南非威特沃特斯兰德大学的研究表明，无论在人类还是人工智能中，语言在代际迭代学习中会自然演化得更有结构性，从而更易被学习。

研究团队提出一种名为“发展视觉饮食”（DVD）的新训练流程，通过模拟人类视觉发育过程，让计算机视觉模型更依赖形状而非纹理，从而在鲁棒性和泛化能力上取得提升。

哈佛物理学家构建了一个可用统计物理工具精确分析的简化神经网络模型，用以解释大规模人工智能系统为何在高维数据下仍能高效学习且不易过拟合。

研究人员利用被动衍射层与浅层神经网络协同工作，将结构振动编码为时空光学模式，并通过少量探测器与低功耗网络实现快速解码。

新研究发现，神经网络中仅有少量权重既是模型性能的核心，也构成隐私泄露的主要来源。基于这一发现，研究团队提出了一种在不显著牺牲性能的前提下强化隐私保护的新方法。

研究团队提出“表面安全对齐假说”，识别并冻结安全关键神经元，在降低对齐成本的同时增强大型语言模型的安全表现。

研究团队提出通信感知型内存无线神经网络，将计算、存储与无线通信深度融合，有望在显著降低能耗的同时提升边缘设备与云端协同效率。

麻省理工学院CSAIL团队发现，即使是被认为“不可训练”的神经网络，在另一网络的内在偏置引导下，也能实现有效学习。