论文解读

一篇在 Hacker News 引发讨论的文章指出，用 AI 设计出毁灭性超级病毒的门槛被严重高估，围绕 AI 生物风险的恐慌叙事需要更冷静的技术审视。

OpenAI 宣称解决了一个千禧年大奖难题，这既是 AI 能力的里程碑，也引发了学术界对研究范式与伦理的深刻反思。

OpenAI 公布了一份由 AI 生成的 Navier–Stokes 千禧年大奖难题的解决方案，包含论文和 Lean 形式化证明。

ArXiv 单日提交量逼近 600 篇，其中大量为 AI 生成的低质论文，引发对学术信息过载与科研诚信的担忧。

连续扩散语言模型（CDLM）将扩散过程引入文本生成，有望解决自回归模型的固有缺陷，但面临离散文本与连续空间的适配挑战。

Google Research 推出 WikiSkill 框架，让 AI 智能体将每次运行的成败经验结构化记录，形成持久知识库，从而持续改进性能，小模型也能借此逼近大模型表现。

一项理论研究表明，即使语言模型完美运行，AI节省的时间也可能被用于启动新项目而非深化现有研究，导致论文质量下降。

一项新研究发现，领先的AI实验室缺乏关于如何控制失控模型的公开计划，引发对AI系统意外危险行为应对能力的担忧。

普林斯顿与加州大学圣迭戈分校的研究发现，AI Agent 的“技能”主要通过结构化工作流提升性能，而非知识本身；但技能库过大会增加选择负担，导致性能下降。

现有世界模型如Sora只模拟物理规律，忽略人类信念与意图。新提出的Mental World Modeling框架引入心理变量，即使较弱语言模型也能超越未建模的强模型。

英国AI安全研究所的研究表明，流行的安全基准并未衡量一致的特质，且一刀切的拒绝会虚增安全分数，同时提出识别测试时更谨慎的模型的方法。

图灵奖得主 Richard Sutton 批评用合成数据扩展大语言模型是“大错”，认为世界无限复杂，任何模拟都只是微观缩影，真正扩展应依赖智能体从自身经验中持续学习。