AI

Anthropic最新研究:高性能AIの失敗は「ミスアラインメント」だけでなく“ごちゃごちゃ状態(Hot Mess)”にも要注意

Anthropic最新研究:高性能AIの失敗は「ミスアラインメント」だけでなく“ごちゃごちゃ状態(Hot Mess)”にも要注意

AnthropicがICLR 2026採択論文で、高性能AIほど「一貫した誤った意図」ではなく「意味のない・一貫性のない挙動」による失敗が増える可能性を指摘。AI安全研究の前提を揺さぶり、推論の安定性や行動一貫性の評価が今後の重要テーマになると示した。

richlovec 1500_400 (1)
 

EdgeLake项目晋级至LF Edge第二阶段“Growth”

EdgeLake项目晋级至LF Edge第二阶段“Growth”

Linux基金会旗下LF Edge宣布,EdgeLake项目已从第一阶段“At-Large”晋级至第二阶段“Growth”,并引入模型上下文协议(MCP)实现AI对实时边缘数据的直接访问。

richlovec 1500_400 (1)
 

Elastic 在推理服务中新增多语言重排序功能

Elastic 在推理服务中新增多语言重排序功能

Elastic 宣布在 Elastic 推理服务(EIS)上线两款 Jina 重排序模型,面向混合搜索与 RAG 场景提供低延迟、多语言相关性能力,并以托管 GPU 推理服务形式供用户使用。

人工智能能否助力寻找标准模型之外的新物理

人工智能能否助力寻找标准模型之外的新物理

人工智能在物理研究中的角色正从“数据处理工具”转向更主动的参与者:不仅承担粒子碰撞分类、探测器噪声清理等繁琐工作,也被用于在海量数据中寻找可能指向新现象的细微结构。研究人员对其寄予的期待之一,是借助机器的模式识别与搜索能力,在标准模型高度稳固、显著实验异常罕见的背景下,挖掘被忽视的偏差并更系统地探索广阔的理论空间。 从自动化处理到“发现伙伴” 长期以来,机器学习在高能物理等领域主要用于提升数据处理

人工智能用电激增推动能源路线再评估,聚变、地热与氢能等方案加速探索

人工智能用电激增推动能源路线再评估,聚变、地热与氢能等方案加速探索

人工智能训练与推理带来的用电需求正逼近电网承载边界,并由此引发对多种发电与供能路径的重新评估。随着大型模型训练耗电量被形容为可与小城镇用电规模相当,未来数年数据中心负荷增长的预测,促使公用事业公司、科技企业与研究机构加快讨论哪些能源供给方式在成本、部署速度与稳定性上更具可行性。与此同时,推动电力系统承压的算法也被用于聚变、地热、氢能与先进储能等方向的研发,试图将过去更接近“科幻”的选项转化为可用技