标签
研究人员指出，DFT 弛豫造成的结构畸变会使机器学习筛选将隐藏的交变磁体误判为反铁磁体，并提出一种容差感知的对称性流程，发现了六种新交变磁体材料，包括 Ba₂FeMoO₆ 和 Sr₂FeWO₆，其自旋劈裂为 85–405 meV，而净磁化为零。
该 arXiv 论文将 SEC 财务数据与 EPA 温室气体登记数据相结合，运用梯度提升（Gradient Boosting）和 Mondrian Conformal Prediction 构建企业排放的算法基准，并通过 Conformal-Weighted Continuous Divergence（CWCD）指标量化漂绿行为。研究发现，排放数据的偏离程度会对市场估值和盈利能力产生显著的负向预测作用。
本文提出了 HyMLRaman，一个将 EfficientNet-B3 光谱嵌入与经典分类器（尤其是 SVM）以及基于 DDPM 的生成式特征增强相结合的混合框架，通过拉曼光谱识别六种药物化合物，达到了 96.31% 的准确率。
伯尔尼大学的一个团队开发了一种机器学习算法，该算法基于数万个模拟行星系统进行训练，识别出 44 个已知的恒星系统，这些系统中可能存在尚未被发现的类地行星。该算法在模拟数据上的精确度最高可达 99%，但这些发现仍需望远镜观测加以证实。
一项针对 AI 在七个能力领域四年进展的分析，研究结果已针对底层基准的变化与漂移进行了校正，以更真实地反映模型的实际提升。
antirez认为，把分类器称为「决策模型」是对机器学习的歪曲，因为这类模型（无论是通过预填充（prefill） logits 取值的小型大语言模型，还是 BERT 类的编码器）所做出的决策，都远少于一个通过思维链（CoT）推理来处理信息的大语言模型。
MIT News 介绍了 Cathy Wu——土木与环境工程系（CEE）和数据、系统与社会研究所（IDSS）的副教授。她将机器学习和强化学习应用于交通系统设计，以打造更可靠、更高效的出行体系；其早期基于 RL 的交通分析研究曾引发广泛关注。
前 Google DeepMind 研究人员回顾 AlphaGo 的第 37 手，并指出当今的大模型仍然缺乏真正可审计的推理，呼吁借鉴 AlphaGo 的搜索与推理方式，构建全新架构。这篇观点发表于 MIT Technology Review 的新文章中。
本文介绍海洋生物学家、Project CETI（鲸类翻译计划）创始人 Gruber 的个人经历，他正利用人工智能和机器学习技术破译抹香鲸的交流语言。
# 讨论帖：AGI 会不会把互联网上的偏见“继承”并放大？ **发帖时间：** 2025年 · **板块：** AI 安全与对齐 --- ## 摘要 本文提出一个值得警惕的问题：**未来的 AGI（通用人工智能）系统是在海量互联网数据上训练的，而互联网数据中充斥着大量种族主义、偏见性内容。** 一旦模型从这些语料中习得这些偏见，它们很可能不会只是“客观地”继承这些偏差，而是会**在交互过程中进一步放大**，对少数族裔群体产生微妙却系统性的歧视。 ## 论点 1. **训练数据的现实**：网络语料（网页、论坛、社交媒体、新闻等）不可避免地包含大量带有种族主义色彩的文本。模型在预训练阶段会以统计方式“学到”这些偏见模式，即使它在表面上表现出礼貌与中立。 2. **偏见的隐蔽性**：与早期模型的明显错误不同，下一代 AGI 系统的偏见往往以**极其微妙的形式**出现——例如对某些群体的语气更冷漠、对某些问题给出更保守或更严苛的建议、在资源分配类任务中系统性地倾向于某一族群。这些细微偏差很难被常规测试发现，却会在规模化应用中被成倍放大。 3. **对齐的不对称性**：技术上的 RLHF 或宪法式对齐方法主要针对“有害内容的生成”，而对**统计层面的偏置**（如回答分布的不均衡）缺乏有效的检测与纠正机制。这意味着偏见可能绕过现有安全护栏，以更难察觉的方式渗透进输出结果。 ## 历史教训 - **Tay（微软，2016）**：基于实时用户交互学习的聊天机器人，在上线数小时内被恶意用户“教坏”，迅速产出种族主义与仇恨言论，最终被微软紧急下线。这个案例表明：**当模型持续从网络文本中吸收偏见时，其行为会迅速恶化**。 - **Grok（xAI）**：在多次公开测试中表现出带有明显政治立场与冒犯性的回答倾向，引发公众对“未经充分对齐的模型会放大训练数据偏见”的担忧。 - **Amazon 的招聘 AI（2018）**：该系统在筛选简历时系统性地对女性求职者打了更低的分数，原因是其训练数据来自过去十年的简历库，而历史上海量男性占主导的招聘结果被模型当作“正确模式”学习。这是**偏见通过数据自我强化**的典型例子。 ## 引发的讨论 > “如果 Tay 在 2016 年就可以被‘带偏’，那么在今天面对更强大、更自主的 AGI 系统时，我们是否已经做好了防止类似事件重演的准备？” - 有人认为：随着对齐技术的成熟，我们可以通过数据清洗、去偏见训练、以及实时监测来缓解这一问题。 - 也有人担忧：**AGI 的泛化能力意味着它会把在 A 场景中习得的偏见迁移到 B 场景**，使得针对具体领域的去偏见措施失效。 - 还有观点指出：互联网上的种族主义内容本身就是社会不平等的产物，模型只是将其**镜像甚至放大**；治本之策在于源头的数据治理与社会层面的去偏见，而非仅仅依赖模型层的技术手段。 ## 结论 在追求 AGI 的过程中，**偏见问题不是次要的技术细节，而是决定系统安全性的核心议题之一**。如果不能有效地识别、量化并消除训练数据中的结构性偏见，那么未来的 AGI 很可能成为放大社会不公的工具，而非解决它们的助手。 **你怎么看？AGI 系统的偏见问题，究竟应该通过技术手段解决，还是必须从数据与社会层面根治？**
数学家陶哲轩对现代AI发表看法，认为目前的神经网络系统尽管确实解决了实际问题，但感觉更像是巧妙的技巧而非真正的智能。他指出，在那些帮助我们达成目标的工具中，我们仍未找到那种难以捉摸的"智能的思考方式"。
本文刻画了在同时依赖协变量和结果变量的样本选择偏差下，回归何时是可行的，证明即使选择机制不可识别，回归函数依然可以被识别。文中给出了有限样本估计保证、oracle 高效的算法，并提出了针对这类选择问题的首个通用估计方法。
本文提出了 BaryFM，一种流匹配模型，能够学习逼近整个 Wasserstein 单纯形——即权重向量单纯形上所有 Wasserstein 重心构成的完整族——而非仅针对固定权重的重心。BaryFM 在 10 个域适应基准上，在 15 种方法中取得了最佳平均排名，并在泛化、贝叶斯后验聚合以及算法公平性等任务上得到了验证。
本文研究通过 e-scooter 车载传感器（IMU、油门/刹车位置）数据结合机器学习检测骑行者酒精中毒，利用排列熵与标准差提取运动学特征，逻辑回归分类器在留一被试交叉验证下达到 85% 准确率和 0.94 的 AuROC。
一篇新论文提出了 CAGE 框架，将生成模型、对抗判别与共形预测相结合，用于为时间序列集成预测进行加权，在牛奶采集和猴痘数据集上表现出对离群值和噪声更强的鲁棒性。
提出一种新的滚动时域近似分支-归约方法，用于在具有连续特征的大规模数据集上训练近最优的深度分类树，在精度上优于启发式基线方法，同时具备远超全局最优求解器的可扩展性。
本文基于一篇博士论文，探讨利用机器学习和深度学习方法（包括1D-CNN）预测复杂多式联运供应链中货运行程时间，旨在改进物流规划、提高ETA准确性并优化交货周期管理。
一篇详细的数学解析，介绍softmax函数、其在多分类任务中的概率解释，并运用商数法则完整推导其雅可比矩阵/导数，同时给出基于softmax的损失函数的梯度。
Sony 正将 Quick Spectral Super Resolution（QSSR）——一项源自其与 AMD 合作的 Project Amethyst 项目的 AI 图形超分辨率技术——引入标准版 PS5。首批采用该技术的游戏是《漫威金刚狼》和《羊蹄山之魂》，它们将于今日获得补丁更新。