科学摘要

分类： AI

  • “教”AI学编程：Teachables系统让学生通过“教学”深化概念理解

    来源： IEEE Xplore（第14届信息与教育技术国际会议）

    卡内基梅隆大学等团队提出“Teachable AI”原型系统，利用生成式AI让学生以“教”代“学”——向AI代理解释编程概念并纠正其误解，借此触发元认知反思，从而深化对抽象原理的理解。系统将AI定位为“学习者”而非“答案提供者”，旨在将课堂转变为协作学习空间，为AI辅助教育提供新范式。

  • 中国AI模型Kimi K3登顶国际测评，再掀中美技术博弈波澜

    来源： TITV播客、X平台及行业评论

    中国初创公司月之暗面推出的AI编程工具Kimi K3，于2026年7月16日发布后迅速登顶国际权威测评榜Arena，成为首个夺冠的中国模型。其低成本、可定制开源的特点引发硅谷与华尔街担忧，冲击美国闭源商业模型的定价优势。白宫AI顾问承认美方主导地位受威胁，并警告监管过严或致“输掉AI竞赛”；另有专家认为美方可能通过“风险警示”间接限制美企使用中国AI。该事件被视为继DeepSeek之后又一次对美科技股估值构成压力的“资本反思时刻”。

  • AI设计出合成TnpB酶SynTnpBs，基因编辑效率远超天然版本

    来源： 《科学》

    研究利用AI蛋白设计模型ESM-IF1，结合结构信息和进化数据，在保持关键功能域不变的前提下生成大量TnpB变体。经细菌、人类细胞和植物细胞筛选，部分SynTnpBs编辑效率达46%–50%，而天然酶仅28%，最优变体效率提升近四倍，且序列与天然酶差异显著（功能域相似度仅72%–83%）。该策略为突破自然进化限制、按需设计新型基因编辑工具开辟了新路径。

  • 大语言模型在情境中显露出对HIV和精神疾病的健康偏见

    来源： Nature Health

    研究发现，ChatGPT、Grok、Claude等LLM在标准偏见问卷上得分优于人类，但在51个生活情境故事预测任务中，当角色患有HIV、精神疾病或乙肝时，模型对其表现出明显歧视，将之与危险、疏远相关联；中文提示偏见更显著，而逐步推理可减轻偏见。团队提出个体化、相关性过滤等九项缓解策略，呼吁上市前进行情境化偏见审计。

  • 专家警告AI会议记录工具存在严重隐私与安全风险

    来源： AP News

    AI会议记录工具虽能快速生成摘要，但存在数据存储不明、语音指纹被滥用、律师-客户特权可能失效等风险。专家建议参会时主动检查是否有记录机器人、明确声明会议不得录音、了解数据去向与保存期限。伊利诺伊州法律将声纹视作生物识别信息，要求知情同意。部分公司可能将数据用于AI训练或转售，文本记录比音视频更易被搜索和泄露，需审慎使用。

  •  LLM可预测社会科学实验结论，但“硅样本”不能替代真人

    来源： Nature

    哈佛团队让GPT-4预测70项真实社科实验（近12万人参与）的结果，发现其能有效区分干预措施效果强弱，但系统性高估效应量约一倍。研究表明LLM可用于辅助预实验和筛选假设，但“合成受访者”缺乏真实体验和利益关联，且可能放大多数群体声音、掩盖少数观点。作者警告AI预测可能制造“理解幻觉”，并需防范其被用于优化有害说服内容。

  • AI理财建议虽流畅自信，但错误难察且后果严重

    来源： The Conversation

    作者指出，AI在财务建议中“流畅却错误”的危险最值得警惕，因用户难以即时验证，易因信任而错过寻求真专家。AI擅长常规常识，但对罕见、复杂、高风险的决策（如社保策略、税务、退休提款）最不可靠。建议将AI作为学习起点，涉及大额、不可逆或个性化问题时，务必求教人类规划师。

  • 逾半数加拿大人认为使用AI浪漫伴侣等同于出轨

    来源： The Conversation

    研究调查1815名加拿大成年人，发现约半数受访者视伴侣使用AI浪漫伴侣为不忠，近四分之三表示会有负面情绪，反应强烈程度接近约会App和网聊。顺性别女性及Z世代更倾向于认定为出轨，非一对一关系者则态度更宽松。研究强调需从关系层面（隐瞒、情感替代）而非仅技术角度理解该现象。

  • 研究显示AI生成面孔比真实面孔更受信任，引发欺诈担忧

    来源： Journal of Vision

    实验要求参与者区分96张真实与AI合成面孔，准确率仅58.4%（略优于随机）；在信任评分中，真实面孔最低（4.03），扩散模型AI面孔最高（4.70）。研究指出，即使新模型被评“更不逼真”，却反而更受信任，提示真实感与信任度由不同心理机制驱动，需警惕虚假身份与信息欺诈风险。

  • AI代理单次查询能耗可达传统生成式AI的136.5倍

    来源： IEEE HPCA 2026

    KAIST团队首次量化分析AI代理（可自主规划、调用外部工具的智能体）的计算与能耗成本。研究发现，相比传统链式推理，AI代理因反复调用大语言模型，单次查询能耗平均达348.41瓦时，是简单问答系统的136.5倍；响应延迟最高增加153.7倍，GPU闲置率高达54.5%。若达到谷歌搜索级别日请求量，数据中心功耗将达198.9 GW（约等于美国一半平均用电量），凸显AI竞争正从“更智能”转向“更高效”的基础设施协同优化。