如何将 AI 智能体接入企业知识
MIT Technology Review 基于 300 名数据与 AI 高管的调研发现，企业平均仅约 34% 的智能体 AI 项目能进入生产环境，知识匮乏是关键卡点。生产领先者（平均 61% 项目走出试点）在语义等知识能力上更强。数据碎片化被 55% 受访者列为扩展智能体知识访问的首要挑战，企业将优先投资检索管线、AI-ready API、RAG 与知识图谱。
#部署/工程
MIT Technology Review · AIAI 评分2626
Google Research精选AI 评分6363 Google 发布基于 TEE 的可验证隐私联邦学习系统
Google Research 发布新一代联邦学习系统，利用可信执行环境（TEE）为数据匿名化提供可验证、可审计的保证，并已应用于 Gboard。系统中，客户端设备本地加密训练数据并上传，只有符合访问策略的 TEE 工作负载才能解密处理，访问策略发布到公开透明日志 Rekor，相关二进制可从开源仓库 Confidential Federated Compute 复现构建。
推荐理由：Google 公布基于 TEE 的新一代联邦学习系统设计，读者可了解其如何让服务端处理过程可外部验证。
Hugging Face BlogAI 评分4545 AutoSynthData：为企业级智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例和更强教师的成功案例，定位当前模型的能力缺口，并据此生成、验证新的可执行训练任务。管线以 EnterpriseOps Gym 数据集为例演示，任务由系统规范、用户提示词和验证器三部分组成，需满足可行性、真实性与难度要求。随着模型改进，课程会自动转向其仍未掌握的能力。
Microsoft ResearchAI 评分3737 微软研究院用机器学习预测电网空间天气风险
微软研究院实习生构建的机器学习流水线，利用 L1 太阳风观测、AE 与 Dst 指数预报、地质电导率及电网数据，为美国本土 66,935 座变电站生成 30-60 分钟前的点位级地磁感应电流风险估计。2020-2026 评估期内，该系统对主要空间天气事件检出率近 80%，Dst 预测在 62.2% 的高活跃时段优于 Burton 方程。
Microsoft Research精选AI 评分6363 微软研究院研究物理 AI 机器人推理卸载并推出 Physical AI Toolchain 新能力
微软研究院发布机器人物理 AI 推理卸载的测量研究，发现将推理完全放在机器人端侧 GPU 会限制性能、续航与可扩展性，而卸载到边缘或云端 GPU 在移动操作任务中可提升成功率、支持更大模型并显著改善电池寿命。
推荐理由：微软研究院系统测量了机器人端侧推理的限制，并给出 Kubernetes 卸载方案，可迁移到具身智能部署。
Berkeley AI ResearchAI 评分4949 从 CUDA 到 MLX：K-Search 如何将数十年 kernel 经验迁移到 Apple Silicon
伯克利 Sky Lab 团队为进化式 kernel 搜索框架 K-Search 新增 MLX 后端，通过结构化 CUDA-to-MLX 翻译层，把已有 CUDA kernel 当作知识库改编为 Apple Silicon 上的原生 kernel，而非从头重写。
Berkeley AI ResearchAI 评分4242 GRASP：面向世界模型长时程规划的梯度规划器
伯克利研究团队提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹 lift 到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索，并重塑梯度以避开经由高维视觉模型的脆弱"状态-输入"梯度。该方法针对长时程规划中梯度爆炸/消失、非贪心结构与高维隐空间导致的失败模式，使长时程规划更稳健。