研究团队利用海量互联网视频训练世界模型，让机器人在行动前生成未来场景的短视频，从而在陌生环境中完成复杂物理任务。

巴斯克大学EHU研究团队开发了一种基于机器学习的简化模型，可在城市尺度上快速估算建筑供暖需求，并评估多种社区能源改造策略，为实现近零能耗社区提供决策支持。

沙迦大学团队构建了一套结合心理特质、生理信号与模拟驾驶表现的机器学习模型，可在驾驶员真正上路前预测其事故风险，为出租车和运输行业提供数据驱动的筛选与培训工具。

布法罗大学团队结合多种传感技术与人工智能，开发出一套可区分回收塑料与新塑料的方法，为验证“含XX%回收塑料”等标注提供快速、可靠的技术支撑，并为未来便携式检测设备奠定基础。

匹兹堡约翰斯顿大学研究团队结合实地录音、人工分类与机器学习，分析极度濒危黄颈亚马逊鹦鹉的“鸣唱二重唱”，在其发声序列中发现语法规则、搭配关系与较丰富的“词汇”类型。相关成果发表于《鸟类生物学杂志》。

研究团队提出一套面向数据稀缺与未知成分空间的人工智能框架，将实验与计算数据同文献中的跨学科专家判断进行证据融合，并以不确定性量化提升对低研究度合金的预测可靠性。

一项结合系统免疫学、基因组学与机器学习的研究在246头白蓝比利时公犊牛中测量200多项免疫指标，并建立遗传数据与细胞因子反应的预测模型。研究提示环境因素解释了免疫差异的大部分来源，同时也发现部分遗传变异对免疫关键环节具有显著影响。

瓦萨大学博士生 Akpojoto Siemuri 研究自适应机器学习与多传感器融合，提升复杂环境下的定位精度、鲁棒性与能效，并兼顾隐私与未来低轨卫星应用。

该公司基于发育生物学、系统生物学与计算生物学的大型实验数据集，构建以实验数据训练的机器学习基础模型，试图为细胞替代疗法提供更稳定、可复制的细胞发育控制方案。

密歇根大学团队分析近2.5万条评论发现，观众多表达对动物的欣赏与关切，但围绕保护的讨论与行动倡议较为稀少。

新发表在《机器学习》期刊上的研究利用尼姆这一已被完全求解的儿童火柴游戏，系统检验了AlphaZero风格自我对弈方法的能力。结果显示，仅依赖从局面中学习模式的策略，在状态空间放大后会出现明显盲点和性能退化，提示未来需要引入抽象表示或混合方法。

斯坦福大学研究团队在《地球系统建模进展杂志》发表研究，提出将基于全球观测数据训练的机器学习算法纳入全球气候模型，以改进对大气重力波及其传播的刻画，并尝试解决南极极地涡旋模拟偏晚等长期问题。