此案核心争议是两家公司价值约200亿美元（约合人民币1447亿元）/年的协议，该协议让谷歌搜索成为苹果浏览器默认搜索引擎。此案可能迫 使科技巨头解除合作，颠覆iPhone等设备长期以来的运作方式。 01.Safari搜索量首次下滑，AI抢夺传统搜索引擎"蛋糕" 自2007年初代iPhone发布以来，苹果用户始终通过谷歌进行网页搜索，而如今消费者将进入由多家公司AI主导的新时代。 苹果和谷歌要"分手"？ 智东西5月8日消息，据知名苹果爆料人、彭博社记者马克·古尔曼（Mark Gurman）最新报道，苹果公司正在"积极考虑"彻底改造其设备上的 Safari网络浏览器，将重点转向AI驱动的搜索引擎。 苹果与谷歌持续二十年战略合作关系似乎出现"裂痕"，重大行业变革被按下"加速键"。 本周三，苹果互联网软件和服务部门高级副总裁埃迪·库（Eddy Cue）在美国司法部起诉谷歌母公司Alphabet的案件中作证时披露了这一信息。 埃迪·库提到，Safari搜索量上月首次下滑。他认为这是因为AI工具吸引了部分用户的视线，包括OpenAI、Perplexity AI和Anthropic在内的AI搜 索提供商终将取代Alphab ...

医疗大模型知识覆盖度首次被精准量化！ 在医疗领域，大语言模型（LLM）的潜力令人振奋，但其知识储备是否足够可靠？腾讯优图实验室天衍研究中心的最新研究给出了答案。 他们提出的 MedKGEval框架 ，首次通过医疗知识图谱（KG）的多层级评估，系统揭示了GPT-4o等主流模型的医学知识覆盖度。 该研究已被WWW 2025会议Web4Good Track录用为口头报告（oral）。目前，WWW 2025正在悉尼举行，会议时间从4月28日持续至5月2 日。 MedKGEval团队 投稿 量子位 | 公众号 QbitAI 背景 大语言模型（LLM）在医疗领域的快速发展凸显了其知识存储与处理的潜力，但其临床部署前的可靠性验证亟需更系统化的评估框架。 当前主流的Prompt-CBLUE、Medbench和MedJourney等评估体系虽通过医学问答基准测试LLM的任务执行能力，却存在三个明显的局限： 1）其长尾数据分布导致罕见病症覆盖不足，评测结果存在偏差； 2）任务导向的设计聚焦疾病预测、用药咨询等单一场景，难以量化模型内在医学知识储量； 3）传统问答形式局限于表面对错判断，无法捕捉医学概念间的复杂拓扑关联。 为解决这 ...

Core Insights - The integration of "cockpit and driving" is a hot topic in the automotive industry, reflecting a shift from a driver-centric model to a user experience-centered intelligent model [2] - Achieving seamless collaboration between driving and cockpit functions is a critical challenge for automakers [2] Group 1: Industry Trends - The traditional automotive control systems face issues such as clear functional module segregation and difficulties in cross-domain collaboration, leading to a disjointed user experience [2] - The introduction of AI technologies, particularly large language models (LLMs), is gradually improving the situation by enabling better coordination between driving and cockpit domains [2][3] Group 2: Engineering Challenges - "Cockpit and driving" integration requires systematic reconstruction and deep innovation of underlying architecture, data fusion, user interaction logic, and safety mechanisms [3] - The central intelligent brain must possess strong spatial understanding capabilities to analyze multi-dimensional data and make real-time decisions while ensuring user experience and driving safety [3] Group 3: Commercialization Issues - The automotive industry faces significant challenges in achieving true "cockpit and driving" integration, with many companies over-marketing the concept and neglecting the complexities and technological maturity required for practical use [4] - Many so-called "cockpit and driving" functions are still in the technical validation or initial application stages, failing to meet the requirements for seamless collaboration and safety [4] Group 4: User-Centric Focus - The ultimate goal of "cockpit and driving" integration should be to create real value for users, moving from functional stacking to experiential integration to enhance user satisfaction and travel safety [4]

Group 1: Industry Overview - The humanoid robot industry has made rapid progress this year, with significant public interest sparked by events such as the Spring Festival Gala and the first humanoid robot half marathon [1] - Key technologies driving advancements in humanoid robots include large language models (LLM), visual language models (VLM), and visual language action end-to-end models (VLA), which enhance interaction perception and generalization capabilities [1][3] - Despite advancements, challenges remain in data collection, robot morphology applications, and the integration of large and small brain systems [1][3] Group 2: Data Challenges - The industry faces a bottleneck in data scarcity, particularly in acquiring 3D data necessary for training robots to perform tasks in physical environments [3][4] - Traditional data collection methods are costly and time-consuming, with companies like Zhiyuan Robotics employing extensive human resources for data gathering [4] - The introduction of 3D generative AI for Sim2Real simulation is seen as a potential solution to meet the high demand for generalizable data in embodied intelligence [4] Group 3: Technological Evolution - The evolution of robots has progressed through three stages: industrial automation, large models, and end-to-end large models, each serving different application needs [6] - End-to-end models integrate multimodal inputs and outputs, improving decision-making efficiency and enhancing humanoid robot capabilities [6][7] - Experts emphasize that humanoid robots are not synonymous with embodied intelligence, but they represent significant demand and challenges for the technology [7] Group 4: Brain Integration Solutions - The integration of large and small brain systems is a focus area, with companies like Intel and Dongtu Technology proposing solutions to reduce costs and improve software development efficiency [9][10] - Challenges in achieving brain integration include ensuring real-time performance and managing dynamic computational loads during robot operation [10][11] - The market is pushing for a convergence of technologies, requiring robots to perform tasks in various scenarios while maintaining flexibility and intelligent interaction capabilities [12]

（You don't need to be a data scientist or a machine learning engineer – everyone can write a prompt.） 作者 | 王启隆 出品 | CSDN（ID：CSDNnews） 最近，Google 官方发布了一份长达 69 页的 【Prompt Engineering 白皮书】 ，可以说是目前最系统、最权威的"AI 沟通指南"了。我们也是第一时 间翻译好了这本书，准备 【免费】 送给大家！ 怎么拿？很简单， 看完这篇文章，参与文末的小活动就行！ 现在咱们聊聊，为啥这份白皮书突然就刷屏了？为啥说它是"必学秘籍"？ 你不必是数据科学家或机器学习工程师——人人都可以编写提示词。 你苦口婆心解释半天，它抓着一个无关紧要的词就开始自由发挥…… 你想要个 A，它自信满满地给你个 B，还附赠一套又臭又长、看似完美的错误逻辑…… 同一个问题，昨天它懂你，今天它就装傻，效果全看"缘分"…… Google 这份白皮书，不是某个博主的心得体会，不是零散的技巧合集，而是 Google 官方基于对大语言模型（LLM）的深刻理解，系统性梳理出来的 ...

吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院 助理教授，他曾经在 OpenAI 工作过，算是国内最早研究强化学习的人之一，我们今天就争取一 起把 RL 这个话题给大家聊透。 首先吴翼能不能简单解释一下，到底什么是 RL？ 传统机器学习的本质是记住大量标注过正确答案的数据对。 举个例子，如果你想让机器学习能分辨一张图片是猫还是狗，就要先收集 10000 张猫的照片和 10000 张狗的照片，并且给每一张都做好标注，让模型背下来。 上一波人工智能四小龙的浪潮其实都以这套框架为基础，主要应用就是人脸识别、指纹识别、图 像识别等分类问题。 这类问题有两个特点，一是单一步骤，比如只要完成图片分辨就结束了；二是有明确的标准答 案。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏，发球、接球、回 球，每一个动作都是非标的，而且不同的选择会直接影响最终的结果。 第二，赢得一场游戏的方式可能有上万种，并没有唯一的标准答 ...

曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院助理教 授，他曾经在 OpenAI 工作过，算是国内最早研究强化学习的人之一，我们今天就争取一起把 RL 这个话题 给大家聊透。 举个例子，如果你想让机器学习能分辨一张图片是猫还是狗，就要先收集 10000 张猫的照片和 10000 张狗 的照片，并且给每一张都做好标注，让模型背下来。 首先吴翼能不能简单解释一下，到底什么是 RL？ 上一波人工智能四小龙的浪潮其实都以这套框架为基础，主要应用就是人脸识别、指纹识别、图像识别等 分类问题。 吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 传统机器学习的本质是记住大量标注过正确答案的数据对。 所以我觉得人生有一个很好玩的地方是，你需要花很多时间先探索自己的奖励函数是什么，很多人可能努 力了很长时间，最后却发现找错了奖励函数。 这类问题有两个特点，一是单一步骤，比如只要完成图片分辨就结束了；二是有明确的标准答案。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏， ...

曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院助理教授，他曾经在 OpenAI 工作过，算是国内最早研究强化学 习的人之一，我们今天就争取一起把 RL 这个话题给大家聊透。 首先吴翼能不能简单解释一下，到底什么是 RL？ 因此，RL 其实更通用一些，它的逻辑和我们在真实生活中解决问题的逻辑非常接近。比如我要去美国出差，只要最后能顺利往返，中间怎么去机场、选什么航 司、具体坐哪个航班都是开放的。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏，发球、接球、回球，每一个动作都是非标的，而且不同的选择会直接影响最终的结 果。 第二，赢得一场游戏的方式可能有上万种，并没有唯一的标准答案。 所以 RL 是一套用于解决多步决策问题的算法框架。它要解决的问题没有标准答案，每一步的具体决策也不受约束，但当完成所有决策后，会有一个反馈机制来评 判它最终做得好还是不好。 吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 传统机器学习的本质是记住大量标注过正确答案的数据对。 ...

责编 | 王启隆 出品丨AI 科技大本营（ID：rgznai100） 黄教主的演讲 感觉才没过几天，今年的 GTC 英伟达大会也即将迎来尾声了。 而今年比尔·达利则是对话"AI 教父" 杨立昆 （Yann LeCun），很有前后呼应的感觉。 但 GTC 并不只有黄仁勋和杨立昆，还有许多精彩的演讲与对话，比方说： ………… 接下来的一段时间， CSDN AI 科技大本营 将会在「 GTC 2025 大师谈 」栏目持续更新这些精华内容的全文整理，尽情期待。 比尔·达利 自己就在采访杨立昆之后进行了一场 演讲 ，系统性地讲解了英伟达 2024 一整年的四大项目进展，内容干货很多； OpenAI o1 作者 诺姆·布朗 （Noam Brown）和英伟达的 AI 科学家来了一场 对话 ，他认为现在 AI 圈最需要来一场革命的，就是这些五花八 门的 基准测试 （Benchmark），而且改这个东西还不需要花太多算力资源； 2018 年诺贝尔化学奖得主 弗朗西斯·阿诺德 （Frances Arnold）围绕 AI for Sciense 还有蛋白质工程进行了一场相当硬核的 圆桌对话 ； UC 伯克利教授 彼得·阿比尔 （P ...

Rick Cui / 客户服务总监 电话: +86 13801127537 邮箱:rick@counterpointresearch.com 媒体采访 Haylee Xu / 市场专员 电话: +86 15959754429 邮箱:haylee.xu@counterpointresearch.com 对于 GenAI 的解决方案而言，诸如带宽和容量之类的优势固然重要，但功耗、占用面积和价格等成 本因素也需要加以考量。由于存储器是一种依赖于中央处理器（CPU）的被动组件，其配置会根据 处理器而做出改变。在这方面， ARM 近期的战略调整以及基于 MoE 的大语言模型（LLM）可能出 现的变化，都可能会导致未来架构和解决方案发生改变。 数据来源：Source: Counterpoint Research 点击阅读原文下载完整版 PDF 报告 业务咨询 ...