微软研究院用机器学习预测电网空间天气风险
微软研究院开发了一套端到端机器学习流水线，可提前30-60分钟为美国本土66,935座变电站生成位置级空间天气风险估计。系统结合AE与Dst指数预报、纬度、地质电导率等数据，在2020-2026年评估期内检测到近80%的重大空间天气事件。其中Dst预测器在62.2%的活跃时段小时数上优于Burton方程，集成后使严重风暴检测率提升1.2个百分点。
#部署/工程
Microsoft ResearchAI 评分4848
Microsoft Research精选AI 评分6060 微软研究：把物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院系统测量了移动操作机器人分别在端侧、边缘和云端 GPU 上运行推理的差异，发现把推理卸载出机器人可提升任务成功率并延长续航。
推荐理由：微软团队系统测量了机器人端侧 GPU 推理的性能与续航代价，并给出可复用的卸载工具链。
Berkeley AI Research精选AI 评分6060 K-Search 从 CUDA 迁移到 MLX，为 Apple Silicon 生成高性能内核
Berkeley Sky Lab 与 IBM Research 将 K-Search 内核搜索框架扩展到 MLX，通过结构化的 CUDA-to-MLX 翻译层让已有 CUDA 内核经验适配 Apple Silicon。
推荐理由：读者可以看到 CUDA 内核经验如何被结构化翻译成 MLX 优化策略，以及翻译层对最终性能的具体贡献。
Berkeley AI ResearchAI 评分3838 ABBEL：通过信念状态更新让 LLM 高效完成长程交互
伯克利 AI 研究提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，用受自编码器启发的重建式信念评分作为辅助 RL 任务。在 CollabBench 协作编程任务上，该方法把与全上下文模型的性能差距缩小约 50%，训练步数减少 50%，峰值 token 长度仍显著低于全上下文。