计算机科学
一种语言若不能影响你思考编程的方式，就不值得学习。
— (1982)
资深开发者觉得 AI 让自己更快，实际测下来却更慢——这是真发现，但不是对 AI 编程的最终判决
METR 的一项随机对照试验，让 16 名资深开源开发者在自己熟悉的代码库中完成 246 个真实工作项目；每个任务随机决定是否允许使用 2025 年初的 AI 工具（Cursor Pro 加 Claude 3.5/3.7 Sonnet）。开发者原本预期 AI 能把完成时间缩短约 24%；结果反而增加了 19%。更有意思的是，做完后他们仍相信 AI 让自己快了约 20%。这种“感觉与实测之间的落差”是研究最锐利、也最稳健的核心。但样本只有 16 人、情境很窄，而且只是固定在 2025 年初工具状态的一张快照；作者明确表示，这不能证明 AI 对多数开发者没有帮助，而他们自己 2026 年的后续研究已经倾向显示加速，虽然也有自己的限制。
一个密码学证明可以通过让缺失的模拟器难以被证明来隐藏其秘密
零知识证明允许某人证明一个陈述而不揭示见证。经典理论说，在完整意义上，你无法用一条消息、无需可信设置和完美可靠性来做到这一点。Rahul Ilango的论文没有使这种不可能性消失。它改变了目标：不再要求模拟器确实存在，而是要求没有选定的证明系统能够高效地证明模拟器不存在。在重要的证明复杂性和密码学假设下，这足以逐属性地恢复零知识的可证伪、博弈式后果。重点不是一个即插即用的互联网原语。它是将数学不可证明性转化为密码学掩护的一种证明论方法。
医疗AI可以在平均意义上是私密的，但仍然暴露特定的患者——尤其是那些最缺乏代表性的人
一个被称为「保护隐私」的医疗AI模型通常基于一个平均数字。这项研究认为，这一数字是错误的检验标准。作者研究成员身份推断攻击——即揭示特定人的记录是否在模型训练数据中，从而可能泄露其患有特定疾病——在七个医疗数据集（影像、心电图、电子记录）和众多模型上逐患者测量风险，而非汇总测量。模式是：在平均意义上看起来安全的模型，仍然可以让攻击者以近乎完美的准确率识别特定个体（攻击AUC ≥ 0.95）；被暴露的系统性地来自代表性不足的群体（少数族裔、罕见疾病、异常影像）；且随着模型的扩大而恶化。作者并非主张放弃医疗AI——他们主张逐患者测量隐私、控制模型访问并使用差分隐私。令人不适的核心：「平均意义上是私密的」并非隐私保证，而它所辜负的患者已是那些最缺乏保护的人。
教绘图AI看着画布作画
生成矢量图形的语言模型一直在盲画——写出绘图命令，却从未看见结果。一种新方法让模型逐笔看着自己的画布被填满，而诚实的转折是，简单地赋予它眼睛反而让结果变差：模型必须经过再训练，学会怎样使用视觉反馈。回报是一个能追平或略微胜过使用最多二十倍数据训练的对手的模型——这是在单一基准上得到的真实、谨慎的结果，不是一场革命。
一个AI代理在模拟器中独立处理了完整患者病例——基于历史病历
MIRA是一种新型医疗AI：它不是回答单一问题，而是在模拟医院病历中处理整个病例——采集病史、开具并解读检查、做出诊断、书写医嘱。在来自公共数据库的574个回顾性病例上，横跨八种预选诊断，作者报告它在诊断准确率上超越了医生，并做出了基本符合指南、用药安全的决定。这句话中的每一个限定词都承载分量：它在沙盒中运行，基于历史病历，仅限文本；其优势大多来自检验结果清晰的疾病；它开具的血液检查大约是医生的两倍；若干结局是以原始病历记录的内容为标准来打分的。真正的进步是一个横跨整个工作流程的代理——而非证明一台机器现在诊断得比医生更好。作者自己承认：泛化能力、安全性和治理仍需要前瞻性真实世界研究。
大型机器人「基础模型」真的更好吗？一个谨慎的回答——答案是肯定的，但幅度有限，而大多数研究无法判断
丰田研究所训练了「大型行为模型」——在约 1,700 小时多样化操作数据上预训练的机器人策略——并以不寻常的严谨性将其与从零开始的单任务策略进行了对比：盲法、随机化、大样本量试验（约 1,800 次真实世界，47,000+ 次模拟）并采用正式统计检验。经过逐任务微调后，大模型平均表现更好，只需原来的约 1/3 至 1/5 任务特定数据，并且在条件变化时更鲁棒；性能随预训练数据量平稳上升。但在没有微调的情况下，它们并未一致地击败单任务模型，若干效应小到只有大样本量才能揭示，而且一个平凡的数据标准化选择比架构影响更大。这是对机器人基础模型方向的有节制支持——并非通用机器人，不是零样本万能者，也不是「涌现式的飞跃」——加上一条尖锐的警告：机器人学中的许多研究可能正在测量噪声。
语言模型为何产生幻觉——而我们的评分方式为何让它延续
我们所说的“幻觉”，即模型自信地输出虚假内容，并不是什么神秘故障：其中一部分是训练在统计上的副产品，而它们之所以持续存在，是因为主流基准会奖励自信猜测，却不会奖励诚实地说“我不知道”。一项针对四个前沿模型的案例研究表明，把评分规则写进提示（“开放式评分准则”）可以扭转这种激励。