政策

索尼音乐娱乐再次起诉AI音乐生成器Udio，指控其侵犯了超过3万首歌曲的版权，包括猫王的《Hound Dog》、碧昂丝的《Say My Name》和哈里·斯泰尔斯的《As It Was》。索尼称这份名单只是侵权行为的一小部分。

营销咨询公司Emarketer分析显示，OpenAI的五年广告收入预测可能低估90%，整个聊天机器人广告市场的总规模仅为54亿美元。到2026年，包括OpenAI、微软、谷歌和亚马逊在内的顶级AI公司广告总收入将不足10亿美元。OpenAI要实现其2030年广告收入1000亿美元的目标，需要三个奇迹同时发生。

OpenIngress 通过模拟浏览器行为爬取网站，捕获 DOM、截图和无障碍快照，并进行静态可操作性分析和 LLM 引导的探索任务，帮助开发者发现并修复 AI 代理在网站导航中的断点。

一位开发者使用 Claude Code 在 29 天内构建了 26 个仓库和 335 个页面。真正的问题并非语法错误或构建失败，而是结构性缺陷：SEO 关键词冲突、URL 约定不一致、源码与生产环境脱节、以及验证工具自身的错误。93% 的 token 消耗浪费在重新读取上下文上。经验教训包括：发布前基准测试、复制前比对差异、先验证生产环境再信任静态分析、在扩展前书面约定规则、以及一次会话只做一件事。

一项大规模人类受试者研究（n=4100）发现，AI语音模型在语音钓鱼诈骗中的成功率与人类骗子相当，在某些情况下甚至超越人类。多达36%的参与者可能上当，且AI语音难以被识别。经济分析表明，AI语音钓鱼已具有盈利潜力，凸显了自动化诈骗的新威胁。

本文探讨了SpaceX快速纳入纳斯达克100指数对指数基金投资者的影响。文章解释了指数基金的工作原理，讨论了人们对埃隆·马斯克治理方式的担忧，以及投资者是否应担心市场中的人工智能集中度。

本文分析了Seedance 2.0在2D动画生成中的挑战和优势，包括技术难点、成本、工作流程以及版权问题。

人工智能在数学领域取得惊人进展，从国际奥数金牌到解决数十年未解难题，引发数学家对学科未来的深刻担忧。《莱顿宣言》提出23点计划，呼吁保持数学以人为中心。数学家们对于是否接受AI、如何理解AI证明等问题存在分歧，并担心AI实验室对研究方向的控制。

据《对话》报告，为满足AI数据中心激增的电力需求，电力公司可动用征用权强制购买私人土地以建设输电线路。美国已有数千个数据中心运营，但民众因土地、噪音、水耗等问题反对建设。征用权需证明公共用途，各州解释不同。2026年第一季度已有75个数据中心项目被成功阻止。

受监管行业（如金融、法律、税务和审计）对AI的采纳面临零容错率的要求。斯坦福研究发现通用语言模型在法律问题上的幻觉率高达58%-88%。AI必须满足受托责任级别的准确性、数据保护和人为签核要求，才能安全部署。文章提炼了四个关键洞察：准确性标准、工作流自动化、数据保障和明确的责任划分。

随着AI系统具备推理、使用工具、访问数据和自主行动的能力，传统安全方法已不足以应对新型攻击面。本网络研讨会探讨为何AI驱动的对抗性测试正成为AI安全的关键环节。

本·汤普森提出美国应立法明确训练数据为合理使用，并禁止禁止蒸馏的服务条款，以帮助美国开源模型与中国模型竞争。同时，阿里巴巴决定发布Qwen 3.8 Max开源权重，可能受习近平鼓励开源合作的讲话影响。

LangChain 构建了 IssueBench，这是一个合成基准测试，用于评估 LangSmith Engine 在代理轨迹中识别、分类和分组问题的能力。本文介绍了 IssueBench 的构成、评分方式以及构建过程中的经验教训。

Open Minis是一款深度集成苹果原生框架的iOS智能代理应用，它通过内置Linux终端和专门的命令行接口，实现了对日历、家庭、健康、照片等系统组件的精准控制。作者展示了它如何调用HomeKit传感器数据、结合照片与健康信息，甚至创建交互式地图，其能力远超当前Siri AI，堪称前沿模型与iOS系统能力结合的典范。

这是一个为初创企业设计的快速测验，帮助判断其AI项目是否受欧盟AI法案的监管。

硬盘价格飙升让NAS变得小众，但群晖DS225+依然值得推荐。本文分析了NAS成本上涨的原因（AI数据中心需求），对比了云存储的优势，并指出了NAS的适用人群。最终推荐DS225+，因其2.5GbE端口、SHR磁盘管理和优秀的DSM软件，尽管存在一些厂商限制。

Apache Spark 4.2 发布，新增原生向量搜索、治理指标、流处理升级和 Python 支持增强，使 Spark 扩展为 AI 服务层，减少对独立向量数据库的需求。

旧金山一家新开的餐厅因使用AI生成的菜单图片而遭到社区强烈批评，甚至被涂鸦破坏。店主不得不撤下图片，并计划通过社区活动重建声誉。

AI代理正成为生产基础设施的一部分，但随之而来的是治理挑战。本文提出了一个框架，通过LLM网关在运行时强制执行策略，涵盖安全性、身份认证、审计日志、数据隔离等基础，并提供了三种常见切入点（可见性主导、控制主导、保证主导）。网关与追踪、评估、监控系统集成，实现持续改进。

Jaron Lanier 认为“人工智能”一词具有误导性，大型语言模型只是人类创作数据的统计混合体，并非独立智能。他主张将 AI 视为工具而非生物，并提倡数据尊严和透明度以管理技术风险。

本文介绍了作者与其联合创始人Lav构建Competitor Tracker的经历，这是一个专为人类和AI代理设计的竞争对手追踪工具。作者探讨了AI如何改变产品开发的瓶颈，从开发转向市场推广，并分享了从失败到成功的历程。产品提供API、MCP、Web仪表盘和每周摘要，支持人类和代理共同使用。

传统的招聘流程在AI时代失效，因为AI可以轻易生成精美的简历、案例和作业。文章基于Anthropic、Ramp、Notion、Stripe等公司的实际招聘实践，提出了一套全新的招聘方法：从职位描述到面试各环节，重点考察候选人运用AI和纠错的能力，而非文档质量。

本文介绍如何配置 Claude Code 以获得高性能的智能编程体验，涵盖安装、权限、钩子和命令习惯，帮助你充分利用这一工具。

AI搜索流量在2025年增长了66%，但仍不到总访问量的0.15%。即使没有直接点击，AI引用也能提升品牌曝光。本文介绍如何检查你的网站是否被AI引用，以及如何通过优化内容、设置llms.txt文件等策略提高被引用的机会。

HuggingFace最近的事件揭示了AI安全防护措施的根本不对称性：它们阻碍了防御者，而攻击者则不受限制地操作，迫使防御者依赖开源模型进行取证分析。

技术专业人士因AI感到压力，倦怠增加，乐观减少。调查发现，刻意说'不'是一种解决方案。

文章作者认为，AI可以像联合创始人一样帮助创业者填补技能空白，使单人创业变得可行。他建议先独自利用AI搭建产品，与客户交流，等到真正遇到瓶颈时再考虑引入人类联合创始人。这并非否定人的价值，而是主张在产品验证之前不要过早增加永久合伙人。

JetBrains 对“Rust Token Killer”（rtk）进行了严格的 A/B 基准测试，发现其声称的 60-90% token 节省并未实现。在低推理成本下，中位数成本反而增加了 7.6%，而在高推理成本下则无显著变化。测试揭示了工具自报节省与实际账单之间的巨大差距。

本文介绍了五个经过精选的MCP服务器，它们能显著增强AI代理的实际能力，而非仅仅基于星级评价。涵盖GitHub MCP、Playwright MCP、Context7、Serena以及官方参考服务器，并提供了如何整合它们以构建高效代理系统的建议。

普林斯顿大学和芝加哥大学的研究发现，大型语言模型（如ChatGPT、Claude和Gemini）在模拟招聘游戏中，比人类更容易根据有限的早期经验形成刻板印象，将不同背景的求职者隔离到不同的职业类别中。新模型偏见更强，但通过设置多元化招聘奖金或提供个人化信息可减轻偏见。这引发了AI在招聘、贷款等决策中产生未知偏见的担忧。

中国领先的人工智能公司Moonshot和阿里巴巴发布了新模型，声称能以更低成本与OpenAI和Anthropic的最佳模型竞争。这些开放源代码的发布加剧了中美技术竞赛，并质疑美国巨额投入是否能维持优势。

OpenAI分享了部署长期运行AI模型的经验，强调了新的安全风险、观察到的失败，以及通过迭代部署改进的安全措施。

美国公共卫生部门将通过PULSE计划测试生成式AI工具，涉及OpenAI、Anthropic和埃森哲。该计划将在10个州、地方、部落或地区开展试点，旨在为公共卫生机构的AI部署提供指导。OpenAI和Anthropic捐赠了10个企业许可证，可供2000名从业者使用。试点将涵盖五个用例，包括生物监测、健康的社会决定因素、公共沟通、自动化临床数据检索等。计划于2026年秋季启动，2027年发布实施手册。

AI透明度是记录人工智能系统的数据、模型行为和决策过程的实践，与可解释性（解释单个预测）和可理解性（描述内部逻辑）不同。欧盟AI法案对高风险和通用AI系统提出了透明度要求，将其与法律合规直接挂钩。本文探讨了透明度的重要性、关键组件（如模型卡、数据表、审计日志）、治理结构、供应商管理以及面向用户的披露要求。

2026年AI编程订阅计划采用不同的计费模式，如固定月费、每几小时或每周刷新配额等。本文比较了MiniMax、小米MiMo、GLM、Kimi Code和Canopy Wave五种计划的定价、限制、集成和最佳用例，帮助开发者根据工作流选择最合适的方案。

提供免费的纽约市LL144和欧盟AI法案合规资源，包括指南、罚金计算器、AEDT范围检查器等工具。涵盖执行时间线、处罚案例、审计要求及关键合规义务。

在灾难检查、搜索救援等关键任务中，通信受限的机器人必须依赖机载决策。低成本的记忆重用可能因环境变化而变得不安全（称为“记忆陷阱”）。本文提出MemoGuard，一种轻量级自适应运行时，在重用前根据拓扑、资源和结果契约验证记忆，仅当验证失败时才调用回退推理。在走廊巡检模拟器中，与单纯相似性重用相比，电池安全违规减少76.6%，回退调用次数比始终使用推理减少21.4%。在NVIDIA Jetson AGX Xavier上使用本地llama3.2:3b回退推理时，每次试验节省3.67秒和36.97焦耳。

本文提出一种基于模型的解耦策略，利用嵌入在软体拱形段中的流体压力传感器同时实现本体感觉和接触检测。每个段有六个气道，通过分段常曲率模型和Huber回归处理过定系统，实现形状估计和外力接触检测。在单段测试中，相对弯曲误差为0.11±0.02，接触检测率达97%。八个段集成为Air-Helix肌腱驱动软体机械臂，展示了触觉示教、导纳控制和物体重建等应用。

人类对不确定结果的评估存在风险敏感性，而传统奖励学习使用期望效用（EU）模型却忽略了这一点。本文提出基于累积前景理论（CPT）的偏好学习方法，在社交机器人导航实验中，对于风险敏感用户的偏好，CPT方法比EU方法显著降低了遗憾值，强调了建模人类风险敏感性的重要性。

小米机器人团队提出Xiaomi-Robotics-1，一个基础视觉-语言-动作（VLA）模型，能够遵循多样语言指令在未见环境中执行移动操作任务，并通过少量微调数据高效适应新任务。模型采用两阶段训练：预训练阶段利用超过10万小时的真实操作轨迹（通过UMI设备收集）赋予模型广泛的动作生成能力，并开发了可扩展的自动标注流水线；后训练阶段对齐机器人本体和人类指令。实验证明模型具有强扩展性，在RoboCasa365上达到57.6%的成功率，在RoboDojo上取得20.07的平均分，均超越先前最佳水平。代码和模型将开源。

老年人跌倒是重大安全挑战，但持续监控困难。本文提出隐私保护框架，用无监督关键点和预测时序建模替代RGB传输，在本地处理分割和关键点提取，通过变分递归预测和序列分类检测跌倒。在UR Fall Detection和Human Fall数据集上评估，无监督关键点在遮挡和部分可见性下显著优于监督方法，带宽约束下差距扩大。

本文提出BIRD，一种两阶段自我推理蒸馏方法，通过先采样简洁解并进行提示切换SFT，然后应用在线逆KL蒸馏，显著提升了大语言模型在长链推理中的效率。在Qwen3-8B上，MATH-500准确率从86.2%提升至92.0%，同时响应长度从3099降至1115 tokens。

提出PATR方法，通过过程反馈评分部分轨迹、选择性分支、共享前缀和停止退化路径，提升多轮强化学习效率。在FrozenLake和SWE-Bench上分别提升9.3和5.0分。

SkillCorpus从约82.1万个候选技能中筛选出超过9.6万个开源LLM Agent技能，采用16类分类法和三个质量维度进行组织。结合检索与选择堆栈，它在多个基准测试中取得了持续改进，其中在SkillsBench上提升最大，达7.5个百分点。

本文介绍EpiNarrate，一种用于公共卫生报告生成的智能框架，将结构化数值推理与自然语言生成分离。框架通过部分有序模式提取情景轴，构建增强数据集，并采用比较语法确保语义和算术一致性，同时利用最大熵原理驱动的有趣性选择机制平衡覆盖与非冗余。在COVID-19情景建模中心上的实验表明，该模型生成的叙述具有更好的事实基础和更广泛的流行病学模式覆盖。

这项研究利用2019年和2021年的医疗支出小组调查（MEPS）数据，评估了COVID-19大流行前后美国医疗财务脆弱性的变化。财务脆弱性定义为家庭自付医疗支出超过家庭收入的10%。研究发现，贫困状况、保险覆盖和处方药支出是财务脆弱性的主要预测因素，且不同人群之间的差异持续存在。尽管大流行后脆弱性有所增加，但基于大流行前数据训练的模型在预测大流行后情况时性能下降幅度很小，表明主要预测因素相对稳定。

本文提出随机重置路径寻找（SRP）问题，一种在已知有向图上进行情节学习的框架，其中边的成功概率未知且固定。SRP模拟了量子中继网络中的纠缠分发、闪电网络中的支付路由等场景。作者证明了全局重置结构使得最优策略为开环策略，属于组合级联赌博机（CCB）范畴。他们提出了Log-Dijkstra元算法，并实例化了基于UCB的PathUCB和基于汤普森采样的PathTS。主要理论成果是PathUCB的路径级遗憾界，通过每条路径的复杂度C(π)将遗憾分解到次优路径上。实验表明PathTS通常表现最佳，但存在对抗实例导致其不收敛。推荐PathTS作为实用默认算法，但需警惕对抗实例。

本研究基于OECD数据集，对可信人工智能(TAI)工具和信任标记框架进行了实证分析，揭示了伦理焦点、生命周期覆盖、利益相关方定位及工具类型学上的显著不对称。研究建议扩大伦理目标、将伦理嵌入AI全生命周期，并促进更广泛的多利益相关方参与。

本文提出将深度强化学习策略转换为可执行的Prolog逻辑程序，使黑盒模型变得可解释。该方法通过三阶段后处理：提取冻结的PPO教师、归纳有序规则列表并生成Prolog程序，再通过扩展阶段优化规则。理论证明包括返回损失界限、单调改进与终止性，以及在连续观察空间中保真度的控制。实验表明，在离散任务中达到最优回报，在连续控制任务中匹配或接近神经网络性能。

AnovaX是一个完全在用户计算机上运行的本地优先桌面语音助手，利用单个Python进程集成唤醒词门控、语音处理、基于Gemini的LLM规划器（输出JSON计划）、安全层、多智能体协调器（将计划转化为类型化子智能体）以及自适应恢复循环。每个工具对应专门的智能体类，具有超时、重试策略和共享资源锁。通过Flask服务器支持手机远程控制，实时镜像智能体事件并流式传输屏幕。项目旨在展示一个轻量级、可读的助手足以完成复杂桌面任务。