在多智能体AI系统中，一旦任务失败，开发者常陷入「谁错了、错在哪」的谜团。PSU、杜克大学与谷歌DeepMind等机构首次提出「自动化失败归因」，发布Who&When数据集，探索三种归因方法，揭示该问题的复杂性与挑战性。
在三方图灵测试中，UCSD的研究人员评估了当前的AI模型，证明LLM已通过图灵测试。在测试中，同时与人及AI系统进行5分钟对话，然后判断哪位是「真人」。结果，AI竟然比「真人」还像人：
为了进一步挑战AI系统，大家已经开始研究一些最困难的竞赛中的问题，特别是国际奥林匹克竞赛和算法挑战。
华人学者、斯坦福大学副教授 James Zou 领导的团队提出了 TextGrad ，通过文本自动化“微分”反向传播大语言模型（LLM）文本反馈来优化 AI 系统。只需几行代码，你就可以自动将用于分类数据的“逐步推理”提示转换为一个更复杂的、针对特定应用的提示。
历史上首个能通过双盲同行评审的AI系统Carl诞生了。它是Autoscience研究所的成果，能完成从构思到展示的整个研究过程，撰写的论文已被国际顶会ICLR接受，其能力令人惊叹。
近日，来自哥大的研究人员开发出了一种新AI系统，让机器人通过普通摄像头和深度神经网络实现自我建模、运动规划和自我修复，突破了传统机器人依赖工程师调整的局限，使机器人能像人类一样自主学习和适应环境变化，为具身智能发展带来新范式。
复旦新研究揭示了AI系统自我复制的突破性进展，表明当前的LLM已具备在没有人类干预的情况下自我克隆的能力。这不仅是AI超越人类的一大步，也为「流氓AI」埋下了隐患，带来前所未有的安全风险。
AI系统生成的内容是否享有版权保护，美国政府机构在最新法规指引中给出了他们的看法。
近日，小扎在采访中透露，Meta等一众大厂或许将在今年拥有能够媲美中级软件工程师的AI；而在未来，AI将能够完成几乎所有的编码工作，甚至是AI系统本身的开发。面对即将到来的智能浪潮，人类该如何未雨绸缪？个人又该如何适应变革？
我们将讨论的不仅仅是哪个超级大国会胜出，而是哪个国家的AI系统会成为全球基础设施的基石，能够被广泛采用和输出。
