搜索
2026年5月，两篇重磅研究在一周内相继发表。一组来自加州大学伯克利分校研究团队，样本是美国 20 所公立研究型大学的 95,513 名本科生。研究发表在《Science》科学杂志上，主题是大学生如何使用生成式 AI，以及怎样用它作弊。
如今想写出一篇结构严密、用词专业的文章已经不算难事，只需要敲几个 prompt 生成式 AI 就能瞬间给你一篇成千上万字的文章。布鲁金斯学会去年的一项调查显示，拥有学士学位的成年人中有 35% 的人在工作中使用 AI 来撰写或编辑文档。
当文字、图像、视频已经先后被生成式 AI 重写，3D 很可能就是下一站。
在生成式 AI 领域，视觉分词器（Visual Tokenizer）通常采用固定压缩率 —— 无论是单调的监控画面，还是复杂的动作大片，都被切分为等量的 Token。这种 "一刀切" 的做法不仅会造成巨大的计算冗余，也产生了 “信息量” 不同的 Token，不利于下游理解生成任务处理。
随着生成式 AI 迈入万亿参数时代，大语言模型（LLM）的推理与部署面临着前所未有的“显存墙”挑战。如何在超节点（SuperNode）复杂的异构存储架构下，实现海量张量的高效管理和调度，已成为大模型落地的胜负手。
在生成式 AI 浪潮中，文生图技术已实现跨越式发展，在视觉呈现上达到了前所未有的高度。然而，在生成图像中准确合成拼写正确、结构规范且风格协调的文字 —— 视觉文本渲染（Visual Text Rendering, VTR），至今仍是该领域尚未攻克的核心难题。
三年前，我们发布了这份榜单的第一版，目标很简单：找出哪些生成式 AI 产品真正被主流消费者使用。在当时，「AI 原生」公司和其他公司之间的界限很清晰。ChatGPT、Midjourney 和 Character.AI 都是围绕基础模型从零构建的产品，而软件行业的其他玩家还在摸索这项技术该怎么用。
在生成式 AI 的浪潮中，自回归（Autoregressive, AR）模型凭借其卓越的性能占据了统治地位。然而，其「从左到右」逐个预测 Token 的串行机制，天生限制了并行生成的可能性。
在生成式 AI 技术日新月异的背景下，合成语音的逼真度已达到真假难辨的水平，随之而来的语音欺诈与信息伪造风险也愈演愈烈。作为应对手段，语音鉴伪技术已成为信息安全领域的研究重心。
进入 2025 年，生成式 AI 正在从“概念验证”走向“规模化落地”，技术与应用的节奏明显加快。这个趋势在 Y Combinator 的 Demo Day 上体现得尤为清晰：在最新的 F25 批次中，AI 公司占比高达 53%（83 家 / 156 家），而在 2021 年的 W21 批次，这一数字仅为 12%。