指明了新的方向。 随着 AI 模型和算法的不断优化，我们期待 Chain-of-Zoom 或类似的链式超分方法能够进一步完善，并在更广泛的应用中发挥更大的价值。

Chain-of-Zoom 的出现，是图像处理领域的一项重要进展，它将图像超分辨率推向了新的高度，为我们打开了观察微观世界和处理低质量图像的全新视野。




告别模糊 Chain-of-Zoom 技术让你看到图像里隐藏的 64 倍细节

> 在即将到来的计算机视觉顶会 CVPR 2025 上，一项名为 SketchVideo 的创新技术引起了广泛关注。这项技术由清华大学和北京信息科学与技术国家研究中心等机构合作研发，能够将简单的手绘线稿转化为生动的视频，标志着视频生成领域进入了一个全新的“线稿时代”。

## 告别复杂 拥抱手绘

传统的视频生成方法往往需要复杂的文本描述、详细的图像输入甚至专业的建模技能。这对于非专业用户来说门槛较高，限制了创意表达。SketchVideo 的出现，有望彻底改变这一现状。它让任何人只需用简单的线条勾勒出想法，就能轻松生成个性化的视频。

![image.png](https://static.downly.cn/images/20250519033422.119944628.png)

## SketchVideo 的核心技术

SketchVideo 之所以能够实现从手绘到视频的跨越，得益于其背后融合的多项先进技术

### 线稿理解与解释

SketchVideo 能够理解用户手绘线稿中的关键信息，包括物体的形状、位置、运动轨迹等。这需要强大的计算机视觉模型来分析和解释线稿的语义。

### 视频生成模型

在理解线稿的基础上，SketchVideo 利用先进的视频生成模型，根据线稿提供的结构和动态信息，生成具有纹理、颜色和细节的视频帧序列。

### 时序一致性控制

为了确保生成的视频流畅自然，SketchVideo 引入了时序一致性控制机制，使得视频帧之间能够平滑过渡，避免闪烁或不连贯的情况。

### 用户交互与编辑

SketchVideo 还提供了用户友好的交互界面，允许用户对手绘线稿进行修改和细化，或调整生成视频的风格和参数，以实现更精准的控制。

## 突破性进展

SketchVideo 在多个方面取得了突破性进展

### 极低的输入门槛

用户只需手绘线稿即可生成视频，极大地降低了视频创作的门槛，让创意不再受限于专业技能。

### 灵活的创意表达

手绘的自由度使得用户可以轻松表达各种天马行空的创意，而无需拘泥于预设的模板或参数。

### 高效的视频制作

相比传统的视频制作流程，SketchVideo 能够快速将想法转化为视频，大幅提高了制作效率。

### 个性化的视觉风格

用户可以通过调整手绘线稿的风格或参数，影响生成视频的最终视觉效果，实现高度个性化的表达。

## 潜在应用场景

SketchVideo 的出现，有望在多个领域产生重要影响

### 动画制作

SketchVideo 可以极大地简化动画制作流程，让动画师能够快速将草图转化为动态场景。

![image.png](https://static.downly.cn/images/20250519033551.260717497.png)

### 故事板与预演

电影、广告等行业的创意人员可以利用 SketchVideo 快速生成故事板或进行视觉预演，更好地呈现创意。

### 教育与演示

教师和讲师可以利用 SketchVideo 轻松创建动态演示文稿或教学视频，提高教学效果。

### 个性化内容创作

普通用户可以利用 SketchVideo 创作独具风格的个性化短视频，用于社交媒体分享或创意表达。

## 结论与展望

SketchVideo 的发布标志着视频生成技术向着更自由、更便捷的方向迈出了重要一步。它将手绘的直观性和创造性与先进的 AI 技术相结合，为用户提供了一种全新的视频创作方式。随着技术的不断发展和完善，SketchVideo 有望在未来的创意产业、教育领域和个人内容创作中发挥越来越重要的作用。我们期待在 CVPR 2025 上看到更多关于 SketchVideo 的精彩展示和深入探讨。

CVPR 2025 亮点 SketchVideo 掀起手绘视频生成新浪潮

> 华为研究所近日发布了一项名为 Selftok 的创新技术，全称为“自一致性分词器”（Discrete Visual Tokens of Autoregression, by Diffusion, and for Reasoning）。这项技术旨在解决视觉模型在离散表征和推理能力上的挑战，有望为未来的图像生成、理解和推理模型带来新的突破。

## 什么是 Selftok

Selftok 是一种新型的视觉分词器，它致力于生成具有自一致性的离散视觉 token。传统的视觉分词方法往往会产生不连贯或不一致的 token，这会影响下游任务的性能。Selftok 通过整合自回归、扩散模型和推理能力，旨在生成更稳定、更具语义意义的离散视觉表征。

## Selftok 的核心技术

Selftok 的核心优势在于其独特的技术架构，它融合了多种先进的 AI 技术

### 自回归特性

Selftok 利用自回归的方式生成视觉 token，这意味着每个 token 的生成都依赖于之前生成的 token。这种特性有助于确保生成的序列具有一定的连贯性和上下文依赖性。

### 扩散模型集成

Selftok 结合了扩散模型的思想，通过逐步去噪的过程来生成高质量的视觉 token。扩散模型在图像生成领域取得了巨大成功，将其应用于视觉分词有助于提高 token 的质量和多样性。

![image.png](https://static.downly.cn/images/20250519031124.448196257.png)

### 增强推理能力

Selftok 在设计中考虑了对下游推理任务的支持。通过生成更具语义意义的离散 token，Selftok 有望提升视觉模型在图像问答、视觉推理等任务上的表现。


### Token 不一致性

许多现有的视觉分词方法生成的 token 缺乏全局一致性，导致在重构或下游任务中出现伪影或语义偏差。Selftok 通过其自一致性设计解决了这一问题。

### 低质量离散表征

生成高质量的离散视觉 token 一直是一个挑战。Selftok 通过整合扩散模型等技术，旨在生成更具代表性和信息量的离散表征。

### 有限的推理能力

传统的视觉分词方法生成的 token 往往不利于复杂的视觉推理。Selftok 通过生成更具语义意义的 token，为提升视觉模型的推理能力奠定了基础。

### 高质量图像生成

通过生成更稳定的离散视觉 token，Selftok 可以为自回归图像生成模型提供更好的输入，从而生成更逼真、更高质量的图像。

![image.png](https://static.downly.cn/images/20250519031258.971294402.png)

### 提升视觉理解与推理

Selftok 生成的自一致性 token 有助于视觉模型更好地理解图像内容并进行复杂的推理，例如在视觉问答、图像标注等任务中。

### 高效的视觉压缩

离散视觉 token 天然地适合用于图像压缩。Selftok 生成的高质量 token 有望实现更高效和无损的视觉信息压缩。

## 结论与展望

华为研究所发布的 Selftok 技术是视觉分词领域的一项重要进展。通过融合自回归、扩散模型和增强推理能力，Selftok 致力于生成自一致性的离散视觉 token，解决了现有方法的一些关键痛点。这项技术有望为未来的图像生成、理解和推理模型带来新的突破，值得业界持续关注。随着研究的深入，我们期待 Selftok 在实际应用中展现出更强大的潜力。

华为研究所发布自一致性视觉分词器 Selftok



> 在快速发展的计算机视觉领域，视觉编码器作为理解和表示图像的关键组件，其性能直接影响着各种下游任务的效果。OpenAI 的 CLIP 和 Google 的 SigLIP 等模型在这方面取得了显著成就，但它们通常不是完全开源的，这限制了研究者和开发者的自由使用和改进。最近，一个名为 OpenVision 的全新完全开源视觉编码器横空出世，目标是提供一个高性能且可自由使用的替代方案，甚至在某些方面超越现有的领先模型。



## 视觉编码器-理解图像的关键

视觉编码器是一种能够将图像转换为计算机可以理解的数字表示（通常是向量或嵌入）的模型。这些表示捕捉了图像中的语义信息、对象、场景以及它们之间的关系。高质量的视觉编码器能够生成更具判别性和泛化能力的图像表示，从而提升图像分类、目标检测、图像搜索、跨模态检索（例如文搜图、图搜文）等各种计算机视觉任务的性能。

CLIP 和 SigLIP 之所以备受关注，是因为它们采用了对比学习的方法，在海量的图文对数据上进行训练，使得它们不仅能理解图像本身，还能建立图像与文本之间的关联。这赋予了它们强大的零样本（zero-shot）和少样本（few-shot）学习能力，极大地扩展了视觉模型的应用范围。



![image.png](https://static.downly.cn/images/20250514070234.384781003.png)



## OpenVision 的目标-开源与超越

OpenVision 的出现，正是为了在提供完全开源自由度的基础上，挑战甚至超越 CLIP 和 SigLIP 在性能上的领先地位。作为完全开源的项目，OpenVision 允许任何人下载、修改和使用其代码和模型权重，这极大地降低了研究和开发的门槛，有利于社区的共同贡献和快速迭代。

OpenVision 的开发者们可能采用了以下策略来提升性能：

*   **改进模型架构-** 探索更先进或更适合大规模对比学习的神经网络结构。
*   **优化训练数据和方法-** 使用更大、更丰富的数据集，或采用更高效的训练算法。
*   **专注于开放性-** 通过提供完全开源的实现，吸引更多研究者参与改进，形成良性循环。



![image.png](https://static.downly.cn/images/20250514070305.273396141.png)



## 性能挑战与潜在影响

根据参考文章的描述，OpenVision 在某些特定的评测任务上可能已经展现出优于 CLIP 或 SigLIP 的潜力。如果在更广泛、更具代表性的基准测试中也能持续保持领先或与其相当的性能，OpenVision 无疑将成为视觉编码领域的一个重要玩家。

OpenVision 的完全开源特性，对于推动整个 AI 社区的发展具有重要意义：

*   **降低研究成本-** 研究人员可以免费使用高性能的视觉编码器，加速各种视觉任务的研究。
*   **促进技术创新-** 开源代码库将吸引更多开发者参与改进，推动视觉编码技术的快速发展。
*   **赋能更多应用-** 企业和个人可以基于 OpenVision 构建自己的视觉应用，无需担心授权问题。







## 前景与挑战

OpenVision 的出现令人振奋，但要真正挑战 CLIP 和 SigLIP 的地位，还需要时间和社区的共同努力。维持高性能、吸引开发者社区贡献、持续更新和维护，都是 OpenVision 需要面对的挑战。

尽管如此，OpenVision 作为一款完全开源的高性能视觉编码器，其潜力不容小觑。它为计算机视觉领域提供了一个重要的选择，有望加速相关技术的普及和创新，让更多人能够受益于先进的图像理解能力。OpenVision 的未来表现，值得我们持续关注。


搜索结果: 计算机视觉