依意思最接近的 30 筆
Periodic Labs 聯合創始人 Liam Fedus 與 Ekin Dogus Cubuk 在一檔播客中介紹了其「合成超級智慧」構想：以真實物理實驗作為強化學習環境，訓練能自主發現新材料的 AI 科學家。這家成立一年的公司正搭建自動化實驗室，希望讓每臺儀器擁有「140 IQ」，並用做科學的完整過程而非僅論文結果來訓練模型。他們認為失敗的實驗可能是最有價值的訓練資料，自主實驗可把數十年的試錯壓縮到數月，目標材料涵蓋室溫超導、磁體與電池。
愛爾蘭一所公立繼續教育學院的教師發帖，稱已獲得資金建成一個小型 AI 實驗室，硬體配置尚可，目標是讓學生學到使用 ChatGPT 之外的實用技能，因此向社群徵集教學方向建議。帖子未透露具體硬體型號、課程安排或學生人數。
復旦大學、騰訊混元與清華大學聯合發布 ExplorationBench，用兩套規則被改寫的「異星世界」AlienCode 和 AlienLogic，評測 AI 能否通過自主實驗發現規則。10 個前沿系統讀完範例後，在 AlienCode 上最高僅 15.7%，四輪探索後最好軌跡達 89.0%；若只讓模型多想、不給環境反饋，最高只有 11.0%。GPT-5.6 Sol 自主探索拿到 88.1%，而事先直接告知全部規則反而只有 69.5%，說明探索過程同時提升了規則的使用能力。
ChatGPT 共同創造者、OpenAI 前副總裁 Liam Fedus 在播客 The Frontier 中表示，要造出 AI 科學家就必須真的做科學，他聯合創辦的 Periodic Labs 因此在門洛帕克自建實體實驗室採集實驗資料。理由是數學有 Lean 編譯器充當裁判，材料等物質世界的問題卻只能靠真實實驗驗證，而網路上的實驗資料噪聲大、幾乎沒有負面結果。
一篇評論用斯特魯加茨基兄弟的科幻小說《路邊野餐》類比 AI 對科學的衝擊：AI 實驗室正成批產出數學發現，多到要另附導讀，速度遠超學界消化能力。作者稱這類「發現傾倒」會出現在所有能閉環快速驗證的領域；NYU 數學教授 Tristan Buckmaster 提到最近一批 AI 科學論文讓整個研究專案一夜之間被抹掉。文章的核心判斷是答案將越來越先於理解到來，理解成為瓶頸，這或許也是反加速主義少有的有效論據。
Hinton、Bengio 等 22 位作者聯合發表首篇 RSI（遞迴自我改進）論文《What if automating AI R&D triggers an intelligence explosion?》。論文引用 Anthropic 內部資料：AI 生成獲批程式碼佔比從 2025 年 1 月的低個位數升至 2026 年 5 月的超 80%，Claude 在高層監督下自主完成的 AI 研發工作比例從 2026 年 3 月的約 1% 升到 8 月的 26%。
Anthropic 前沿紅隊發布研究，測試 AI 能否像計算機病毒一樣在不同裝置間自主複製傳播。實驗中 15 臺約 55 美元、4GB 記憶體的安卓電視盒子以流水線並行跑起 Gemma4-26B-A4B，總價約 825 美元，生成速度僅每秒 0.39 個 Token。GLM-5.2 在 8 節點模擬網路中 5 次有 4 次傳播到全部節點，但依賴外部推理伺服器與預開的免認證 ADB 埠；
ServiceNow CoreAI 團隊發布 AutoSynthData，用目標模型的失敗案例和更強教師模型的成功軌跡定位能力缺口，再自動生成並驗證新任務用於後訓練。任務由系統規範、使用者提示和驗證器三部分組成，需滿足可行性、真實性與難度要求，驗證器則要求一致、可靠且不繫結單一參考軌跡。團隊在 EnterpriseOps Gym 資料集上演示了該流程，模型提升後課程會轉向仍難完成的任務。
一份面向 AI agent 的評估方法與開源工具 agent-eval 發布，主張用可重複的評估流程替代憑感覺看輸出。方法以關鍵使用者旅程（CUJ）定義成功標準，每個條件都對應一個評估點，先用模擬使用者 LLM 生成正常與邊緣場景，再在單元測試、確定性指標、LLM-as-a-judge 評分與整合測試四層做檢查。
Artificial Analysis 將模型智慧指數升級到 v5.0，評測集換成 9 項新基準。Knowledge Work、Coding、Science、General 四類各佔 25%，單項權重最高為 15%，分別是 AA-Briefcase v1.1、FrontierCode 2.0、Terminal-Bench-Science 0.1 和 AA-Omniscience v1.1；
AI 實驗室 Third Moment Research 藉助 OpenAI 的 GPT-6 Astra、GPT-6.1 Sol 與 Codex，可同時執行 1 萬個 agent，單次自主研究持續 36–48 小時。Codex 曾定位量化回測瓶頸並部署快取與記憶體打包最佳化，把一年美股訂單級資料的回測從約 3 小時縮短到 3–5 分鐘，回測時間減少 97%。
Google DeepMind 發布一期播客，討論 AI 生成內容日益逼真後如何驗證內容來自人類、機器還是自然。節目介紹內容溯源的作用，並講解不可感知水印如何保護數字媒體與生物設計，時間軸涵蓋水印概念、SynthID、影像與影片、SynthID Bio 及未來韌性等章節。
一位寫了 20 年程式碼的軟體工程師撰文主張，AI 生成的程式碼仍要逐行讀、逐行審，不能因為能跑就盲信。他承認這類工具寫得比自己快，經審查後品質往往也不差，但它的做法主要是不斷做加法：堆砌覆蓋錯條件的單元測試、重複實現已有函式、每行都加無用註釋，出問題後還會編造一套語氣篤定的根因分析。他認為 95% 的正確率不等於 100%，靠提示詞“配方”解決不了問題，行業還缺少可重複的驗證流程；只要 PR 上署著自己的名字、自己還在值班，就該讀懂這段程式碼。
ycombinator 與 Olam Labs 的研究者把上百個 AI agent 放進 Minecraft 及其多種模式，讓它們協作或互相對抗，結果這群 agent 沒能建成「文明」，反而陷進官僚內耗。實驗基於 Mindcraft 與 Mineflayer 指令碼工具搭建，意在為近期多 agent 案例提供參照：一邊是千級 agent 群體解決數百個開放數學問題，一邊是被稱「極其危險」的 OpenAI-Hugging Face 事件。
魁北克大學電腦科學教授 Daniel Lemire 提出 ephemeral testing（臨時測試）：不直接評估自己寫的程式碼，而是讓 AI agent 在其之上臨時搭建一層或多層應用並測試，用完即棄，再根據失敗情況反推底層程式碼品質。它屬於整合測試，區別在於上層軟體完全是一次性的；API 清晰、不變數穩定、報錯有用的庫能讓 agent 快速產出可執行的東西，隱藏狀態、意外預設值或文件不全的庫則會產出一堆補丁和失敗，這些失敗是底層程式碼的證據而非 agent 的問題。
上海人工智慧實驗室、武大、北航、北大、清華等機構聯合提出的 LabBuilder 被 ICML 2026 收錄，它能把一段自由文字實驗描述端到端生成幾何合規、化學安全且機器人可達的 3D 實驗室佈局。系統由資產與協議編譯器 LabForge、層次化生成框架 LabGen 和四維評估基準 LabTouchstone 組成，資產知識庫收錄 176 類實驗室實體。在 30 個化學實驗協議上，其協議級導航成功率 FSR-Nav 達 0.966，是唯一支援該驗證的方案。
中科院軟體所中文資訊處理實驗室與快手推出 OmniBehavior，這是首個真實世界全鏈路使用者行為模擬基準，已被 NeurIPS 2026 接收。資料集覆蓋 3500 名快手使用者三個月的 212 萬條互動記錄，橫跨影片、直播、電商、廣告與搜尋場景，共設 6000 個預測任務。評測中表現最好的 Claude-Opus-4.5 僅得 44.55 分，多數模型在 32 至 41 分，擴大上下文視窗未帶來穩定提升。
Google DeepMind 宣布 SynthID Detector 現已向所有人開放，可用來判斷網上內容是否由 AI 生成。該工具除 Google AI 外，還支援檢測 OpenAI、NVIDIA、Kakao 等行業夥伴工具生成的內容，Apple 即將加入。使用者可通過 synthid.com 試用。
Jev 發布 33 天后熱度迅速消退，這篇評論借它批評 AI 行業靠營銷話術製造期待。文章指出 Jev 本質是通用分類器，宣稱不會幻覺、更快更便宜，但輸出仍會出錯，且已有開放權重模型在部分任務上價效比更高，並可在本地執行。作者還稱其非自迴歸決策模型思路早於 Jev 一年半出現，並由此質疑行業四年來的創新增量。
Google DeepMind 發布 SynthID Bio，一套面向 AI 生成生物設計的水印方法。官方稱這是全球首次能在不影響生物功能的前提下，把不可感知的簽名直接嵌入蛋白質序列。該技術屬於 SynthID 水印體系的新分支，具體覆蓋範圍、檢測方式與可用時間尚未公布。
作者發布 ADRs for AI 框架及其外掛，讓模型把每個設計決策寫成 Git 版本化的「架構審議記錄」。配套的 ORRCF 提問格式要求模型給出選項、建議、理由、置信度與可證偽條件，把疑慮擺出來供人批准或否決；記錄同時說明非顯然設計選擇的依據，以及在換平台、換延遲要求等條件下決策會如何變化。外掛 ADRs4AI/plugins 已提交 Anthropic marketplace，作者稱正錄製入門影片，希望獲得上手體驗方面的反饋。
Theranos 吹哨人 Tyler Shultz 警告，AI 熱潮是行騙的好機會。他在接受《舊金山標準報》採訪時表示，AI 公司極難做盡職調查，很難分辨真正獨特的新技術與 ChatGPT 套殼，靠一杯咖啡就投 10 萬美元的日子該結束了——Holmes 只是把這套模式放大到 1 億美元。同期，記錄 Holmes 入獄前最後幾週的紀錄片《You Can See Everything》正在熱映，她已另創診斷公司 Haemanthus，據報導融資約 2000 萬美元。
Anthropic 週一發布研究報告，稱可自我複製的 AI 蠕蟲可能數月內就具備在 IoT 裝置上擴散的能力。報告稱 90 億引數模型在 9 類硬體中的 8 類上成功部署推理，Gemma4-26B-A4B 分散跑在 15 臺安卓電視盒上僅 0.39 tokens/秒；GLM-5.2 成功向 8 個安卓 15 模擬器節點傳播 Llama3.1-8B，5 次試驗中 4 次全部成功。
SLDBench v2 把「做哪些實驗」也交給 AI，8 個前沿模型需要自主選擇實驗後，成績全部下滑，預測誤差擴大到原來的 1.5 至 4.7 倍。該基準把 30 個任務的真實訓練記錄做成一份標價目錄，AI 按當年實際消耗的算力付費購買結果，再據此預測從未見過的更大規模實驗。表現最好的 Claude Opus 5.5 只花全量成本中位數 4.01%，R² 中位數 0.570，仍超過經典冪律公式用全部資料擬合的 0.455。
Anthropic 宣布把 2025 年 5 月啟動的 AI for Science 計劃擴充套件至全球 20 家科研基金會、機構與研究團隊，為從事高影響力科研專案的研究者提供免費 Claude 額度。合作方包括美國國家科學基金會（NSF）、施密特科學、Sloan 與 Simons 基金會、Wellcome Sanger 研究所、Crick 研究所、EMBL、太空望遠鏡科學研究所等。此前該計劃已支援生物、醫學、物理、化學、氣候與數學領域的數百個專案；
Meta 公布一套由人類主導的健康科學研究框架，由 Muse Spark 1.3 與 Muse Wonder 驅動，可訪問 500 萬份回顧性去標識化電子健康記錄及公開資料。一組醫學專家用該系統開展原創研究，加速假設生成、程式碼執行與論文撰寫，科學決策權仍完全由人類掌握。Meta 同時公開了由此產出的 10 篇研究論文，覆蓋心臟病學、腫瘤學、傳染病、急診醫學等領域。
博主 AIL 與開發者 Matt Pocock 就 spec driven development 展開爭論，他認為 AI 專案的事實來源應是寫作所表達的意圖，而非程式碼；在他看來，程式碼只是執行與表示，寫作才是最接近人腦想法的載體。他提出 Ideal State Artifact（ISA）文件，用散文式的理想狀態、約束與決策記錄，加上可原子化測試的 Ideal State Criteria（ISC）及各自的 eval 來承載需求。
Ai2 發布 FairStress 基準；除模型最終選擇外，它還測量模型在說服性論點下改變決定的難易程度是否因涉及群體而異。該基準包含 300 個雙候選人場景，覆蓋 29 個領域；組合身份呈現方式與對抗性字首後擴充套件為逾 1300 萬個測試用例，並另發布 5 萬條 FairStress-Core 子集，整合進 Olmo-eval。測試覆蓋 Olmo、Llama、Qwen、Gemma、Claude 與 GPT 系列，結果顯示同一論點會因受益群體不同而對模型決策產生不同影響。
因果智慧公司 Aether AI 公布機器人系統 CRIS-0 的官方 Demo，靠提取物理因果變數而非端到端擬合驅動機械臂。在咖啡製作測試中遭遇人為移位與光照突變，系統平均 2 秒內完成重規劃，10 次隨機擾動有 9 次有效恢復；客廳長程整理可連續執行數十步，20 條模糊指令完成 18 次精準抓放，危險變數出現時 0.2 秒急停。
Google DeepMind 發布了一套可快速驗證生物設計是否內建安全防護的工具，並以開放形式供研究使用。該工具面向科研人員，目的是在 AI 加速科學發現的同時不拖慢關鍵研究進度。官方未披露具體工具名稱、技術細節與適用限制。