郑南宁院士：三域融合建模前沿方向正在形成
8月8日，《人民日报》5版刊发中国工程院院士郑南宁的署名文章《具身智能，在物理世界中成长》（本报记者采访整理）。文章提出，人工智能的重要发展方向之一，是让机器不仅能处理信息、推演复杂问题，也能在真实多变的环境中灵活完成各类任务。评价具身智能的标准，在于是否能真正解决现实世界中的问题。当前，一个更具前沿性的方向正在形成，即推动“信息—物理—认知”三域融合建模，使智能系统逐步具备更接近人类的整体认知结构。在工业制造领域，智能系统正在从执行工具转向意图驱动系统。具身智能的本质，并不是让机器“像人”，而是让智能真正进入现实世界，在复杂、不确定环境中形成持续学习与适应能力。从数据驱动的大模型，再到面向物理世界的具身智能，人工智能正在经历从符号世界、数据世界到真实世界的连续演化过程。面向未来，具身智能让机器既“懂世界”又“能行动”，将深刻改变生产方式与生活方式，成为推动产业变革和社会发展的重要力量。
阿里巴巴发布基座大模型Qwen3.8-Max
8月3日，阿里巴巴千问Qwen3.8-Max模型上线。据介绍，Qwen 3.8-Max基于Qwen 3.5架构基础构建，参数规模扩展至2.4万亿，激活参数为950亿，支持100万上下文Tokens，在自主编程、专业办公、长程任务、多模态智能体等方面实现能力突破。在自主编程方面，只需输入提示词，Qwen3.8-Max便能创建可运行的自进化智能体框架。该模型能够跨页理解200页的财报，把100小时的长视频组织成可检索、可追溯的Graph记忆。面对长周期任务，Qwen3.8-Max涌现出系统级自主规划与全栈闭环自适应学习能力，并持续重构算法与和策略。有科技媒体称，Qwen3.8-Max的发布，标志着国产通用人工智能大模型朝着高自主性、端到端交付和真实业务场景落地方向发展，并向复杂任务、智能体原生能力演进。
腾讯混元发布语音识别模型HyASR3.0
8月4日，腾讯混元发布语音识别模型Hy ASR 3.0 preview。该模型采用MoE架构与自研语音编码器，基于大语言模型Hy3的语言理解能力，融合高精度语音识别与深度语义理解能力，在通用识别、上下文感知、方言覆盖等维度实现提升，从逐字转写演进为理解语境。Hy ASR 3.0 preview重点提升了四类能力，包括通用识别准确度、用户意图理解力、专业场景适配性以及多种声学场景等复杂环境下的稳定性，可应用于智能客服、内容理解、语音搜索等场景。
字节跳动推出音视频全双工
大模型SeedRealtime
8月5日，字节跳动发布原生音视频全双工大模型SeedRealtime，并宣布在豆包App全量上线。SeedRealtime采用统一端到端架构，原生融合音频、视频与文本三种模态信号。该模型依赖自动语音识别（ASR）、语音合成（TTS）、视觉模型等多个模块串联，将声音、画面、时序与表达统一到同一个端到端模型中，在连续的多模态信息流上同步完成感知、理解、决策与表达，实现边看、边听、边说的实时交互，在音视频联合理解、主动交互能力、交互节奏流畅度三个方向取得关键突破。
科研智能体OpenAI4S开源
近日，北京大学&元空AI Agent联合实验室正式开源科研智能体OpenAI4S。OpenAI4S采用MIT协议，支持Python/R代码执行，实现数据读取、循环分析、模型调用、可视化和研究报告生成。目前提供30多个内置科研Skills，覆盖蛋白质结构、序列分析和设计，分子对接、单细胞分析等场景，并具备GPU算力接入与版本化产物保存能力。其优势在于能够完整串联从文献检索、数据清洗、算法调用到报告生成的复杂科研流程，避免Agent因步骤断裂导致的返工。
Meta发布编程智能体Muse Code测试版
日前，Meta发布首个AI编程智能体Muse Code测试版。该系统具备在大型代码仓库中自主完成“完整软件工程任务”的能力，涵盖规划修改方案、编写代码、验证结果等环节。Muse Code由Meta超级智能实验室最新推出的基础模型Muse Spark 1.2驱动，采用多智能体协同机制，可自动衍生多个子智能体在隔离环境中并行处理任务。
秩1联想记忆实现无损持续学习
为解决大模型持续学习（Continual Learning）领域绕不开的灾难性遗忘（catastrophic forgetting）问题，澳大利亚新南威尔士大学Artificer AI Lab的研究团队给出一个新答案。研究团队把每一次模型更新拆解为细粒度的rank-1“记忆原子”，让持续学习变成一座参数化记忆库的逐渐式增量生长。该方法为解决干扰（Interference）、冗余（Redundancy）、路由崩溃（Routing Collapse）痛点，带来从“地址式路由”到“内容寻址式检索”的范式转变。该工作已被ICML 2026接收，方法命名为MoRAM（Mixture of Rank-1 Associative Memory）。
来源：人民网
编辑：许多、韩佳琪（实习）
责编：岳禺宁