依意思最接近的 13 筆
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%。
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。
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。
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。
Meta AI 在官方帳號發布連結，指向其研究部落格中一篇題為「共同解決開放研究問題」的文章。該帖未披露具體研究內容、模型或資料，僅引導讀者前往 research.meta.ai 閱讀全文。
Wolfram 於 2026 年 9 月 28 日發文，回應 AI 不斷解出數學題後“是否還需要人類做數學研究”的討論。他認為現代 AI 的最大價值在於挖掘人類數學知識庫並建立連線，但純數學的核心是引導提問的人類想像力；計算則能通過計算不可約性不斷生成全新結果。他以 1988 年 Mathematica 問世時類似的擔憂作類比，指出工具只是提升了可做的數學層次。
OpenAI 新平台發布系列首篇隨筆《永恆的互補》，作者為 Hemanth Asirvatham 與 Elliott Mokski，文末註明觀點不代表 OpenAI。文章引用 Nick Bloom 等研究：維持摩爾定律所需研究人員數量是 1970 年代初的 18 倍以上，1930 年代以來全經濟有效研究投入增長 23 倍，而研究生產率下降 41 倍。作者據此提出「制度智慧」概念，認為前沿智慧與執行能力互為補充，超級智慧的價值可能更多體現在重複性執行工作上。
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。
一位使用者僅向 Opus 5.5 提供創意、工作資料夾和音樂檔案，模型便自主完成了從調研到成片的全流程。它檢索了四年 AI 發展資料與素材，擷取文章和介面截圖，編寫 HTML 與動畫程式碼，用 Playwright 渲染畫面、FFmpeg 合成並加入音效，最終輸出完整影片。
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。
數學家 Jeremy Avigad 在客座文章中寫道，過去幾個月 AI 已能輕鬆生成一年前足以發表的數學成果，數學家日常工作流程中相當一部分必然改變。他給出三個應對方向，前兩個是解更難的問題、想更大的思想，並指出目前 AI 攻克的開放問題多是把現有技術拼接而成，靠強化學習訓練的系統長於超人式機敏，卻可能缺少創造力與更高層的戰略思考。
一篇部落格文章指出，自託管 AI 在成本上並不比使用 API 便宜，但作者依然選擇自建。作者強調不會把 200 GB 的郵件、訊息和位置歷史傳送給 API，即使對方承諾零資料保留。他還提醒，拿 200 美元訂閱與 Opus 5.5 或 Astra 對比 Qwen 3.8 27B 並非對等比較。
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。