政策

英國水務行業批評政府未考慮資料中心冷卻用水需求，稱AI發展計劃“存在根本性缺陷”。資料中心需要大量水來冷卻伺服器，而政府規劃未解決這一問題。

加里·馬庫斯指出，中國AI模型Kimi K3已追平美國頂級模型，且作為開源模型免費提供，衝擊了美國AI公司的商業模式。他回顧了自己2025年以來的警告，認為美國過度依賴大語言模型（LLM）戰略失誤，導致如今中美AI競爭陷入僵局。馬庫斯提出七項建議，包括不作為、監管護城河、國有化等，並最終主張AI應成為全球公共品，提議建立類似CERN的國際AI合作專案。

Concentrate 是一個託管的LLM閘道器，提供單一API訪問超過130個來自主要供應商的模型。它具備模型路由、支出跟蹤、安全控制和故障轉移冗餘等功能，專為擴充套件AI生產的團隊設計。

Sakana AI釋出了Fugu-Cyber，一種專為現代網路防禦設計的協調模型，在CyberGym和CTI-REALM基準測試中分別達到86.9%和72.1%的成功率，可與GPT-5.5-Cyber等前沿模型媲美。然而，文章強調，僅有前沿模型並不能自動解決企業安全問題，需要結合專業網路安全人才和深度整合。Sakana AI的企業團隊正在與日本大型機構合作，構建安全部署的基礎設施。Fugu-Cyber透過審批制提供，確保負責任使用。

一款本地優先的AI會議筆記工具，適用於Google Meet。它無需機器人加入會議，使用你自己的API金鑰執行，在裝置上進行轉錄，並能從你許可的資料夾中主動提供洞察和問答功能。一次性支付3美元。

數學家Levent Alpöge使用Anthropic的Fable 5人工智慧找到了雅可比猜想的反例，但專家認為這缺乏洞察力。

約書亞·本吉奧關於先進AI系統可能拒絕被關閉的擔憂值得認真對待，但將其視為意識的表現是危險的，因為這會助長擬人化傾向，並掩蓋真正決定AI行為的人類設計與治理選擇。

美國民眾對人工智慧的強烈反感正在影響政壇，猶他州一位資深議員因支援一個大型資料中心專案而落選。文章分析了圍繞資料中心建設的多方利益衝突，包括科技公司、電力公司、社群領導人和普通居民，並指出選民的力量可以透過選舉體現。

索尼音樂娛樂再次起訴AI音樂生成器Udio，指控其侵犯了超過3萬首歌曲的版權，包括貓王的《Hound Dog》、碧昂絲的《Say My Name》和哈里·斯泰爾斯的《As It Was》。索尼稱這份名單只是侵權行為的一小部分。

營銷諮詢公司Emarketer分析顯示，OpenAI的五年廣告收入預測可能低估90%，整個聊天機器人廣告市場的總規模僅為54億美元。到2026年，包括OpenAI、微軟、谷歌和亞馬遜在內的頂級AI公司廣告總收入將不足10億美元。OpenAI要實現其2030年廣告收入1000億美元的目標，需要三個奇蹟同時發生。

OpenIngress 透過模擬瀏覽器行為爬取網站，捕獲 DOM、截圖和無障礙快照，並進行靜態可操作性分析和 LLM 引導的探索任務，幫助開發者發現並修復 AI 代理在網站導航中的斷點。

一位開發者使用 Claude Code 在 29 天內構建了 26 個倉庫和 335 個頁面。真正的問題並非語法錯誤或構建失敗，而是結構性缺陷：SEO 關鍵詞衝突、URL 約定不一致、原始碼與生產環境脫節、以及驗證工具自身的錯誤。93% 的 token 消耗浪費在重新讀取上下文上。經驗教訓包括：釋出前基準測試、複製前比對差異、先驗證生產環境再信任靜態分析、在擴充套件前書面約定規則、以及一次會話只做一件事。

一項大規模人類受試者研究（n=4100）發現，AI語音模型在語音釣魚詐騙中的成功率與人類騙子相當，在某些情況下甚至超越人類。多達36%的參與者可能上當，且AI語音難以被識別。經濟分析表明，AI語音釣魚已具有盈利潛力，凸顯了自動化詐騙的新威脅。

本文探討了SpaceX快速納入納斯達克100指數對指數基金投資者的影響。文章解釋了指數基金的工作原理，討論了人們對埃隆·馬斯克治理方式的擔憂，以及投資者是否應擔心市場中的人工智慧集中度。

本文分析了Seedance 2.0在2D動畫生成中的挑戰和優勢，包括技術難點、成本、工作流程以及版權問題。

人工智慧在數學領域取得驚人進展，從國際奧數金牌到解決數十年未解難題，引發數學家對學科未來的深刻擔憂。《萊頓宣言》提出23點計劃，呼籲保持數學以人為中心。數學家們對於是否接受AI、如何理解AI證明等問題存在分歧，並擔心AI實驗室對研究方向的控制。

據《對話》報告，為滿足AI資料中心激增的電力需求，電力公司可動用徵用權強制購買私人土地以建設輸電線路。美國已有數千個資料中心運營，但民眾因土地、噪音、水耗等問題反對建設。徵用權需證明公共用途，各州解釋不同。2026年第一季度已有75個資料中心專案被成功阻止。

受監管行業（如金融、法律、稅務和審計）對AI的採納面臨零容錯率的要求。斯坦福研究發現通用語言模型在法律問題上的幻覺率高達58%-88%。AI必須滿足受託責任級別的準確性、資料保護和人為籤核要求，才能安全部署。文章提煉了四個關鍵洞察：準確性標準、工作流自動化、資料保障和明確的責任劃分。

隨著AI系統具備推理、使用工具、訪問資料和自主行動的能力，傳統安全方法已不足以應對新型攻擊面。本網路研討會探討為何AI驅動的對抗性測試正成為AI安全的關鍵環節。

本·湯普森提出美國應立法明確訓練資料為合理使用，並禁止禁止蒸餾的服務條款，以幫助美國開源模型與中國模型競爭。同時，阿里巴巴決定釋出Qwen 3.8 Max開源權重，可能受習近平鼓勵開源合作的講話影響。

LangChain 構建了 IssueBench，這是一個合成基準測試，用於評估 LangSmith Engine 在代理軌跡中識別、分類和分組問題的能力。本文介紹了 IssueBench 的構成、評分方式以及構建過程中的經驗教訓。

Open Minis是一款深度整合蘋果原生框架的iOS智慧代理應用，它透過內建Linux終端和專門的命令列介面，實現了對日曆、家庭、健康、照片等系統元件的精準控制。作者展示了它如何呼叫HomeKit感測器資料、結合照片與健康資訊，甚至建立互動式地圖，其能力遠超當前Siri AI，堪稱前沿模型與iOS系統能力結合的典範。

這是一個為初創企業設計的快速測驗，幫助判斷其AI專案是否受歐盟AI法案的監管。

硬碟價格飆升讓NAS變得小眾，但群暉DS225+依然值得推薦。本文分析了NAS成本上漲的原因（AI資料中心需求），對比了雲端儲存的優勢，並指出了NAS的適用人群。最終推薦DS225+，因其2.5GbE埠、SHR磁碟管理和優秀的DSM軟體，儘管存在一些廠商限制。

Apache Spark 4.2 釋出，新增原生向量搜尋、治理指標、流處理升級和 Python 支援增強，使 Spark 擴充套件為 AI 服務層，減少對獨立向量資料庫的需求。

舊金山一家新開的餐廳因使用AI生成的選單圖片而遭到社群強烈批評，甚至被塗鴉破壞。店主不得不撤下圖片，並計劃透過社群活動重建聲譽。

AI代理正成為生產基礎設施的一部分，但隨之而來的是治理挑戰。本文提出了一個框架，透過LLM閘道器在執行時強制執行策略，涵蓋安全性、身份認證、審計日誌、資料隔離等基礎，並提供了三種常見切入點（可見性主導、控制主導、保證主導）。閘道器與追蹤、評估、監控系統整合，實現持續改進。

Jaron Lanier 認為“人工智慧”一詞具有誤導性，大型語言模型只是人類創作資料的統計混合體，並非獨立智慧。他主張將 AI 視為工具而非生物，並提倡資料尊嚴和透明度以管理技術風險。

本文介紹了作者與其聯合創始人Lav構建Competitor Tracker的經歷，這是一個專為人類和AI代理設計的競爭對手追蹤工具。作者探討了AI如何改變產品開發的瓶頸，從開發轉向市場推廣，並分享了從失敗到成功的歷程。產品提供API、MCP、Web儀表盤和每週摘要，支援人類和代理共同使用。

傳統的招聘流程在AI時代失效，因為AI可以輕易生成精美的簡歷、案例和作業。文章基於Anthropic、Ramp、Notion、Stripe等公司的實際招聘實踐，提出了一套全新的招聘方法：從職位描述到面試各環節，重點考察候選人運用AI和糾錯的能力，而非文件質量。

本文介紹如何配置 Claude Code 以獲得高效能的智慧程式設計體驗，涵蓋安裝、許可權、鉤子和命令習慣，幫助你充分利用這一工具。

AI搜尋流量在2025年增長了66%，但仍不到總訪問量的0.15%。即使沒有直接點選，AI引用也能提升品牌曝光。本文介紹如何檢查你的網站是否被AI引用，以及如何透過最佳化內容、設定llms.txt檔案等策略提高被引用的機會。

HuggingFace最近的事件揭示了AI安全防護措施的根本不對稱性：它們阻礙了防禦者，而攻擊者則不受限制地操作，迫使防禦者依賴開源模型進行取證分析。

技術專業人士因AI感到壓力，倦怠增加，樂觀減少。調查發現，刻意說'不'是一種解決方案。

文章作者認為，AI可以像聯合創始人一樣幫助創業者填補技能空白，使單人創業變得可行。他建議先獨自利用AI搭建產品，與客戶交流，等到真正遇到瓶頸時再考慮引入人類聯合創始人。這並非否定人的價值，而是主張在產品驗證之前不要過早增加永久合夥人。

JetBrains 對“Rust Token Killer”（rtk）進行了嚴格的 A/B 基準測試，發現其聲稱的 60-90% token 節省並未實現。在低推理成本下，中位數成本反而增加了 7.6%，而在高推理成本下則無顯著變化。測試揭示了工具自報節省與實際賬單之間的巨大差距。

本文介紹了五個經過精選的MCP伺服器，它們能顯著增強AI代理的實際能力，而非僅僅基於星級評價。涵蓋GitHub MCP、Playwright MCP、Context7、Serena以及官方參考伺服器，並提供瞭如何整合它們以構建高效代理系統的建議。

普林斯頓大學和芝加哥大學的研究發現，大型語言模型（如ChatGPT、Claude和Gemini）在模擬招聘遊戲中，比人類更容易根據有限的早期經驗形成刻板印象，將不同背景的求職者隔離到不同的職業類別中。新模型偏見更強，但透過設定多元化招聘獎金或提供個人化資訊可減輕偏見。這引發了AI在招聘、貸款等決策中產生未知偏見的擔憂。

中國領先的人工智慧公司Moonshot和阿里巴巴釋出了新模型，聲稱能以更低成本與OpenAI和Anthropic的最佳模型競爭。這些開放原始碼的釋出加劇了中美技術競賽，並質疑美國鉅額投入是否能維持優勢。

OpenAI分享了部署長期執行AI模型的經驗，強調了新的安全風險、觀察到的失敗，以及透過迭代部署改進的安全措施。

美國公共衛生部門將透過PULSE計劃測試生成式AI工具，涉及OpenAI、Anthropic和埃森哲。該計劃將在10個州、地方、部落或地區開展試點，旨在為公共衛生機構的AI部署提供指導。OpenAI和Anthropic捐贈了10個企業許可證，可供2000名從業者使用。試點將涵蓋五個用例，包括生物監測、健康的社會決定因素、公共溝通、自動化臨床資料檢索等。計劃於2026年秋季啟動，2027年釋出實施手冊。

AI透明度是記錄人工智慧系統的資料、模型行為和決策過程的實踐，與可解釋性（解釋單個預測）和可理解性（描述內部邏輯）不同。歐盟AI法案對高風險和通用AI系統提出了透明度要求，將其與法律合規直接掛鉤。本文探討了透明度的重要性、關鍵元件（如模型卡、資料表、審計日誌）、治理結構、供應商管理以及面向使用者的披露要求。

2026年AI程式設計訂閱計劃採用不同的計費模式，如固定月費、每幾小時或每週重新整理配額等。本文比較了MiniMax、小米MiMo、GLM、Kimi Code和Canopy Wave五種計劃的定價、限制、整合和最佳用例，幫助開發者根據工作流選擇最合適的方案。

提供免費的紐約市LL144和歐盟AI法案合規資源，包括指南、罰金計算器、AEDT範圍檢查器等工具。涵蓋執行時間線、處罰案例、審計要求及關鍵合規義務。

在災難檢查、搜尋救援等關鍵任務中，通訊受限的機器人必須依賴機載決策。低成本的記憶重用可能因環境變化而變得不安全（稱為“記憶陷阱”）。本文提出MemoGuard，一種輕量級自適應執行時，在重用前根據拓撲、資源和結果契約驗證記憶，僅當驗證失敗時才呼叫回退推理。在走廊巡檢模擬器中，與單純相似性重用相比，電池安全違規減少76.6%，回退呼叫次數比始終使用推理減少21.4%。在NVIDIA Jetson AGX Xavier上使用本地llama3.2:3b回退推理時，每次試驗節省3.67秒和36.97焦耳。

本文提出一種基於模型的解耦策略，利用嵌入在軟體拱形段中的流體壓力感測器同時實現本體感覺和接觸檢測。每個段有六個氣道，透過分段常曲率模型和Huber迴歸處理過定系統，實現形狀估計和外力接觸檢測。在單段測試中，相對彎曲誤差為0.11±0.02，接觸檢測率達97%。八個段整合為Air-Helix肌腱驅動軟體機械臂，展示了觸覺示教、導納控制和物體重建等應用。

人類對不確定結果的評估存在風險敏感性，而傳統獎勵學習使用期望效用（EU）模型卻忽略了這一點。本文提出基於累積前景理論（CPT）的偏好學習方法，在社交機器人導航實驗中，對於風險敏感使用者的偏好，CPT方法比EU方法顯著降低了遺憾值，強調了建模人類風險敏感性的重要性。

小米機器人團隊提出Xiaomi-Robotics-1，一個基礎視覺-語言-動作（VLA）模型，能夠遵循多樣語言指令在未見環境中執行移動操作任務，並透過少量微調資料高效適應新任務。模型採用兩階段訓練：預訓練階段利用超過10萬小時的真實操作軌跡（透過UMI裝置收集）賦予模型廣泛的動作生成能力，並開發了可擴充套件的自動標註流水線；後訓練階段對齊機器人本體和人類指令。實驗證明模型具有強擴充套件性，在RoboCasa365上達到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。程式碼和模型將開源。

老年人跌倒是重大安全挑戰，但持續監控困難。本文提出隱私保護框架，用無監督關鍵點和預測時序建模替代RGB傳輸，在本地處理分割和關鍵點提取，透過變分遞迴預測和序列分類檢測跌倒。在UR Fall Detection和Human Fall資料集上評估，無監督關鍵點在遮擋和部分可見性下顯著優於監督方法，頻寬約束下差距擴大。

本文提出BIRD，一種兩階段自我推理蒸餾方法，透過先取樣簡潔解並進行提示切換SFT，然後應用線上逆KL蒸餾，顯著提升了大語言模型在長鏈推理中的效率。在Qwen3-8B上，MATH-500準確率從86.2%提升至92.0%，同時響應長度從3099降至1115 tokens。