依意思最接近的 30 筆
Monday.com 委託 Nielsen 對七國 1700 名董事與高管調查顯示，超半數認為員工產出經 AI 打磨後難辨人機貢獻，近半數因此花更多時間審閱團隊產出。94% 仍對 AI 感到興奮，但 78% 已改變考核方式，更看重提示詞撰寫與任務分配能力；39% 用 AI 起草績效評估，46% 用 AI 輔助決策。57% 的組織在用的工具反而變多，僅 29% 稱 AI 基礎設施已集中最佳化；58% 預計一年內要監督的 AI agent 數量將超過人類員工。
Ai2 發布 Old Ideas, Novel Problems 研究與配套基準，結論是用 LLM 當新穎性評審並不可靠：只改 prompt 裡幾處措辭，模型分辨兩個想法哪個更新的準確率就變動超過 50 個百分點。測試涵蓋 GPT-5.1、GPT-5.2、GPT-5.4 與 Claude Sonnet 4.5、Opus 4.5/4.6，檢索與額外推理都不能穩定改善判斷，兩個專門建置的新穎性評估系統還不如直接用 prompt 呼叫的 Claude Opus 4.6 基線。
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。
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。
Anthropic 與經濟學家聯合調查顯示，91% 的 Anthropic 員工認為 AI 到 2030 年能做出諾獎級發現，美國成年人中這一比例為 39%。員工預期 AI 屆時能完成自己 75% 的工作，美國工人平均為 28%；在使用 AI 的工作任務中，員工預期 2030 年有 65% 交由 AI 完成，美國成年人預期為 42%。
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，嵌入式第三方評測員並非解決模型安全問題的簡單答案，評測仍缺乏可復現性與統一標準。她指出評測方法更新很快、彼此之間難以橫向比較，且目前絕大多數評測針對模型本身，對 harness 和完整 agent 的評測既少又昂貴；而更強的 harness 可讓較弱模型跑贏前沿模型。她認為誰有資格評測哪些任務，需要更多標準化。
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。
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。
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%。
清華大學牽頭聯合多所高校推出 OSWorld-Science 科研智慧體評測基準，含 146 項專家任務、覆蓋 7 大科學領域與 14 種科研軟體配置，12 個視覺語言模型平均任務得分僅 34.3%。Claude Fable 5.1 以 73.7% 領先，Claude Opus 5、GPT-6 Astra、GPT-5.6 sol 分別為 57.9%、57.4% 和 50.1%，但化學類任務中僅少數模型超過 20%。
由 18 家機構組成、2025 年 11 月啟動的 C-BRAIN 聯盟正與 NVIDIA 合作，用 AI 挖掘此前無法訪問的阿爾茨海默研究資料，並開源兩款科研智慧體。其中與勞倫斯伯克利國家實驗室共建的 OpenScientist 能半自主生成假設並完成分析，官方稱原本需數週到數月的工作幾分鐘即可完成，單次成本低於 10 美元；InsightEngine 則用文獻與知識圖譜逐條核對結論以減少幻覺。
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。
阿波羅全球管理首席經濟學家 Torsten Slok 稱，AI 對科技行業以外的美國大企業帶來「零財務回報」。他考察剔除 Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia、Tesla 後的標普 493 成分股，發現其利潤率與人均營收基本持平，沒有證據顯示 AI 提升了生產率。Slok 認為企業很難把日益廉價的智慧轉化為更高的營收與利潤率，因為商業中的智慧更多是判斷力；近期多項研究也未發現 AI 帶來顯著生產力增益。
新評測 InnovationEval 顯示，前沿模型無法獨立復現人類研究者近期做出的機器學習演算法創新：在端到端任務中，它們耗費數千美元 GPU 算力，仍未達到人類論文（on-policy self-distillation，SDPO）的水平。測試要求 AI 自主提出一種新的後訓練方法，在短答題與程式碼任務上後訓練 Qwen3-8B，並超過 GRPO 基線。主要結果來自 Claude Fable 5 與 GPT-5.6 Sol；
AI Impacts 於 2024 年 12 月調查 1,580 名頂會 AI 研究者，他們對「未來 AI 導致人類滅絕或永久喪失自主」的機率中位數首次升至 10%，高於一年前的 5%。同一調查中「極度糟糕（如人類滅絕）」的中位數仍為 5%，自 2016 年以來未變，而人類水平 AI 出現的中位年份從 2016 年的 2061 年提前到 2042 年。
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。
Apollo 官網 Daily Spark 專欄文章判斷，科技行業之外尚未出現 AI 帶來回報的跡象。文章以這一結論為標題，公開資訊中沒有給出更多分行業資料或測算。該文在 Hacker News 上獲得 371 分、351 條評論，討論集中在 AI 投入是否已外溢到科技以外的行業。
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。
AI 科研平台 Open-Science 由 AIPOCH 以 Apache License 2.0 開源發布，同時推出 .science 軟體包格式。.science 把選定的對話分支、檔案版本、Notebook 記錄與驗證證據整合成一個可移植檔案，可分享、遷移到另一臺機器，或作為只讀記錄匯入評審，相容 RO-Crate 標準，資料預設本地儲存，不會自動執行程式碼或恢復憑據。
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。
Artificial Analysis 於 10 月 14 日發布 AA-Robotics v0.1，首次讓 GPT、Claude、Gemini 等前沿模型藉助程式設計 Agent 操控真實機械臂，零樣本完成倒水、寫字、搭積木等八項任務。GPT-6 Astra 以 69.4 分居首，GPT-6.1 Sol 64.6 分，Gemini 4 Argon 55.3 分，Claude Opus 5.5 與 Fable 5.1 分別為 48.8 和 46.3 分。
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%。
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。
Anthropic 於 10 月 16 日發布兩份報告：其內部 AI agent 工作時長在 2026 年 3 月已超過員工，到 8 月 agent 數量是員工的 6 倍，同期初級崗位與技術崗招聘佔比下降，人均程式碼、銷售與合同處理產出上升，瓶頸轉向人的注意力。第二份報告對比近 1.1 萬名美國成年人與 Anthropic 員工的調查：91% 的員工認為 AI 能在 2030 年前做出諾獎級發現，美國成年人中僅 39%；
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。
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。
Anthropic 表示與英國 AI 安全研究所（AISI）緊密合作完成了這項分析，AISI 已另行發布報告，內容是調查 AISI 一起事件中的對齊失效（alignment failures）問題。帖文未披露更多技術細節，僅給出 AISI 官網部落格的報告連結。
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。
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。
Scinetics 與復旦大學、中國科學技術大學、香港科技大學的研究者發布 ScienceRSI 框架，按專業化、驗證、遷移、複用四步在模型之間傳遞科學能力，並已在 Hugging Face 開源 ScienceRSI-8b 權重。用 8B 專家向 Qwen3.5-27B 遷移後，七項基準的等權平均分從 87.3% 升至 94.0%，提高 6.7 個百分點；4B 與 8B 模型在五項科學評測上均取得對比方法中的最高分。