依意思最接近的 25 筆
Ai2 與賓夕法尼亞大學合作推出 LitPivot，把文獻檢索與批評嵌入研究想法的撰寫過程。系統把提案拆成問題、貢獻與評估計劃三部分，用 Asta Paper Finder 檢索論文，按正在編輯的部分分組並高亮相關文獻，再給出附原文摘錄的批評和可接受、編輯或拒絕的改寫建議。17 名研究者的實驗室研究中，兩名不知情的領域專家評定 LitPivot 產出的想法更紮實地依據文獻，參與者自評的新穎性與有用性提升也更大。論文將在 UIST 2026 報告。
哈佛-史密森天體物理中心研究者 P. K. G. Williams 發表 14 頁 arXiv 論文，論證 AI 提供了將科學文獻這一資訊公地圈佔為私有財富的工具。論文以英國 1600–1800 年圈地運動為類比框架，指出 AI 圈佔的關鍵特徵是借“slop spam”低質生成內容淹沒文獻、破壞支撐公地的社會系統，而非經典的“公地悲劇”。文章橫跨天體物理儀器方法與計算與社會兩個分類，附 32 條參考文獻，主張這套概念可為審視 AI 對科研生態的衝擊提供學術基礎。
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%。
軟體基礎設施部落格 The Consensus 上線自研「AI tells」檢測器，用靜態規則比對 2023 年前後的寫作差異，處於第 99 百分位的文章將失去首頁 At a Glance 板塊、社交媒體和每週 newsletter 的推薦資格。該檢測器不判斷文章是否由 AI 撰寫，只提示讀起來像 AI 寫作，作者稱它偶爾也會誤判自己的文章。讀者仍可在 feed 搜尋中用 aitells<90 過濾，作者也承認規則可被繞過，但認為這反而會促使各家寫出自己的風格。
GitHub 上新開源專案 Open Academic Paper Gen，用多智慧體工作流把論文初稿生成拆成九個階段，最大特點是在拿到文獻全文後定位相關段落，核驗正文引用是否真被原文支撐，有頁碼時還會標出對應 PDF 頁碼。它從 OpenAlex、Crossref、Semantic Scholar 和 arXiv 檢索文獻，生成證據表後分析趨勢、診斷創新性、列提綱寫作，再做引用核驗與模擬審稿，可匯出 Markdown、LaTeX 與 RIS、BibTeX。
Ai2 開源了 AstaBrief 8B，一個把研究問題與檢索文獻片段轉成帶引用報告的模型，基於 Qwen3-8B 訓練，已作為 Asta 的 Fast 模式上線。官方稱 Fast 模式平均 51.1 秒生成一份報告，比 Claude 驅動的 Thinking 模式 178.5 秒快約 3.5 倍。模型權重、訓練資料與範例工作流一併開放，機構可在自有基礎設施上本地生成報告。
AAAI 期刊論文《How to make System 1 LLMs show System 2 competencies?》在 Wiley Online Library 上線，研究如何讓直覺式（System 1）大模型表現出慢思考（System 2）的能力。全文需經 Wiley 連結檢視，Hacker News 同期討論帖僅 7 分、1 條評論。原文未披露所用方法、模型與實驗資料。
南洋理工大學、清華大學、上海交大等十餘家機構聯合發布綜述，以「感知—推理—行動」為主線梳理近 200 篇具身智慧可供性學習工作。綜述將研究分為可供性感知（2D、3D、互動驅動、可泛化）、可供性推理（關係式、語言中心、智慧體式）與可供性引導行動（分層執行、策略學習融合）三個層次，並彙總五類資料集與 IoU、mAP、aIoU 等評測指標。作者指出視覺預測準確並不等於機器人能成功執行，未來評測需納入機器人本體約束與物理可行性。
技術部落格 magicnumbers.io 於 2026 年 10 月 6 日發布題為 AI Model Groupthink 的文章，指向 AI 模型的群體思維/趨同現象。該文被提交到 Hacker News 後，截至收錄時獲得 9 分、1 條評論。條目本身只提供標題與連結，沒有正文摘要、作者結論或涉及的具體模型資訊。
小紅書與復旦大學等機構提出的 DR-Rubric 已被 NeurIPS 2026 接收，論文與程式碼公開。該方法先讓模型圍繞任務做多輪檢索收集證據，再把證據轉成原子化、可逐條檢查的評分細則，作為 GRPO 的獎勵訊號，已在小紅書業務中實際使用。六個基準上每輪僅用 1000 條 RL 資料即取得有競爭力的表現，其中 GPT-5 生成的細則在 ResearchQA 達 73.7、DeepResearchBench 達 43.0；
UniPat AI 發布 PaperBenchX，稱其為國際上首個多學科端到端論文結果復現基準，從 93 篇論文建置 93 個復現任務，橫跨電磁、光子、化學、材料、生物、機器人等 12 個研究方向和 10 種領域原生科學環境，含 3168 條專家校驗評分項。在這 93 個任務上，表現最強的 GPT-6 Astra 完整復現率只有 13.98%，建模與執行階段平均得分約 62%，驗證階段僅 42.8%。
PhAI Labs 聯合 16 家機構提出科研 Agent 遞迴自我改進框架 DiscoveryRSI，並訓練出 DiscoveryRSI-27B。在把 AI 假設與後續發表文獻對照的評測中，DiscoveryRSI 有 6.3% 的假設找到可用的研究依據，約為 GPT 組 2.5% 的 2.5 倍，Claude Opus 5 組以 2.3% 墊底。兩輪自改進後，241 個留出問題上的假設品質均分從 4.86 升至 5.39，可證偽性從 4.00 升至 6.20。
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。
哈佛大學研究者在 700 多家公司、70 萬名員工、3 億條工作事件的資料中發現，AI 程式設計工具並未讓企業軟體產出增加或減少用人，編碼階段省下的時間被下游環節吸收。程式碼審查時長明顯增加，pull request 更常需要返工，審查者留下的評論也更多。研究據此認為人工程式碼審查是 AI 編碼效率的主要瓶頸。
一項覆蓋美國經濟的基準地圖研究顯示，90% 的美國工作時間花在現有 AI 基準幾乎未覆蓋的任務上。研究把美國勞工部 O*NET 的 923 個職業、18797 項任務與篩選出的 29 個基準做對映，只有 208 個職業、924 項任務被至少 5 條基準提示覆蓋，22 個職業大類中有 6 類完全空白。覆蓋分佈並不隨機，偏向高工資、大勞動力市場：同樣被判定易受 AI 影響的律師任務覆蓋充分，法律秘書、法庭書記員的任務卻幾乎沒有對應基準。
機器之心正式啟動「AI 中國」2026 年度榜單評選，申報通道現已開放。評選設六類獎項：最強 AI 技術實力機構 TOP 10、人工智慧領軍企業 TOP 20、最佳 AI 模型 TOP 20、最佳大模型產品及應用 TOP 20、具身智慧領軍企業 TOP 10、ScienceAI 領軍機構 TOP 10，覆蓋基礎模型、具身智慧與 AI for Science 等方向，符合條件的企業與創新團隊可報名參與。
Ai2 於 2026 年 10 月 2 日開源 AstaBrief 8B，一個把研究問題與檢索文獻片段轉成帶引用報告的模型，基於 Qwen3-8B 訓練，採用 SFT 加 DPO 而非強化學習。它已作為 Asta 的 Fast 模式上線，與 Claude 驅動的 Thinking 模式並列，整條流水線平均每份報告 51.1 秒，比 Thinking 模式的 178.5 秒快約 3.5 倍。
企業一度鼓勵員工儘可能多地使用 AI，即所謂的 #tokenmaxxing，隨後賬單隨之而來。報導援引一項針對近 400 家企業的調查稱，其中只有 11% 能準確預測自己的 AI 支出。AI 使用量以 token 計量，而企業發現 token 很難統計，這讓 AI 預算幾乎無法編制。
xAI 於 2026 年 10 月 20 日在官網新聞頁發布了一篇題為 incident-sweep 的公告。該帖僅給出全文連結 x.ai/news/incident-sweep，未在正文中說明事件性質、影響範圍或處理進展。具體內容需要開啟原文檢視。
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
The Verge 發表評論文章，認為人類的心智並不適合應對 AI，AI 行業把大腦等同於計算機的流行比喻過於簡化了人。文章引用控制論奠基人 Norbert Wiener 的「每個時代的思想都映照在其技術中」，並點名 Google 的 Demis Hassabis 稱大腦是圖靈機的生物近似、Elon Musk 稱應把大腦視為生物計算機。作者反駁這類說法，指出人類的複雜性遠超多數 AI 從業者的認知，而 AI 產品仍在不斷推進。完整內容見 The Verge。
Faros 2026 年研究分析 22,000 名開發者、4,000 個團隊兩年遙測資料後發現，AI 採用度高的組織每位開發者 bug 增加 54%，PR 評審中位耗時約漲 5 倍，每 PR 事故數超 3 倍；其 Q3 報告稱部分效應有所緩解，但驗證與運維成本仍在累積。
一位作者在部落格中稱，自己閱讀 AI 生成文字的速度至少慢三分之一，即便篇幅相同。他把原因歸為兩點：AI 會平均化寫作風格，讀者難以感知作者本人及其語境；AI 為把文字拼接通順必須自行假設，傾向選擇更模糊的措辭，從而損失精度。他還指出多數模型輸出囉嗦，讀者需自行替換含糊詞，寫作者省下的時間會轉嫁到讀者一側，並帶來更多追問、更多迭代與信任下降。
一篇隨筆主張，AI 正在瓦解支撐個人智力活動的知識社群，使長期、複雜的私人思考越來越難維持。作者以軟體工程為例：Claude Code 發布一年多，行業討論從編譯器、型別系統轉向 prompt、harness、loop，變得狹窄膚淺；寫部落格、開源庫或設計新程式語言也不再有人類讀者，內容只會被下一代模型消化。文章稱數學領域正經歷類似過程，並認為持續的知識活動需要共享成果與他人認可這兩種無法獨自獲得的輸入。
前神經科學家 Michał Wójcik 曝光：Springer Nature 2025 年出版的《Nanocomposites for Sustainable Wastewater Treatment》第一章充斥明顯 AI 生成的垃圾插圖，而該章作者正是本書主編 Swapnila Roy；第 10 章的配圖則涉嫌直接搬運他人論文。他此前還發現 Elsevier 旗下期刊刊出過用圖形摘要“證明”死後意識存在的荒唐論文。他把這類現象歸因於印刷轉向按需印刷後，幾乎無人再翻頁審稿。