微软研究院焦点第98期：AI翻译、KLS猜想与编程Agent效率
研究界有什么新动态？
本期 Microsoft Research Focus（基于 Research Focus 新闻简报）中，主持人 Anson Ho 分享了微软最新动态和前沿研究成果——从让 AI 通用翻译更接近现实、攻克一项 31 年历史的数学难题，到提升 AI 编程 agent 的速度与效率。
快来了解研究人员当下探索的想法、工具与发现，抢先一窥未来动向。
相关链接：
- 一位研究实习生在微软亚洲研究院（东京）从计算机视觉到具身智能的成长之路
- 打破语言壁垒——AI 语音翻译如何重塑我们的数字生活
- 攻克 31 年的数学重大难题——KLS 猜想
- 用 CompactionBench 对长程 Agent 上下文压缩进行基准测试
- Latent Core Tokenizer：有意义地压缩
章节
订阅 Microsoft Research Podcast：
文字实录
[音乐]
这里是《Microsoft Research Focus》，带你快速了解微软各地的新闻与前沿研究。
我是 Anson Ho，以下是我们正在关注的最新进展。
本期内容：AI 如何让通用翻译器更接近现实；一项破解 31 年前数学难题的突破；一种让 AI 编程 agent 更快更高效的新方法；以及更多精彩内容。
一起来看最新动态。
[音乐渐弱]
实习经历：提升专业能力，融入研究社区
在微软东京研究院，研究实习生 Lilika Makabe 不仅有机会提升自己的专业能力，还参与塑造了一个新兴的研究社区。
Makabe 加入实验室时具备计算机视觉背景，与探索机器人和物理智能的研究人员共事。所谓物理智能，是指能够理解信息并在现实世界中行动的 AI 系统。
她的经历表明，研究实习带来的不只是技术训练。通过动手实验、跨学科协作，以及与来自不同背景的同事的日常交流，Makabe 拓宽了研究视野，同时也为实验室日益壮大的社区贡献了自己的力量。
你可以在 Microsoft Research 博客上阅读她的经历。
[转场音乐]
用 AI 打破语言壁垒
几十年来，科幻作品一直在畅想一个语言不再阻碍交流的世界。
比如 1967 年，《星际迷航》就虚构了“通用翻译器”这种设备。如今，AI 的进步正让这一设想逐步成为现实。
在一场新的访谈中，微软应用科学经理李锦煜探讨了 AI 如何推动跨语言交流的前景、研究人员已取得的进展，以及尚待解决的挑战。
想深入了解，可以收听或观看播客《Our Digital Life》的完整节目，已上线 YouTube 和各大播客平台。
[TRANSITION MUSIC]
破解 31 年的数学难题
过去 31 年，KLS 猜想一直是高维几何中最核心的未解难题之一。但现在不同了。
新的研究已经解决了这个猜想，扫清了理解科学与计算领域随机算法效率问题上的一个重大理论障碍。
这项突破为对数凹分布确立了一个普适原则：无论维度高低，简单的平面切分都能在固定倍数内找出其最窄的瓶颈。相关结果已获得独立验证，证明过程也通过计算机辅助方法完成了形式化验证。
更多详情可参阅 Microsoft Research 博客。
[TRANSITION MUSIC]
让 AI 编程智能体更高效
编程智能体（coding agent）在编写和修改代码时很有用，但会话一长，就会耗尽 AI 模型单次能处理的信息量。因此，编程智能体需要通过一个资源消耗很大的过程来总结此前的交互内容，这被称为上下文压缩（context compaction）。
一项新研究分析了 1350 万个编程会话，发现只有不到 8% 需要上下文压缩，但这些会话却占了 AI 总处理成本的 44%。
为应对这一挑战，研究人员开发了 COMPACTIONBENCH。
COMPACTIONBENCH 是一个用于评估长时编码任务中上下文压缩效果的基准测试框架。研究团队还提出了一种名为 APEC 的方法，该方法在后台生成摘要，避免中断智能体的工作。
在评估结果中，APEC 不仅提升了编码性能，还将成本降低了最高 25.4%，执行时间缩短了 9.6%。
[TRANSITION MUSIC]
提升 104 种语言中的 AI 分词效果
在 AI 模型处理文本之前，通常会先将其拆分为更小的单元，即 Token。这种拆分方式会直接影响效率与性能，尤其在处理不同语言时更为明显。
大多数分词器（Tokenizer）都以尽可能高效地压缩文本为设计目标。但最新研究表明，仅靠压缩是不够的。
研究人员提出了潜在核心分词器（Latent Core Tokenizer，简称 LCT）。它在跨语言构建共享词表之前，先识别单词中可复用的部件。
在覆盖 104 种语言的评估中，LCT 生成的 Token 在语言学上更具意义，且保持了与其他主流方法相当的高效性。同时，LCT 在四个多语言基准测试中也提升了模型性能。
这些发现表明，更好的分词效果不仅取决于文本的压缩程度，更取决于对语言底层结构的保留质量。
[MUSIC]
以上就是本期 Microsoft Research Focus 的全部内容。
从推动发现的研究文化与协作，到生成更具语言学意义的 Token，这些只是微软研究人员正在探索的最新进展的一部分。
想了解更多并保持关注？请访问 aka.ms/MicrosoftResearch，查看最新研究动态，认识背后的研究人员，并关注塑造未来的前沿想法。同时，欢迎在各大主流社交媒体平台关注 Microsoft Research。
我是 Anson Ho，感谢收看。
我们下期 Microsoft Research Focus 再见。
[MUSIC FADES]
Show more