文章對 Bun 宣稱透過 Anthropic AI 在 11 天內以 16.5 萬美元完成 Rust 重寫表示質疑，指出重寫合併已六週仍未釋出新版本，且成本遠超開源維護者承受範圍，懷疑其真實性和營銷動機。

本文繼續加強AI代理的安全性，實現三層策略門（路徑範圍、Shell黑名單、SSRF防護）、針對破壞性操作的始終確認模式、最小許可權原則（透過工具白名單）以及資源/成本控制以防止失控迴圈。

Dozenal 是一款基於網格的數字拼圖遊戲，玩家透過拖動瓷磚，利用距離決定算術運算，使所有瓷磚總和為12。遊戲每天釋出新謎題，由 Chris 設計，旨在提供輕鬆與挑戰的平衡。開發者 Rory 和 Chris 在十多年前構思此遊戲，近期藉助 AI 程式設計助手完成開發。

AI回答與人類回答的差距往往不在於智慧，而在於細節。本文介紹了一種設計AI代理工具的方法，強調工具命名、描述和引數的重要性，避免歧義，並透過系統提示詞和迭代測試來最佳化工具集。

人工智慧在生物科學領域的應用帶來雙重影響：一方面，它可能被用於製造生物武器；另一方面，它也能即時追蹤疾病爆發，保護公眾健康。這是一場攻防之間的競賽，我們必須迅速加強公共衛生系統。

英矽智慧CEO Alex Zhavoronkov表示，透過結合人工智慧與實驗室研究，該公司已將部分藥物開發候選物的生產時間縮短至約一年。其最快專案在九個月內達到候選物提名，而典型時間約13個月。傳統方法通常需要約四年半才能達到同一階段。

Textideo是一款AI YouTube影片生成器，可將文本創意快速轉化為YouTube Shorts、無面影片和教育內容。它整合多種AI模型（如Google Veo 3），幫助創作者提高製作速度、保持釋出一致性，並無需高階編輯技能即可製作專業影片。文章介紹了其核心功能、使用步驟、適用人群及常見問題。

美國的人工智慧投資正在推動基礎設施、製造業、能源和數字領域的重大變革，微軟、Meta、亞馬遜和谷歌等巨頭投入數千億美元，輝達成為全球最有價值的公司之一。這些投資不僅影響科技行業，還波及外匯市場、生產力提升和就業結構，長期來看可能將全球GDP提升約7%。

開放安全AI聯盟基於Linux基金會的Akrites和OpenSSF專案，聯合眾多科技巨頭開發開放的AI網路安全工具。聯盟強調開放模型對於防禦者檢查、適應和部署AI至關重要，並引用Hugging Face事件中開放權重GLM 5.2模型成功防禦的案例。主要貢獻包括NVIDIA的NOOA框架、HPE的零信任身份、Hugging Face的Safetensors、IBM/Red Hat的Lightwell、微軟的MDASH以及SpaceXAI的Grok Build。

由Nvidia、Palantir、Hugging Face等33家技術巨頭組成的開放安全AI聯盟於週一成立，旨在開發技術和工具，透過快速識別和修補漏洞來保護開源權重AI模型。該聯盟的建立反映了業界對於開源AI安全性的關注，同時也暴露了當前監管框架在應對去中心化開源模型方面的不足。

AI客服利用自然語言處理、機器學習和預測分析來自動化常規查詢，讓人工客服專注於複雜、需要同理心的案例。採用AI可降低運營成本30%，提升客戶滿意度15%，並加快38%的通話處理速度。成功部署始於小範圍試點、明確的CSAT和解決率指標，以及在擴充套件前的人機協同治理。

adCasa OS 是一個AI驅動的營銷作業系統，整合Google Ads、Meta和CRM，提供創意生成、儀表盤建立、影像/影片編輯和工作流自動化等功能。其核心是貝葉斯歸因引擎Meridian，每天執行媒體組合模型以計算真實的增量ROI，並提供24/7預算保護。使用者可透過自然語言查詢進行審計、生成儀表盤或構建自動化工作流，所有操作無需編碼。

Meta的最新廣告以黑白畫面展示人們閱讀關於AI負面影響的頭條新聞，然後透過旁白表達對AI可能帶來孤獨和失業的擔憂的不認同。然而，諷刺的是，這則廣告的配樂是一首關於人類因機器人而滅絕的歌曲。

AI素養融合了功能性、批判性和倫理能力，需求在兩年內增長了七倍，12%的在職成年人每天在工作中使用AI。一個“理解、評估、使用”的三域框架為高等教育和機構提供了課程、評估和治理結構。

丹麥生物安全中心的最新評估指出，AI生物武器的主要風險並非來自於未受訓練的攻擊者透過越獄利用AI，而是專業科學家利用AI工具加速生物武器設計。文章分析了不同場景下的風險，並強調當前的防護措施側重於容易衡量的新手威脅，卻忽視了更專業使用者的潛在危險。

學術界的AI倫理指南未能提供有意義的答案，但揭示了AI背後的人類勞動和科技巨頭的利益驅動。

Construct AI 能透過將重複的工作流程轉化為私有工作空間應用，幫助團隊快速構建內部工具。這些應用直接在工作空間內執行，具備檔案訪問、狀態管理和許可權控制等能力，而無需複雜的基礎設施。本文詳細介紹瞭如何從重複過程開始，用自然語言描述需求，讓 AI 代理生成 React/TypeScript 應用，並透過驗證確保可靠性。

一位開發者分享了他用幾周時間構建的一個實驗性專案：一個僅 14 位元組大小的神經網路模型，能以 96.5% 的成功率解決未知迷宮。專案展示了 AI 在極小資源下進行決策和導航的潛力，以及訓練過程中的迭代最佳化。

研究發現，AI生成的醫生賬號在TikTok上透過傳播可疑的健康建議獲得數百萬觀看量，專家警告這些誤導性健康宣告對公共安全構成巨大威脅。

Stuard 是一個執行在你的PC上的AI工作空間，它整合了記憶和工具，讓你能夠自動化處理郵件、研究、表單填寫等任務，同時確保資料本地化和隱私保護。

AI能夠快速生成大量程式碼，但它無法判斷這些程式碼是否應該存在於系統中。本文指出，AI使得實現變得廉價，而架構則負責將這種豐富性轉化為連貫的系統。架構的價值不僅沒有降低，反而因為AI的加速作用變得更加關鍵。

本文介紹了Mag4D-SLAM，首個大規模戶外地磁SLAM資料集。該資料集包含14個序列，總長超過18公里，同步採集了LiDAR、相機、IMU、三軸磁力計和GNSS資料，並提供了SE(3)位姿真值。資料在校園結構化軌跡上採集，涵蓋白天/夜晚和正向/反向重複遍歷。透過實驗分析了磁場重複性、無漂移全域性航向估計和跨會話地點識別。該資料集旨在支援航向漂移抑制、磁環閉合和長期定位等研究。

ACME是一個大規模、多模態的社會導航資料集，涵蓋5個國家8個地點、7種機器人形態，包含29.35小時車載資料和43.5小時行人跟蹤資料，旨在透過多樣的文化、地理和人機互動場景推動社會導航研究。

本研究展示了深度強化學習如何使蛇形機器人在動態變化的粘滯環境中實現自適應運動，克服了傳統預設控制方法的效能限制。透過非對稱Actor-Critic框架，利用物理模擬器中的特權資訊訓練教師策略，再將知識蒸餾到僅依賴本體感覺感測器的學生策略中。模擬結果表明，DRL智慧體能自主獲得非正弦自適應步態，提高推進速度和運輸效率，突破傳統正弦和運動學控制的極限。

提出了一種動作條件世界模型框架，用於機器人超聲中的目標平面探頭引導，特別針對頸部超聲掃描。採用兩階段模型學習管道：首先，潛在條件擴散世界模型從上下文幀、探頭運動和時移預測未來超聲影像；然後，目標條件時間變換器預測有序探頭運動，並透過凍結世界模型的獎勵進行微調。在自收集資料集上，世界模型保留了目標導向掃描中的動作依賴解剖結構。真實世界閉環實驗顯示，頸動脈引導成功率達70.0%，甲狀腺引導達65.0%，展示了學習超聲動力學用於訓練目標導向機器人探頭導航的潛力。

本文提出StARS框架，將社交合適的行為生成重新定義為偏好建模問題，借鑑推薦系統思想，融合協同過濾與可學習場景表示，生成個性化的機器人行為評分。在MannersDB+和SocNav1資料集上，StARS顯著提升了效能與標註者一致性，支援根據使用者規範進行個性化行動選擇。

研究人員提出了一種名為Pigey的物理代理編排器，它將機器人能力分解為高層管理器和低層策略，在LIBERO-PRO上實現了超過4倍的效能提升，在真實世界的推理任務中取得了接近100%的成功率。

本文提出有序動作令牌化（OAT）方法，透過將連續機器人動作塊對映為有序離散令牌，同時實現高壓縮、完全可解碼和有組織令牌空間，在超過60個任務中展現了強策略效能和推理靈活性。

GRACE是一種新方法，透過結合擴散模型和模型預測路徑積分（MPPI）控制，僅使用前向成本評估來引導預訓練的擴散策略，從而處理非可微的部署約束，如碰撞檢測和關節限制。該方法在模擬中取得了更高成功率，並在真實7自由度機械臂上成功避開障礙物。

本文全面綜述了機器人學習中的進度獎勵建模方法，指出現有終端成功訊號的不足，並提出統一框架，從模型介面、訊號構建方法和資料基準三個角度系統梳理了該領域的研究進展與侷限性。