微软亚洲研究院新加坡分院成立一周年：推进前沿 AI 研究、合作与人才培养
微软亚洲研究院新加坡分院（MSRA – Singapore）作为微软在东南亚的首个研究实验室，成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向展开工作。该实验室与新加坡医疗生态伙伴合作推进多模态医疗 AI 和自演化诊断智能体，并联合 EDB 于 2026 年 2 月举办物流与运输 AI 高管圆桌会。
全部财经动态
Microsoft Research
GitHub Blog · AI & ML GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流
GitHub Copilot 应用中的 canvas（画布扩展）是一种可自定义的双向界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述需求，即可生成看板、发布清单或仪表盘等界面，无需编写代码。canvas 支持用户与 agent 同时编辑并即时同步状态，创建后可保存为扩展供团队共享或个人复用，Awesome Copilot 还提供了现成的 canvas 扩展。
GitHub Blog · AI & ML GitHub Copilot 的 canvas：当聊天不再是正确的 AI 交互界面
GitHub Copilot 应用推出 canvas，一种运行在应用内、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信，并能在本地执行代码、调用第三方 API。官方认为聊天只是 AI 的通用兜底界面，用户明确任务时更该让智能体生成可复用工具，而非把智能体本身当工具、反复消耗 token。SQLite 等 canvas 可一次生成，工作流自动化示例则花了近一天调优。
GitHub Blog · AI & ML GitHub Security Lab Taskflow Agent 如何用 AI 智能体实现自动化模糊测试
GitHub Security Lab 推出 Fuzzing Taskflow，一个基于 Taskflow Agent 的自主模糊测试流水线，只需指向一个 GitHub 仓库，即可自动识别入口点、编写 harness、运行 AFL++、读取覆盖率报告并生成漏洞报告。
GitHub Blog · AI & ML GitHub Copilot 应用如何渲染超大 pull request
GitHub Copilot 应用重建了 pull request 视图，用一个含 2,200 个文件、超 100 万行改动、400 多条行内评论的开源 PR 做压力测试。其做法是把文档高度拆成确定性的代码几何与动态评论块两套体系：代码行高提前精确算出，评论高度按块懒测量、以文件和行号锚定，避免滚动跳变。
Microsoft Research精选 微软研究：将物理 AI 推理卸载到边缘与云端可提升机器人表现与续航
微软研究院发布针对物理 AI 机器人推理卸载的系统性研究，指出把推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软把机器人推理从机载 GPU 卸载到边缘与云端，并给出任务成功率与续航的量化对比，可据此理解物理 AI 的算力部署取舍。
Microsoft Research精选 微软研究院发布逆合成模型 RetroChimera 并开源权重
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重（MIT 许可），同时可通过 Microsoft Foundry 访问。
推荐理由：RetroChimera 把两种互补模型用学习式重排序集成，读者可了解逆合成预测在罕见反应与专家盲测中的表现。
GitHub Blog · AI & ML GitHub Podcast 拆解 AI 热门观点：该不该读 AI 生成的代码、RAG 是否已死、Skills 是否杀死了 MCP
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分配；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是连接工具与数据的标准，二者可组合使用；RAG 并未消亡，它让模型基于训练数据外的文档、内部知识或代码库上下文作答，减少 token 浪费和不完整回答。
Microsoft Research 微软发布 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向人群级发现
微软推出 GigaPath-Flash 和 GigaTIME-Flash 两个高效病理基础模型，均采用从原版十亿参数 GigaPath 编码器蒸馏出的 22M 参数 ViT-S 骨干，并以 Apache 2.0 许可开源。
Berkeley AI Research 从 CUDA 到 MLX：K-Search 如何将数十年 kernel 经验带到 Apple Silicon
Berkeley Sky Lab 团队将进化式 kernel 搜索框架 K-Search 扩展出 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把已有 CUDA kernel 作为知识库，自动适配为 Apple Silicon 上的高质量 GPU kernel。
Berkeley AI Research 伯克利提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的递归摘要隔离为自然语言"信念状态"并对其内容进行监督评分。在 CollabBench 协作编程任务中，基于重建的信念评分（rec-BG）将模型与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 长度也显著低于全上下文设置。
Berkeley AI Research 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战：为智能体服务、运行智能体、由智能体构建。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间，中位数约 50x。
Berkeley AI Research 2026 BAIR 研究生展示：伯克利 AI 博士毕业生去向一览
伯克利人工智能研究实验室（BAIR）公布 2026 届博士毕业生名单及其研究方向与去向，涵盖机器人、大语言模型推理、计算机视觉、生成模型、AI 安全与人机交互等领域。毕业生将赴 OpenAI、Mistral AI、Amazon、Physical Intelligence 等机构任研究岗，或进入 UCLA、普林斯顿 CITP、芝加哥大学等学术界。
Berkeley AI Research 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI Research 发布综述，分析并行推理领域进展，重点讨论自适应并行推理——让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。
Berkeley AI Research GRASP：面向世界模型长时程规划的梯度规划器
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升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、并重塑梯度让动作获得清晰信号，从而让基于学习动力学（世界模型）的长时程规划变得可行。该方法针对长时程 rollout 中梯度爆炸/消失、非贪心结构导致的局部极小值以及高维视觉模型梯度脆弱等问题。
Berkeley AI Research Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
Berkeley AI Research 伯克利 AI 研究提出基于信息量的成像系统设计框架，NeurIPS 2025 论文验证四大成像领域
伯克利 AI 研究团队提出一种直接评估和优化成像系统信息量的框架，仅用含噪测量和噪声模型估计互信息，无需任务专用解码器。该信息指标在彩色摄影、射电天文、无镜头成像和显微镜四个领域均能预测解码器性能，优化后的设计可媲美端到端方法，且内存和计算需求更低。相关成果发表于 NeurIPS 2025 论文。