政策

中國國家主席習近平在上海世界人工智能大會上呼籲各國合作發展AI，並宣佈成立由29個國家組成的世界人工智能合作組織（WAICO），旨在制定全球AI規則。此舉被視為中國挑戰美國在AI領域主導地位的舉措。

Linus Torvalds 為 AI 編碼工具在 Linux 開發中的使用進行辯護，稱 AI 是基於技術價值的實用工具。他承認 AI 並不完美，但認為批評者應先審視人類自身的缺陷。儘管有研究顯示使用 AI 工具的開發者生產力可能下降，但 Torvalds 強調其實際價值，並透露自己已在項目中使用“氛圍編程”工具。

NeoSigma公司構建了一套沙盒基礎設施，為自主代理提供安全、隔離且功能完整的執行環境，使其能夠像在真實開發環境中一樣工作，同時確保每一操作都受控、可重現且可丟棄。

26名Meta員工起訴公司，指控其使用人工智能系統針對休病假或家庭假的員工進行裁員，違反了保護孕婦、殘疾人和休假員工的法律。Meta否認指控，稱裁員決定由人而非AI做出。

文章討論了金融服務業中代理型AI（Agentic AI）的ROI證明問題，指出傳統監控工具無法處理多代理系統的動態成本結構。通過兩個實際用例——RFP處理流程自動化和反洗錢合規監控，展示瞭如何利用LangChain平台（含LangSmith和LangGraph）與Pay-i經濟智能平台結合，將工程級可觀測性連接到業務價值，從而向領導層證明AI投資回報。

蘋果正在起訴OpenAI。訴狀可讀性強且激烈，但許多專家認為很多指控只是行業常規做法。蘋果的真實意圖是什麼？為何公開鬥爭？本期節目探討蘋果的訴訟歷史，分析其是否擔心競爭對手或趁機打擊OpenAI。同時，蘋果發佈新版公測軟件，重點是新Siri AI。此外，還有OpenAI設備、Pixel手機泄露，一加退出美歐市場等新聞。最後快速回顧Brendan Carr、X平台混亂、裂開表情符號等話題。

貝利·弗拉尼根是一位跨學科研究者，現任麻省理工學院施瓦茨曼計算機學院、政治學系和電氣工程與計算機科學系的聯合教員。她的研究聚焦於利用計算和數學工具促進民主參與，開發了用於隨機選擇公民大會參與者的算法，並部署在Panelot.org平台上。

教練視角（Coach's Corner）是一款基於Databricks平台的應用，能將每秒25幀的比賽追蹤數據轉化為亞秒級的2D/3D戰術板，集回放、事件分析、球探聊天和對手檔案代理於一體。通過Lakeflow管道、DBSQL和Lakebase實現數據的高效處理與快速查詢，並利用Genie、向量搜索和代理技術提供基於治理數據的AI洞察，解決了高頻數據在決策中的可用性鴻溝。

本文從高層次概述了Smartsheet遠程MCP架構，重點介紹了其背後的AWS基礎設施，包括安全性、治理、擴展和部署，以及Smartsheet在AWS上構建的AI特定優化。

Startup Factory 是一個開源框架，可將項目管理工具（如 Jira、Linear、GitHub Issues、Markdown）轉化為由 AI 代理驅動的受控交付系統。它提供分層安全邊界、確定性調度和多模型支持。

本文探討AI記憶可移植性問題，指出記憶正成為新供應商鎖定機制，現有導出功能無法實現真正的可移植性。文章分析行為、上下文和關係三種鎖定類型，介紹Cognee和ByteRover等早期嘗試，並呼籲建立中立記憶交換標準。

Bunkerhill Health 完成5500萬美元B輪融資，用於擴展其代理型AI平台 Carebricks。該平台已在美國多家醫療系統運行，包括克利夫蘭診所、得克薩斯大學醫學分部（UTMB）等。UTMB 已部署超過20個AI代理，在臨牀、運營和管理方面取得初步成效，如降低專家等待時間、提高隨訪率等。

在特朗普指責中國竊取美國選舉數據的同時，習近平在上海人工智能峯會上強調中國希望引領全球AI發展，並倡導AI為全球公共產品。中美在AI領域的競爭日益激烈，雙方在技術、安全規則和國際影響力上展開博弈。

DoorDash發佈了一個命令行界面（dd-cli），使AI智能體無需人類批准即可在其平台上直接下單。此舉雖然讓開發者受益，但也引發了關於去中介化及DoorDash商業模式的爭議。專家警告，如果智能體主導下單成為常態，拒絕提供這樣的API可能會帶來更大風險。

企業不再僅僅滿足於部署AI，而是更關注可衡量的商業價值、工作流程再造以及成功擴展AI所需的治理。

AI雖然改變了眾多行業，但在教育領域進展緩慢，因為學習的關鍵在於意義優先於技巧，需要關愛的人類參與。文章提出雙軌制教育方法：課程軌（保留傳統路徑）和兒童主導軌（激發興趣）。強調在AI時代，應注重培養意義感和真實世界項目，通過認知學徒制等方式讓孩子為未來做好準備。

Meta 的新模型 Muse Spark 1.1 現可通過 Databricks 的 Unity AI Gateway 中的模型提供商服務（MPS）使用。該服務允許組織在 Unity Catalog 中註冊提供商一次，消除 API 密鑰氾濫，並通過熟悉的權限、速率限制和護欄實現集中治理。此外，自動跟蹤每次請求的令牌使用量、延遲、成本歸屬和審計日誌，提供端到端的可觀察性。

專家警告，AI代理將顛覆企業軟件收入模式，但SaaS末日論被誇大。供應商通過強化核心能力來應對去中介化風險。

BrowserAct是一個瀏覽器自動化CLI，專為AI代理設計，能夠突破反爬蟲封鎖、支持人工接管、並行任務無干擾，並隔離多個賬號。它通過環境層、執行層和人工層三層機制突破封鎖，提供三種瀏覽器模式，並針對LLM推理優化輸出格式。

本文介紹了五個免費的智能體AI學習資源，涵蓋從入門到理論、從實踐到評估的各個方面，幫助學習者深入理解並有效構建智能體。

最近對不同國家AI模型的測試顯示嚴重的地域審查現象。作者提議建立自願的國際認證標準，以優先考慮事實而非政治利益。

本文探討了在代理開發中規格説明的必要性，指出零規格和過度規格都有成本，最佳平衡點取決於任務類型，並強調了規格驗證和可執行測試的重要性。

本文總結了五項最近關於AI在軟件工程領域的研究論文，這些論文共同揭示了AI正在壓縮軟件工程的上游工作，但下游瓶頸隨之出現。主要發現包括：GitHub Copilot使PR吞吐量增加約40%，且呈劑量反應關係；AI在代碼生成階段的增益（高達+180%）在交付過程中大幅衰減（最終僅+30%的發佈量）；生產力與開發者體驗出現脱鈎；開發者希望AI更多用於驗證任務而非代碼生成；以及“認知債務”和“意圖債務”正在成為新的軟件健康問題。

JetBrains 研究團隊探討了 AI 與擴展現實（XR）結合如何為技術創作者帶來新的交互範式。通過專家訪談，他們總結了五個主題：人類如何向 AI-XR 系統傳達意圖、AI 如何使 XR 環境理解並適應個人、阻礙 XR-AI 主流化的因素、AI-XR 如何改變創作方式，以及隱私和倫理風險。研究指出，XR 硬件和 AI 的融合將徹底改變技術創作，但面臨技術、認知和組織上的挑戰。

該數據集提供了一個歐盟AI法案（法規(EU) 2024/1689）的單文件、預嵌入SQLite語料庫，按法律結構分塊（每條款段落、每序言、每附件點、每第3條定義），包含BGE-M3密集嵌入、元數據、風險等級標籤等，可直接本地查詢，用於研究與工程。

這張NMC首秀專輯展示了萊德洛將科學與古典音樂融合的複雜而富有想象力的作品，包括以愛因斯坦場方程為靈感創作的鋼琴協奏曲《扭曲》。

歐盟發佈兩項新規，要求谷歌共享搜索數據並開放安卓系統，以便競爭對手AI公司能公平接入。此舉旨在打破科技巨頭的數字壟斷，促進創新，但谷歌警告可能會危及用户隱私和數據安全。

本文提出LIFT框架，通過在預訓練視覺-語言-動作（VLA）策略後訓練中注入反應式力，解決接觸場景下純視覺方法失敗的問題。LIFT嫁接反應式動作專家，利用因果力記憶和零初始化交叉注意力注入6D力，並結合在線DAgger循環應對分佈偏移。在毛巾摺疊、書籍插入和漢諾塔放置任務中，LIFT相比純視覺後訓練學習更快、性能更高。

本研究提出了一種新穎的多模態編排框架，實現語義音頻驅動的人形機器人控制。系統通過音頻指紋和語義嵌入實時處理音樂或語音輸入，動態選擇並執行動作策略，在仿真和Unitree G1人形機器人上驗證了魯棒的模擬到現實遷移。

研究人員提出一種針對柔性關節機器人的自適應控制方法，以應對不確定的關節剛度。該方法通過隱式控制律和依賴於控制輸入的迴歸矩陣，在線更新每個關節的非線性扭矩-偏轉關係估計，並分析了其對電機位置控制器誤差的魯棒性。在具有非線性剛度特性的柔性關節上的實驗結果驗證了該方法的有效性。

SD-MAR是一個用於訓練和評估視覺語言模型（VLM）在多圖像分析推理任務上的框架。它通過受控擾動構建成對視覺場景，並生成涉及語義變化歸因和定量比較的推理任務。採用GRPO-lite與後向折扣分配（BDA）的強化學習方法，去除KL正則化以增強策略優化。在Qwen2.5-VL-7B和InternVL3-8B上的實驗表明，域內準確率提升高達36.95%，且Qwen2.5-VL-7B在SD-MAR基準上超越GPT-4.1。域外泛化性能保持或提升，在MME、MMMU-Pro、MathVista上波動在1%以內，在MMBench上提升達4%。

本文提出SIRUS，一種無需訓練的推理時框架，用於文本到視頻（T2V）模型中的概念級遺忘。SIRUS通過定位與目標概念相關的提示證據並在採樣過程中抑制其表達，無需更新文本編碼器或去噪網絡。同時，引入面向視頻的評估框架，分別測量目標遺忘、非目標保持、視頻質量、越獄魯棒性和效率。在CogVideoX上，SIRUS在五個安全、物體和風格概念上平均遺忘成功率達70.4%，幀命中率25.7%，優於VideoEraser的44.4%和47.2%，並將VBench質量平均下降從-0.043降至-0.016。在Wan2.2上的遷移實驗表明SIRUS可泛化至現代T2V骨幹網絡。

研究提出JKP框架，通過重複挑戰性提問評估視覺語言模型的穩定性。測試GPT-4o、Gemini 2.5 Pro和Qwen3-VL-30B發現，模型在持續追問下表現不穩定，答案頻繁翻轉，且不同模型響應模式各異。

該研究分析了閉環知識系統（如大型語言模型、強化學習）為何在重複內部反饋下趨於飽和，並提出了一個三層次操作框架，通過結構干預實現逃逸。使用李雅普諾夫漂移條件刻畫穩定性，並通過干預引起的吸引子位移和KL下界表徵逃逸。案例研究包括LLM代碼修復、稀疏獎勵強化學習和貝葉斯優化。

本文提出C3R，一種即插即用的控制層，通過推斷域後驗，無需查詢時標籤，在可行時認證逐域污染預算，否則棄權而非違規。該方法基於風險控制預測集的兩階段方案，保證最困難域污染減少，實驗表明穩定性好，召回率優於傳統方法。

一種名為LLM-T1D的新方法將強化學習與大語言模型相結合，創建了一種可解釋的胰島素泵控制器，用於1型糖尿病，實現了73.5%的時間在目標血糖範圍內，同時提供清晰的解釋。

一篇新論文提出了一種三級分層學習架構，用於執行搜索與救援任務的自主無人機羣，整合了赫布神經可塑性、基於圖神經網絡和行為樹的多智能體強化學習，以及帶BDI推理和數字孿生的元學習。該框架提供形式化保證，並引入羣體元認知。

針對AI生成代碼速度快於人類審查而導致的信任危機，本文提出“語義合約”——一種類型安全、編譯時檢查的藍圖，位於需求與代碼之間，確保任何實現（無論人工還是AI編寫）的正確性。文章通過排序算法和電商結賬示例展示了語義合約的構建塊、狀態處理和集成方式。

企業大規模部署AI時，最大障礙往往是數據從存儲到計算的基礎設施，而非GPU等計算硬件。文章指出，許多組織誤以為性能問題需要更多計算資源，實則根源在於數據飢餓，即數據無法高效、安全、持續地在存儲與計算之間流動。通過引入應用交付控制器實現松耦合架構，以及關注可達性、策略和交付三個維度的韌性，可顯著提升GPU利用率和AI投資回報。

Gradle Technologies 現已更名為 Develocity，專注於 AI 驅動的軟件交付管道治理與效率。公司表示，AI 已將軟件交付瓶頸從人類轉移到管道上。

Preempt AI v2 推出，為AI應用提供安全標準，利用ML技術防禦提示注入、越獄和數據泄露。支持多種語言，延遲低於10毫秒，準確率達99.65%。

Meta推出新AI工具Muse Image後，因允許用户標記他人賬户並利用其照片生成AI圖像而遭到批評。該公司已禁用此功能，但用户仍需手動關閉權限以防止照片被用於AI生成。該功能默認開啓，引發隱私擔憂。

VulnHunter 是一個開源的智能體AI安全工具，採用攻擊者優先的主動分析方法，直接從源代碼中識別可被利用的漏洞，並提出證據支持的修復方案。它由 Capital One 內部開發並開源，旨在應對現代軟件供應鏈中的安全挑戰。

微軟的Foundry平台現已支持超過8萬家企業構建AI代理。在產品副總裁Marco Casalaina的訪談中，他解釋了原型與生產環境代理之間的關鍵差異、代理框架的重要性，以及微軟如何構建上下文層以確保代理的可靠性。

Astrio 推出 Forall（∀），一個通過規範驅動生成代碼並附帶機器可驗證證明的編程助手。支持 CLI 和 MCP 兩種使用方式，目前兼容 TypeScript、Java 和 Rust，基於 Apache-2.0 開源。

美國版權局裁定，完全由AI生成的內容不具備版權。一位作者因未保留AI生成的原始草稿，無法證明書中哪些部分由人類創作，面臨版權申請被拒的情況。

Rootly AI實驗室開發了《毀滅戰士》競技場（Doom Agent Arena），一個開源實時遊戲環境基準測試，用於測試AI智能體在事件響應中的推理、適應和決策能力。通過讓LLM控制遊戲角色，研究發現更長的思考時間並不總是帶來更好的結果，智能體編寫自己的“運行手冊”能夠提高效率，而快速決策雖然不直接決定勝負，但可以累積節省時間。這些發現為設計更高效的AI輔助事件響應系統提供了啓示。

本文深入探討19世紀盧德運動的歷史真相，分析其策略、成敗得失，並論證為何現代反AI運動不能簡單效仿盧德主義。作者指出，盧德運動的特定歷史背景、地方性特徵和具體訴求與當前AI擔憂存在根本差異。

研究提出MemDecay，一種訓練無關的區域感知KV緩存淘汰策略，通過為不同語義區域的令牌分配不同優先級和衰減率，在固定緩存預算下保留關鍵信息。實驗表明，系統令牌的半衰期遠長於暫存區令牌，且固定策略能在全部設置中保持完美準確率，而現有基線最多僅保留13/24。

OpenAI 通過 GPT-Red 結合人類與 AI 進行紅隊測試，創新地評估模型安全性，但企業仍需確保模型符合自身業務和安全需求。