论文解读

WIRED 播客《Uncanny Valley》本周聚焦前 Anthropic 研究员的 AI 末日警告、苹果新品升级，以及一份声称特朗普赢得 2020 年大选的普查报告，折射出 AI 风险讨论与数据可信度的双重焦虑。

一批数学家公开要求OpenAI说明其模型是否使用了他们的研究成果，并拿出可验证的证据。这场争议的核心不是又一次版权口水战，而是“证明用过”与“证明没用过”在技术上几乎无法完成。

Hacker News 上出现一篇讨论 AI 对齐的帖子，作者从“规格博弈”（specification gaming）现象出发，提出一个自称“愚蠢”的对齐思路，引发社区对目标错位问题的再思考。

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。