《深圳市加快推进人工智能终端产业发展行动计划（2025—2026年）》发布。计划提出提升AI终端基础软硬件水平，鼓励优化操作系统功能架构，支持AI终端芯片核心技术攻关以提高计算效率。同时，鼓励发展下一代显示技术，增强产品形态和交互体验，并支持多模态智能传感器研究，扩展感知和交互能力。该计划旨在推动深圳在2025至2026年间的人工智能终端产业快速发展。

何恺明团队提出分形生成模型，将计算效率提高4000倍，首次实现高分辨率逐像素图像生成。他们将生成模型抽象为“原子模块”，通过递归调用这些模块构建自相似分形架构。该模型受数学分形思想启发，使用参数化神经网络作为分形生成器，从数据中学习递归法则，适用于材料、蛋白质等领域。 在逐像素图像生成任务中，该模型...

微软CEO萨提亚·纳德拉在世界经济论坛上高度评价了中国科技公司DeepSeek的新模型，称其在开源模型开发及推理计算方面的效率令人印象深刻。DeepSeek-R1近期跻身大模型竞技榜前三，其开源版本比ChatGPT-4o便宜20倍。1月20日，DeepSeek-R1正式发布，该模型在数学、代码、自然语言推理等任务上性能卓越，可媲美OpenAI o1正式版。此外，DeepSeek应用已登顶苹果中国和美国地区应用商店免费App下载排行榜，超越ChatGPT。

TTT模型可能引领生成式AI新潮流。当前的Transformer架构，如Sora、Claude和GPT-4等，面临计算效率和资源消耗的问题。斯坦福等大学的研究团队开发出TTT，它在处理更多数据时更节能。不同于Transformer的隐藏状态，TTT采用机器学习模型，将数据编码为固定大小的权重，从而避免了重复计算。TTT有潜力处理海量数据，如长视频，且性能不受数据量影响。尽管如此，TTT是否能取代Transformer尚不确定，因其目前仅在小型模型上测试，大型模型的对比还需更多实证。TTT被视作一项创新，但其优势还需更多数据支持和实际应用验证。