架构创新相关 AI 资讯 · AI 热点

7月23日

15:46

15:46

量子位@田, 晏林

中国团队提出的1B参数模型在具身智能榜单上超越此前领先的π0（7B参数），以更小的参数量取得更高分数。该模型采用全新架构，在机器人操作任务的成功率上比π0提升约15个百分点。这一结果验证了架构创新对具身智能的推动作用，而非单纯依赖参数规模。

AI模型 π0 1B参数模型具身智能

推荐理由：中国团队用1B的小模型打败了7B的π0，证明了架构比参数更重要，搞具身智能的不能错过。

7月13日

20:10

20:10IT之家（博客/媒体）

72°

我国首颗采用软件定义与三维近存计算技术的 AI 芯片于7月13日在上海亮相，基于14纳米制程实现每秒520万亿次浮点运算算力。通过三维垂直堆叠将计算与存储单元集成，访存带宽达每秒6.4TB，显著缓解“存储墙”瓶颈。该芯片配套全栈软件工具链，兼容主流深度学习框架，已形成从加速卡到智算集群的完整产品体系，可支撑大模型训练与推理。此举摆脱对先进制程的依赖，供应链更稳定可控，与英伟达H100约2TB/s的带宽相比，架构创新效果突出。

AI产品 AI芯片软件定义芯片三维近存计算

推荐理由：国产芯片用14纳米干出520万亿次浮点运算，还靠三维近存把带宽干到6.4TB/s，比H100还猛，不走制程拼架构这条路值得关注。

6月12日

02:20

02:20

官方账号Perplexity@perplexity_ai

精选

Perplexity AI 宣布其 Deep Research 功能基于全新的 Search as Code 架构构建。该架构让模型能够编写代码来动态组装搜索过程，针对每个问题并行运行数千个检索步骤。在各项基准测试中，该系统的表现均超越了传统的深度研究方法。这一进展意味着 AI 搜索可以更高效、更精准地处理复杂研究任务。

AI产品 Perplexity Deep Research Search as Code

推荐理由：Perplexity 用代码驱动搜索的方式解决了传统深度研究效率低、泛化差的问题，做信息检索或研究分析的团队值得关注这一新范式。

6月4日

11:22

11:22

官方账号arXiv cs.LG@Jose E. Escrig Molina, Baoquan Chen, Daniel Probst

精选

Graph Set Transformer (GST) 是一种专为图集（sets of graphs）学习设计的新型神经网络架构，解决了现有方法需先用GNN编码图嵌入、导致特征提取与集合上下文建模分离的瓶颈。GST在每一层交错进行节点级特征传播和图间上下文建模，并通过门控机制融合两类信息。在合成数据集和三个真实基准（原子反应中心识别、反应产率预测、图像分类）上，GST在相同参数量下优于DeepSets、SetTransformer等基线。消融实验表明，局部与集合上下文的交错融合是性能提升的关键。

论文图神经网络集合学习 Graph Set Transformer

推荐理由：做图神经网络或集合学习的研究者，GST解决了图集任务中局部与全局信息割裂的痛点，代码已开源，值得复现对比。

5月16日

23:25

23:25

Gary Marcus@GaryMarcus

Gary Marcus 引用 Noam Brown 的观点，认为当前 AI 模型的智能是推理计算的函数，但指出人类大脑仅用 20 瓦就能实现高度智能。他提醒，长期来看，新架构创新可能与原始算力同等甚至更重要。Noam Brown 则强调，自 2024 年起，比较模型不应只看单一指标，而应关注每 token 或每美元的智能产出，尤其在 Codex 等产品中。

行业推理计算架构创新智能效率

推荐理由：AI 从业者常陷入算力竞赛的思维定式，Marcus 的提醒点出了架构创新的长期价值，做模型选型和研发的团队值得一读。