12月14日，德国研究团队发布全球最精细建筑3D地图——“全球建筑图谱”。该数据库覆盖地球97%的建筑物，描绘超27.5亿座人造结构，利用卫星影像和深度学习技术实现3米×3米分辨率，并可定期更新。数据显示，亚洲建筑占全球总量一半，约12.2亿座，总体积达12.7万亿立方米，反映快速城市化进程；非洲位列第二，建筑数量5.4亿座，但总体积仅1170亿立方米，多为低层建筑。数据库可用于分析人口密度与经济发展的关联，为城市化研究提供新工具，填补了许多地区城市扩张数据的空白，受到学界广泛欢迎。

2025年12月9日，斯坦福大学研究人员在国际空间站（ISS）成功演示了一种基于机器学习的机器人导航系统，使小型机器人Astrobee能够自主穿越空间站狭窄通道，无需宇航员操控。该系统通过序列凸规划优化路径，并利用AI模型提供“热启动”初始猜测，将导航速度提升50%-60%。研究已在2025年国际空间机器人大会发表，技术被NASA评定为TRL 5级，表明其具备实际运行能力。团队计划进一步升级AI模型，以增强机器人在深空任务中的自主决策能力，为未来低成本、高频率太空探索奠定基础。

2025年10月11日，Thinking Machines发布论文《LoRA Without Regret》，探讨低秩适配（LoRA）在特定条件下媲美全参数微调（FullFT）的性能。研究表明，当LoRA应用于网络所有层（尤其是MLP/MoE层）且训练参数量充足时，其表现与FullFT相当。实验发现，LoRA的学习率通常是FullFT的10倍，大批量训练下容忍度较低。此外，在强化学习场景中，即使低秩LoRA也能达到FullFT的效果。研究基于Tulu3、OpenThoughts3及MATH等数据集，覆盖监督学习和策略梯度算法。此成果推动LoRA在定制化场景中的应用，同时为机器学习优化提供新视角。

芬兰阿尔托大学研究人员日前开发出一种名为“survivalFM”的新型人工智能工具，可更精准预测个体罹患心血管疾病、糖尿病或肝脏疾病等常见疾病的风险。该工具利用机器学习技术，综合分析多种风险因素间的复杂关系，提供比传统模型更准确和个性化的健康风险评估。这一创新为医疗健康领域提供了新手段，有助于提升疾病预防和管理的效率。

标题：“MIT物理学家谈AI与物理学的结合：挑战与机遇” 杰西·塞勒（Jesse Thaler），麻省理工学院理论粒子物理学家，致力于将量子场论与机器学习结合，解决基础物理学难题。他也是美国国家科学基金会（NSF）资助的人工智能与基本相互作用研究所（IAIFI）主任。IAIFI成立于2020年，...

谷歌正在美国测试基于机器学习的年龄识别技术，通过分析用户的搜索行为和YouTube观看内容估算年龄。若判断用户未满18岁，将调整产品功能，包括关闭Google地图时间轴、停止个性化广告、限制成人向应用下载，并在YouTube上启用“数字健康”提醒。用户可申诉并通过上传身份证或自拍照验证年龄。该机制已在部分市场试验成功，现推广至美国所有Google账户。谷歌称此技术旨在保护未成年人并确保成年人获取适当服务。其他平台如Instagram和Roblox也在采用类似措施，同时多国正加强年龄限制相关立法。

4月27日，据财联社报道，美国麻省理工学院的研究团队开发出一个创新的机器学习‘元素周期表’，该成果展示了超过20种经典机器学习算法之间的内在联系。这一框架为科学家提供了融合不同算法的策略，有助于优化现有AI模型或设计全新模型，从而推动人工智能技术的进步及其广泛应用。此研究为AI领域带来了新的视角和发展方向，具有重要价值。(科技日报)

2025全球机器学习技术大会将于4月18-19日在上海举行，聚焦AI技术新趋势。大会强调从‘越大越好’转向注重效率与成本平衡，DeepSeek开源方案为算力瓶颈提供解决方案。多位行业领袖将分享大模型、AI智能体、多模态等前沿议题，包括杨强院士的联邦学习、朱军教授的扩散模型进展等。大会还设置多个主题专场，涵盖大模型落地实践、行业应用及算力优化等，为企业和开发者提供技术交流与合作平台。目前距大会开幕不足30天，欢迎登录官网报名参与。

2025全球机器学习技术大会将于4月18日至19日在上海举行，汇聚全球AI领域顶级学者、行业领袖和技术专家。大会将探讨大模型技术演进、智能体、多模态技术等前沿话题。主会环节将邀请杨强、朱军、黎科峰等重量级嘉宾发表主题演讲。 专题论坛涵盖大语言模型、多模态大模型、大模型应用开发、AI智能体等热点领域。来自阿里巴巴、百度、清华大学等机构与企业的专家将深入探讨模型训练与推理优化、多模态技术突破等议题。 大会还为企业和社区提供合作机会，征集演讲议题和讲师，促进AI技术的落地与发展。参会者可登录大会官网报名，获取更多资讯。

据Munich Eye报道，2025年AI有望在理解动物交流方面取得突破。Coller-Dolittle奖项为解码动物声音的研究提供资金支持。Ceti计划专注于抹香鲸和座头鲸的声音研究，但高质量数据的缺乏仍是挑战。现代机器学习方法依赖大量数据集，而动物声音数据有限，例如Ceti计划仅获得不到8000个录音样本。解读动物叫声充满不确定性，如区分狼的嚎叫意义仍具挑战。尽管如此，深度神经网络可能揭示动物声音背后的规律，科学家希望将动物叫声翻译成人类语言，但认为动物不具备人类语言的结构化特征。