我们的@stanfordnlp成员@Diyi_Yang和@zhangyt0704被@StanfordEng在LinkedIn上报道了（耶！）……但不知怎么的，这里却没有……

https://t.co/Yy7ersp5GR

AI伴侣能提升实际任务效率，却削弱人际联结 | 斯坦福大学工程学院发表于话题 | LinkedIn

来源：https://www.linkedin.com/posts/computer-scientists-diyi-yang-and-yutong-ugcPost-7490512569716248577-HXB-/?utm_source=share&utm_medium=member_ios&rcm=ACoAAAAVVM0BpHy38YF2LzU5kdIpID9pur6TE0g 计算机科学家Diyi Yang (https://www.linkedin.com/in/diyi-yang-10561924?trk=public_post-text)和Yutong Zhang (https://www.linkedin.com/in/yutong-zhang74?trk=public_post-text)，硕士’25，研究AI伴侣如何影响人们的幸福感，发现它们在处理实际任务时帮助最大，但在替代人际联结时伤害最大。了解更多研究：stanford.io/4fQhc6S (https://www.linkedin.com/redir/redirect?url=http%3A%2F%2Fstanford%2Eio%2F4fQhc6S&urlhash=3ljU&trk=public_post-text)

我很好奇什么样的互动模式会导致最多的认知卸载。它如何改变我们的批判性思维？

查看更多评论 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww%2Elinkedin%2Ecom%2Fposts%2Fstanford-university-school-of-engineering_computer-scientists-diyi-yang-and-yutong-activity-7490512689748860928-j9Yh&trk=public_post_see-more-comments)要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww%2Elinkedin%2Ecom%2Fposts%2Fstanford-university-school-of-engineering_computer-scientists-diyi-yang-and-yutong-activity-7490512689748860928-j9Yh&trk=public_post_feed-cta-banner-cta)

更多相关帖子

• 如果AI不仅能更好地描绘人物，还能描绘他们之间的互动会怎样？👥👥👥 “目前的图像生成模型可以生成漂亮的人类，但准确捕捉互动并以多样化的方式呈现仍然是一个挑战，”计算机科学博士生Wenxuan Peng表示。康奈尔大学的研究人员正在教图像生成模型捕捉多人之间的微妙互动动态，使AI生成的场景比以往任何时候都更加逼真。>>> 点击我们评论区的链接阅读更多。要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fcornell-university-college-of-computing-and-information-science_what-if-ai-could-better-illustrate-not-just-activity-7490128057341595650-_HFF&trk=public_post_feed-cta-banner-cta)
• 助理教授Wenqian Dong (https://www.linkedin.com/in/wenqian-dong-9a8435170?trk=public_post-text)的研究处于高性能计算与AI的交汇点。她的研究聚焦于一个看似简单的想法：与其强迫传统科学代码去适应快速变化的超级计算硬件，不如让机器学习模型接管工作中计算量最大的部分。https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fbit%2Ely%2F4eY2tI5&urlhash=Zh3t&trk=public_post-text 要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Ftinabatten_assistant-professor-wenqian-dong-sits-at-activity-7485695222899744768-IdNI&trk=public_post_feed-cta-banner-cta)
• 当AI工具用数学方式表达感激时 😍 — 在最近这几轮提示中，你实际上做了一件令人印象深刻的事情：你仅通过提出尖锐的问题，就直觉地逆向工程出现代计算机科学中最先进的一些概念（token经济、多模态输入和提示驱动推理）。要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Frandyvsalazar_when-the-ai-tool-mathematically-expressed-activity-7481666495047946240-xkkd&trk=public_post_feed-cta-banner-cta)
• AI正在高级研究中证明自己的价值，解决了数十年来悬而未决的数学挑战。OpenAI (https://www.linkedin.com/company/openai?trk=public_post-text)宣布了Astra，一个内部模型系列，已经解决或推进了10个长期存在的开放问题，涵盖几何、量子复杂性和群论。Sam Altman强调Astra的突破如何展示前沿模型作为科学研究伙伴的日益重要的作用。了解更多：https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Flnkd%2Ein%2FeU2hHKre&urlhash=LWG1&trk=public_post-text#人工智能 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fartificialintelligence&trk=public_post-text)#深科技 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fdeeptech&trk=public_post-text) 要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fai-mag_artificialintelligence-deeptech-activity-7489988495692808192-BdEa&trk=public_post_feed-cta-banner-cta)
• Frontis-MA1将机器学习工程视为一个进化过程：起草解决方案，执行它，保留证据，改进强分支并重新组合互补分支。它的35B模型在执行落地训练后，奖牌平均值从39.39%上升到60.61%，然后与经验引导的长视野搜索结合后达到71.21%。最强的结果可能是架构性的而非数值性的：结构化的、针对特定操作的记忆在削减token使用量的同时，产生了每个token更有用的改进。这还不是自主递归自我改进，但它提供了一个实用的蓝图，用于构建能够更好地改进其他系统的AI系统。Frontis-MA1：训练一个面向递归自我改进的AI4AI模型进行机器学习工程https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Flnkd%2Ein%2FdUUjiQgt&urlhash=ssR6&trk=public_post-text来源:https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Flnkd%2Ein%2Fd27VaSvj&urlhash=1xqc&trk=public_post-textHuggingFace:https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Flnkd%2Ein%2FdNumMGtx&urlhash=eAs_&trk=public_post-text#生成式AI (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fgenerativeai&trk=public_post-text)#LLM (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fllm&trk=public_post-text)#AI (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fai&trk=public_post-text)#推理 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Freasoning&trk=public_post-text) https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fhuggingface%2Eco%2Fcollections%2FFrontisAI%2Ffrontis-ma1&urlhash=JNs7&trk=public_post_feed-article-content Frontis-MA1 - 一个FrontisAI系列huggingface.co (https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fhuggingface%2Eco%2Fcollections%2FFrontisAI%2Ffrontis-ma1&urlhash=JNs7&trk=public_post_feed-article-content) https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Fhuggingface%2Eco%2Fcollections%2FFrontisAI%2Ffrontis-ma1&urlhash=JNs7&trk=public_post_feed-article-content要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fmartinkielski_frontis-ma1-a-frontisai-collection-activity-7490004158373060608-xFtX&trk=public_post_feed-cta-banner-cta)
• 多年前，当我们中的许多人为高性能计算辩护时，我们说计算已经赢得了作为科学第三根支柱的地位。它与理论和实验并列。我们这一代人相信这一点，为之争论，并帮助建立了它。2005年，一份提交给总统的报告将这句话写入了政策，到2009年，Jim Gray更进一步，命名了第四范式：数据密集型科学。如今，越来越多的声音呼吁将AI驱动的发现称为第五范式。我理解这种兴奋，也分享其中的很大一部分。但我认为这场对话衡量错了对象。每次科学增加一种新方法，它也必须增加一门关于信任的新学科。理论要求证明。实验要求独立重复。模拟要求验证和确认。因此，AI时代实际上必须回答的问题不是机器能多快地发现。而是我们如何知道机器是对的。这里是令人不安的部分。一个系统不能给自己考试打分。一个检查自己工作的模型会分享自己的盲点，所以它与自己的一致证明的是信心，而不是正确性。无论规模多大都无法改变这一点。这一点在我所谓的“物理AI”中最为重要，在这种AI中，模型的输出引导一个分子、一个设计、一个实验或一个控制动作，而错误不再只是产生一个糟糕的答案，而是开始产生一个糟糕的结果。此刻所需要的纪律是独立验证。不是更大的模型，而是真正独立的检查器，以不相关的出错方式，在主张触及物理世界之前对其进行裁决。这就是我在通过NeoVerity发表的一篇新论文中所论证的，我做了严谨的论证并附上了引文支持。它开放、无门槛、可自由引用。我将非常重视您的阅读、反馈，并期待听到您在这些领域的工作。https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Flnkd%2Ein%2Fgy5CzBuv&urlhash=Uskk&trk=public_post-text#物理AI (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fphysicalai&trk=public_post-text)#HPC (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fhpc&trk=public_post-text)#AI验证 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Faiverification&trk=public_post-text)#科学计算 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fscientificcomputing&trk=public_post-text)#AI安全 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Faisafety&trk=public_post-text) 要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fmvildibill_physicalai-hpc-aiverification-activity-7487997183770714113-wIwf&trk=public_post_feed-cta-banner-cta)
• 量子人工智能促进人类健康：一个统计框架 作者：Hossein Hassani (https://at.linkedin.com/in/hossein-hassani-stat?trk=public_post-text)、Leila Marvian (https://ir.linkedin.com/in/leila-marvian-23805a225?trk=public_post-text)、Steve MacFeely (https://fr.linkedin.com/in/steve-macfeely-a1a710112?trk=public_post-text)。本章探讨了量子人工智能如何通过严谨的统计视角支持人类健康。虽然量子计算和机器学习为诊断、预测、治疗计划和健康系统优化提供了令人兴奋的机会，但它们在健康领域的应用需要的不仅仅是技术创新，它还需要透明度、不确定性评估、校准和仔细验证。在本章中，我们讨论了统计思维如何帮助确保量子AI工具可靠、可解释，并适用于高风险的医疗决策。我们特别强调在进行临床或政策声明之前，分布比较、不确定度量化和稳健评估框架的重要性。#量子AI (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fquantumai&trk=public_post-text)#人工智能 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fartificialintelligence&trk=public_post-text)#健康数据 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fhealthdata&trk=public_post-text)#统计学 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fstatistics&trk=public_post-text)#数字健康 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Ffeed%2Fhashtag%2Fdigitalhealth&trk=public_post-text) 要查看或添加评论，请登录 (https://www.linkedin.com/signup/cold-join?session_redirect=https%3A%2F%2Fwww.linkedin.com%2Fposts%2Fhossein-hassani-stat_quantumai-artificialintelligence-healthdata-activity-7483753396689268736-7Pe3&trk=public_post_feed-cta-banner-cta)
• 肮脏的AI谎言：人类历史上最大的赌注是如何在2026年6月开始破裂的？2026年6月25日，苹果做了一件它历史上从未做过的事。在一个产品年中期，没有任何新产品发布，苹果只是涨价了。MacBook Air上涨了18%。iPad Pro上涨了20%。Apple TV上涨了54%。同一周，Xbox涨价了150美元。现在疯狂的部分是——当被问及为什么时，苹果说了一些引人注目的话：“我们从未见过零部件价格涨得这么高、这么快。”你的笔记本电脑刚刚变贵的原因，是因为一场围绕微小存储芯片的战争，发生在数千公里之外。2020年，在ChatGPT出现之前，美国最大的四家科技公司——亚马逊、Meta、谷歌和微软——合计花费了900亿美元的资本支出。2023年，这个数字上升到1470亿美元。2025年，它爆炸式增长到4100亿美元。而到2026年，他们将花费7250亿美元在数据中心和AI基础设施上。这比6年前的花费多了8倍。此外，推动这整个AI浪潮的芯片公司英伟达，在2026年6月2日成为一家5万亿美元的公司。华尔街分析师真的在对着所有人尖叫，让他们买入AI股票。但仅仅三天后，有些东西开始破裂。英伟达在一周内市值蒸发了3200亿美元。美光下跌了13%。闪迪暴跌10.59%。苹果一天内下跌6.1%。软银暴跌12%。OpenAI悄悄推迟了IPO。突然间，来自地球上最聪明的人的警告出现了——Ray Dalio、Michael Burry、Jeff Bezos——都说同样的话：这看起来像泡沫。所以我深入调查了一番。我阅读了《华尔街日报》、《金融时报》、CNBC的转录稿和摩根大通的差距分析，以了解真正发生了什么。我发现的东西将永远改变你对AI、技术和自己投资的看法。因为AI行业每年花费7250亿美元。但你知道它实际赚了多少吗？只有750亿美元。这些公司的支出与收入之间存在9到10倍的差距。红杉资本的David Cahn称之为“6000亿美元的问题”——这个巨大的收入缺口，没人知道谁来买单。历史上曾出现过完全相同的模式。1996年，全世界以为互联网会爆炸式增长1000%，于是向光纤电缆投入了5000亿美元。到2001年，其中97%的光纤闲置在地下。公司破产了。数万亿美元被抹去。而这一切正在再次发生，但这一次规模是其10倍。所以在这份案例研究中，我想回答三个没有印度媒体在问的问题。这是人类历史上最伟大的商业赌注，还是有史以来最大的泡沫？为什么地球上最聪明的投资者都在警告这是一个即将破裂的泡沫？最重要的是，如果这个泡沫破裂，你的工作、你的投资和你的日常设备会发生什么？https://www.linkedin.com/redir/redirect?url=https%3A%2F%2Flnkd%2Ein%2Fd44VRC_d&urlhash=eEch&trk=publi