22:13PolymarketMoney@PolymarketMoneyServiceNow和IBM宣布建立新合作伙伴关系,旨在帮助企业解决AI采用中的两大障碍:数据准备和遗留应用现代化。合作将聚焦于让数据更易于AI使用,并更新旧有应用层,以支持企业级AI的规模化部署。这一举措有望加速AI在企业中的实际落地,特别是那些面临复杂数据环境和老旧系统的组织。行业企业AI数据准备遗留应用现代化ServiceNowIBM推荐理由:企业AI落地的两大痛点被精准锁定——数据混乱和遗留系统,做数字化转型的团队值得关注这个合作方案。原文
16:27Pandaily@contact@pandaily.com (Pandaily)精选由曹庆教授领导的伊利诺伊大学团队演示了一种单片3D集成技术,可在低温下堆叠晶体管层,良率接近100%。该技术获得了IBM、Intel和TSMC的支持。此突破有望重塑半导体路线图,降低芯片制造成本并提升性能。行业3D集成芯片堆叠伊利诺伊大学IBMTSMC英特尔2 个信源在谈推荐理由:芯片堆叠新技术来了原文
13:43Gary Marcus@GaryMarcusIBM CEO Arvind Krishna 表示 AI 并非泡沫,但估计行业需要 6 到 8 万亿美元的总资本支出用于数据中心和芯片建设。要在七年内收回这些投资,公司每年需要新增 1 到 2 万亿美元的收入,而 Krishna 认为这笔收入可能不存在。他还预测只有两到三家公司能成功构建领先的 AI 模型,其他公司只是在为一场多数人会输的竞赛花钱。评论指出,Krishna 作为 AI 基础设施服务商 IBM 的 CEO,其质疑比普通怀疑者更有分量。谷歌刚通过股权融资 800 亿美元,Oracle 裁员 3 万人以转投资本支出,而 Anthropic 提交上市申请的同一天 GitHub Copilot 的 token 计费崩溃、用户流失。行业AI 投资资本支出IBM行业泡沫数据中心10 个信源在谈推荐理由:IBM CEO 亲自点破 AI 投资回报的数学难题,做 AI 基础设施或模型投资的团队值得细读——连卖铲子的人都说钱可能回不来。原文
22:33Hugging Face: Blog(博客/媒体)精选IBM研究指出,当前企业AI采用率低的关键原因在于过度关注大型语言模型(LLM)本身,而忽视了智能体逻辑(Agent Logic)的重要性。智能体逻辑包括任务分解、工具调用、状态管理和错误处理等结构化流程,这些才是实现可靠、可扩展企业AI应用的核心。文章提出,企业应构建基于智能体逻辑的架构,而非单纯追求更强大的LLM,以实现AI的规模化落地。行业企业AI智能体逻辑LLMAI架构IBM推荐理由:企业AI团队常陷入“换更大模型”的误区,IBM这篇分析点出了真正瓶颈——智能体逻辑。做企业AI落地的架构师和决策者值得一读,能帮你重新思考技术选型方向。原文
10:36@hebbia@hebbia联邦资金正在放大现有的量子计算建设,IBM持续的研发投入现在得到了华盛顿的支持。这一举措将加速量子计算技术的商业化进程,IBM作为行业领导者将受益于政策与资金的双重推动。量子计算在药物研发、材料科学等领域的应用前景更加明朗。行业量子计算IBM联邦资金研发投入行业政策推荐理由:量子计算赛道迎来政策与资金双重利好,IBM的研发投入获得联邦背书,关注量子计算进展的投资者和科技从业者值得一看。原文
02:42Hugging Face: Blog(博客/媒体)IBM与Artificial Analysis联合推出ITBench-AA,这是首个针对企业IT运维场景的智能体基准测试。测试涵盖事件响应、故障排查等真实任务,结果显示包括GPT-4、Claude在内的前沿模型平均得分低于50%。该基准揭示了当前AI智能体在处理复杂企业IT流程时的能力短板,为行业提供了可量化的评估标准。AI模型智能体企业IT基准测试IBM运维自动化推荐理由:企业IT团队终于有了衡量AI智能体真实能力的标尺——前沿模型都不到50分,说明自动化运维还有很大提升空间,做IT运维或AI落地的建议点开看看差距在哪。原文
22:29Hugging Face: Blog(博客/媒体)精选76°IBM Research 在 Hugging Face 上推出了 Open Agent Leaderboard,这是一个用于评估 AI 智能体性能的公开排行榜。该排行榜通过一系列标准化任务测试智能体的规划、工具使用和推理能力,旨在为开发者提供可复现的基准。目前已有多个主流模型参与评测,包括 GPT-4、Claude 等。这一举措有助于推动智能体领域的透明化和标准化,让开发者能更直观地比较不同智能体的实际表现。行业智能体排行榜IBMHugging Face评估基准推荐理由:智能体评估一直缺乏统一标准,IBM 这个排行榜让开发者能直接对比不同模型的规划与工具使用能力,做智能体应用的团队值得关注。原文
19:12arXiv cs.LG@Ariel Gera, Shir Ashury-Tahan, Gal Bloch, Ohad Eytan, Assaf Toledo精选IBM研究团队提出一种LLM引导的查询精调范式,通过生成式LLM对少量文档的反馈,实时优化用户查询的嵌入表示,从而扩展嵌入模型在零样本搜索和分类任务中的适用性。实验表明,该方法在文献搜索、意图检测、关键点匹配等任务上带来最高25%的相对提升,且能改善排序质量和类别分离度。该方案让嵌入模型在无法大规模使用LLM的场景下成为有竞争力的替代方案,代码已开源。论文零样本搜索嵌入模型LLM引导查询精调IBM推荐理由:零样本搜索和分类是信息检索的硬骨头,IBM用LLM引导查询精调把嵌入模型性能拉高25%,做搜索/分类的团队可以直接拿开源代码试试,成本比全量LLM推理低得多。原文