Carnegie Mellon University
PulseAugur coverage of Carnegie Mellon University — every cluster mentioning Carnegie Mellon University across labs, papers, and developer communities, ranked by signal.
14 天有情绪数据
-
人工智能专业：在专业化与多功能性之间取得平衡以获得职业成功
为了满足日益增长的行业需求，大学越来越多地提供人工智能专业。然而，专家建议，在计算机科学、数学或工程学等领域拥有广泛的技术基础，并结合对人工智能应用和伦理的理解，可能提供更大的长期职业灵活性。虽然卡内基梅隆大学、麻省理工学院和斯坦福大学等机构设有专门的人工智能课程，但许多学生也可以通过更广泛的STEM学位课程，辅以相关选修课和研究机会来专攻人工智能。最终，最佳学位选择取决于个人职业目标，在竞争激烈的市场中，实践经验和可转移技能对于获得…
-
像Mythos和GPT-5.6这样的先进AI模型可以识别网络漏洞，影响中国硬件风险
像Anthropic的Mythos和OpenAI的GPT-5.6这样的新AI模型正在展示出识别先前未知网络漏洞的显著能力。这一进步可能从根本上改变网络风险的格局，尤其是在涉及中国制造的硬件方面。尽管对政府可能安装后门的担忧持续存在，但这些先进AI模型能够快速发现和修补漏洞，可能会使攻击者更难维持隐藏访问，从而可能增加对透明供应链的信任。
-
人工智能在在线发现和动作捕捉技术中的演变作用得到强调
卡内基梅隆大学和OptiTrack已结成合作伙伴关系，在一个新的机器人创新中心内推进动作捕捉技术。另外，一项讨论探讨了人工智能预计将如何改变在线发现方法，特别是在英国。
-
研究人员警告：Tenda路由器存在未修复的后门
网络安全研究人员在多款Tenda路由器型号中发现了一个关键的身份验证后门，允许未经授权的管理员访问，而无需密码。该漏洞（CVE-2026-11405）由卡内基梅隆大学的CERT协调中心（CERT/CC）披露。尽管收到了警告并尝试联系该公司，Tenda尚未为受影响的固件版本发布安全补丁，使用户面临潜在的网络被攻破的风险。
-
L40S 上的 vLLM 优化：批处理和 FP8 带来显著提升
对 NVIDIA L40S GPU 上 vLLM 优化的详细分析，使用 Llama 3.1 8B Instruct 模型，揭示了连续批处理是最大的性能提升因素，吞吐量增加了 73 倍，并带来了显著的能源效率提升。FP8 量化也提供了显著的提升，在质量损失极小的情况下将吞吐量提高了约 50%，而投机解码则根据工作负载的不同提供了进一步但不太显著的改进。研究强调了高并发性对于在此硬件上最大化效率的重要性。
-
人工智能的进步推动机器人走向通用自主性
人工智能的突破正在推动机器人领域向通用自主性发展。研究人员和行业领导者正在探索人工智能模型如何使机器人能够执行更广泛的任务。这一演变正受到主要科技公司和学术机构贡献的影响，预示着机器人能力将发生重大转变。
-
Meta 将为智能眼镜的 AI 功能收取订阅费
Meta 将在其智能眼镜的部分功能上引入订阅模式，包括 Ray-Ban 和 Oakley 品牌的版本。用户将获得有限的免费使用量，例如用于增强嘈杂环境中音频的 Conversation Focus 功能，而额外的访问权限需要每月支付 19.99 美元的 Meta One Premium 订阅费。专家认为，此举主要是为了从客户那里获利，而不是为了收回 AI 开发成本，因为受影响的功能是在设备上运行的，并不严重依赖 Meta 的服务器进行处理。
-
AI 模型 ConlangCrafter 生成新颖、一致的人工语言
研究人员开发了 ConlangCrafter，一个能够生成新颖的人工语言（conlangs）的 AI 模型。该模型在《计算语言学家协会论文集》上发表的论文中进行了详细介绍，它可以创建多样化且规则一致的语言，即使是那些具有非传统交流系统（如基于颜色的手势）的语言。据报道，与简单地提示 Gemini-2.5-Pro 等通用 LLM 生成的语言相比，ConlangCrafter 生成的语言多样性是其两倍，一致性是其 70%。
-
LLM 推理因预填充/解码需求冲突面临 GPU 瓶颈
现代大型语言模型推理面临系统挑战，其中初始 token 生成（预填充）和后续 token 生成（解码）需要截然不同的硬件行为。预填充阶段是计算密集型的，同时处理所有输入 token；而解码阶段是内存密集型的，需要为生成的每个 token 从 HBM 中频繁加载模型权重。这种根本差异造成了冲突，因为优化一个阶段通常会损害另一个阶段的性能，从而导致权衡，通过缓慢的首次 token 时间（TTFT）或迟缓的输出 token 时间（TPOT）…
-
AI挑战数学家的传统角色和动机
AI系统日益增长的能力促使人们重新评估数学家的角色和目的。虽然AI可以加速数学研究的计算方面，但人类对理解、发现的内在驱动力以及解决复杂问题所带来的满足感仍然是该领域的核心要素。这引发了对数学研究未来的疑问，以及AI是否最终会削弱人类在某些数学领域必要性的问题。
-
人工智能先驱者从聊天机器人转向“世界模型”以实现物理智能
新一波人工智能研究正将焦点从大型语言模型（LLMs）和聊天机器人转向“世界模型”。这些模型旨在教会人工智能系统理解和与物理世界互动，包括空间、时间和物理学，而不仅仅是处理文本。Fei-Fei Li和Yann LeCun等知名人士正在倡导这种方法，认为它对于开发真正智能的人工智能至关重要，尤其是在机器人和具身人工智能应用方面。投资者对这一新前沿领域表现出兴趣，认识到其超越当前LLM能力的潜力。
-
新书详解用于 AI 工作负载的现代 GPU 编程
一本名为《现代 GPU 编程用于 MLSys》的新书旨在揭开机器学习系统高性能 GPU 内核开发的神秘面纱。该书源自卡内基梅隆大学的机器学习系统课程系列，提供了理解 GPU 硬件和构建优化内核的分步指南。它利用 TIRx Python DSL 进行实际示例，重点关注 NVIDIA 的 Blackwell 架构以及 GEMM 和 FlashAttention 等核心组件。
-
Apache TVM 推出 TIRx 编译器，用于演进的 ML 内核和硬件
Apache TVM 推出了 TIRx，这是一个开源编译器堆栈，专为机器学习内核和不断发展的硬件而设计。这个新系统支持硬件原生 DSL，并可编译到 GPU 和专用 AI 加速器，同时注重适应未来硬件代际的灵活性。TIRx 旨在为程序员和机器之间提供一个灵活的边界，使专家能够控制底层操作，同时也支持常用任务的可重用块基元。
-
欧洲热浪加剧空气污染，威胁健康
欧洲近期热浪加剧了高温与空气污染之间的联系，炎热晴朗的天气加速了臭氧、黑碳和甲烷等有害污染物的形成。这一现象今年比往常出现得更早，导致呼吸系统和心血管疾病、农作物损害以及对生态系统的影响。专家建议，减少工业排放、限制车辆使用以及转向清洁能源是缓解这些影响的关键措施，尤其是在气候变化加剧热浪强度和持续时间的情况下。
-
连续批处理通过优化 GPU 使用率来提高 LLM 推理效率
连续批处理是一种旨在提高大型语言模型 (LLM) 推理过程中 GPU 利用率的优化技术。传统的静态批处理方法存在“拖尾问题”，即批次中最慢的请求决定了所有请求的处理时间，导致 GPU 大量空闲。连续批处理通过在每次迭代中动态重新评估和调整批次来解决此问题，允许已完成的请求立即被队列中的新请求替换。与静态批处理相比，这种迭代调度确保 GPU 资源得到持续利用，从而显著提高吞吐量和效率。
-
AI模型被测试利用漏洞能力；Anthropic的Mythos展示了高级执行能力
卡内基梅隆大学的研究人员开发了ExploitBench，这是一个新的框架，用于衡量AI模型利用安全漏洞的有效性。虽然大多数公开的前沿模型会导致崩溃，但它们通常无法突破沙箱环境。然而，Anthropic的私有Mythos Preview模型在41个漏洞中的18个上展示了完整的代码执行能力，这表明AI在网络安全利用方面的能力令人担忧地进步了。
-
奥斯汀科技领袖 Joshua Baer 因飞机失事去世
奥斯汀科技界知名人士、Capital Factory 创始人 Joshua Baer 去世，享年 50 岁。Baer 以其在推动城市科技发展和通过其风险投资公司支持众多初创企业方面的作用而闻名。他当时乘坐的一架小型喷气式飞机因据报机械故障在德克萨斯州拉雷多坠毁。
-
NVIDIA AI代理自主训练机器人过夜 · 跟踪6个来源
来自NVIDIA、卡内基梅隆大学和加州大学伯克利分校的研究人员开发了一个名为ENPIRE的框架，该框架允许AI编码代理自主训练机器人。这些代理可以设计和改进训练方案，从而使机器人能够以高成功率执行复杂的任务，例如剪断扎带和将GPU插入主板。该系统在夜间运行，AI代理通过自我指导的测试和研究论文分析的重复循环来提高机器人性能。
-
搜索引擎转向AEO，AI答案减少网站点击量
文章讨论了从搜索引擎优化（SEO）到答案引擎优化（AEO）的转变，重点关注搜索引擎如何越来越多地提供直接答案，而不仅仅是链接。皮尤研究中心的数据以及Saharsh Agarwal和Ananya Sen进行的实地实验表明，当存在AI摘要时，零点击搜索显著增加，用户点击链接来源的频率降低。这一趋势表明，可见性正与网站点击量脱钩，这意味着内容可以作为答案呈现，而用户无需访问源页面。
-
AI响应速度对物理机器人至关重要，影响安全性
首次令牌生成时间（TTFT），即AI响应速度，对于机器人和无人机等物理AI应用至关重要，它影响着安全性和生产力。更快的TTFT能够实现更复杂的运动功能和避障。例如，微秒级响应控制基本运动，而低于50毫秒的响应则允许紧急避险。低于三秒的TTFT，类似于人类驾驶规则，对于机器人检测危险并进行必要调整至关重要。