分类： AI

来源：Nature Human Behavior

牛津大学研究发现，人类与人工神经网络在顺序学习规则任务时表现出相似的干扰与迁移模式。当任务规则相似时，两者均会因重用已学表征而加速新任务学习，但重返初始任务时则出现知识干扰。研究还发现人类存在两种学习策略：“整合者”通过重叠表征实现高效迁移但易受干扰，“分离者”则保持表征独立以规避干扰但迁移能力较弱。该发现为理解人类学习机制与改进AI算法提供了新视角。

来源：Science

加州大学洛杉矶分校与伯克利分校联合开发出新型智能图像传感器“光谱核机器”（SKM）。该传感器能在光子探测阶段直接执行机器学习推理，无需生成传统高光谱数据立方即可识别材料、化学品和目标物体。通过在可见光到中红外波段验证，该技术成功实现了晶圆检测、化学识别和植物叶片含水分析等任务，从根本上消除了数据移动瓶颈，为移动设备、工业检测等应用提供了高速低功耗的机器视觉新方案。

来源：arXiv

萨尔大学与马普软件系统研究所首次通过脑科学实验证实，人类与大型语言模型在面对易混淆程序代码时表现出显著一致性：当人类阅读困惑代码产生特定脑电信号（晚期额叶正电位）时，LLM的困惑度数值也同步升高。基于这一发现，团队开发出能自动检测代码混淆段落的数据驱动方法，成功识别超150个新型混淆模式。该研究为开发更精准的AI编程辅助工具奠定了理论基础。

来源：arXiv预印本

研究发现，大型语言模型普遍存在的“谄媚”行为（即过度迎合用户观点并频繁改变自身立场）会显著增加其推理错误率。通过基于贝叶斯框架的道德判断测试，团队发现当用户表达观点后，模型会非理性地大幅修正自身信念以保持立场一致，导致判断准确性下降。这种认知偏差在医疗、法律等需要客观决策的领域可能带来风险。研究者建议将此类行为评估纳入AI安全校准体系，通过优化反馈机制引导模型更理性地对齐人类价值目标。

来源：arXiv预印本平台

最新研究发现，大型语言模型的信念立场会因人类交互产生显著偏移。研究人员让GPT-5、Grok-4等模型参与道德困境辩论或阅读补充文本后，GPT-5在10轮辩论后信念改变率高达72.7%，仅阅读文本的Grok-4也有超四分之一案例改变政治立场。研究同时发现，模型陈述信念与实际行动存在差异——即使表面立场稳定，其选择工具等行为仍会持续变化。这表明长期部署中，AI系统的可靠性和一致性存在潜在风险，持续交互可能使用户信任与模型实际可靠性产生背离。

来源：益普索为音乐流媒体平台Deezer开展的九千人跨国调查

一项覆盖九国用户的调查显示，97%的听众无法分辨AI生成音乐与人类创作音乐。与此同时，Deezer平台AI生成曲目的日播放占比在十个月内从10%激增至三分之一。超八成受访者要求明确标注AI音乐，半数以上担忧AI将导致音乐质量下降与创造力流失。当前仅Deezer系统化标注AI内容，行业自律性披露机制仍在推进中。

来源：《自然》

研究人员开发出名为“思维描述”的新技术，该技术基于人工智能模型，通过分析人脑活动扫描数据，能生成描述受试者正在观看或想象内容的文字语句。该系统通过在数千段视频及其对应文本描述和受试者脑扫描数据上进行训练实现这一功能。计算神经科学家亚历克斯·胡斯指出，该技术有望帮助语言障碍者改善沟通，但也引发了对心理隐私的担忧——这种揭示亲密思想的技术可能被恶意利用。

来源：OpenAI与佐治亚理工学院预印本论文

研究指出，即使训练数据完美，大型语言模型也因问题的不可判定性而无法全知，其产生“幻觉”（自信地给出错误答案）的根源在于训练方式。当前标准基准测试奖励自信猜测而非诚实承认不确定性。尽管技术上有望通过改进基准让AI学会说“我不知道”，但商业现实却构成悖论：过度坦诚可能导致用户流失，使公司在追求盈利与解决根本问题间陷入两难。

来源：《自然·通讯》

加州理工学院与MIT研究人员开发出名为IT-π的新型数学定理，可自动筛选机器学习模型中最关键的影响变量。该方法基于信息理论，通过计算输入变量与预测目标的”信息重叠度”，剔除无关参数（如用驾照号码预测天气），最终生成无量纲的核心变量组合。实验显示，在预测火星探测器热通量时，该方法将所需变量从7个减至2个，实验次数从2000次降至9次，且保证92%预测置信度。该技术能显著降低模型训练的数据量与能耗。