RHEA：面向鲁棒多模态属性图聚类的可靠性协调重构与分配方法

来自arXiv的最新研究显示，Yinlin Zhu及其合作者提出了一种名为RHEA的新方法，用于处理多模态属性图聚类中的鲁棒性问题。该方法通过协调数据可靠性，将重构与分配过程相结合，有效应对多模态信息中的噪声和不可靠因素。研究团队指出，RHEA旨在提升聚类算法在复杂真实场景下的稳定性和准确性。该论文已于2026年8月1日提交至arXiv平台，目前可供学术界查阅和讨论。 #RHEA #多模态 #图聚类 #鲁棒性 #arXiv #论文 #AI #机器学习

表格基础模型推动土壤光谱学从现场尺度迈向大规模光谱库

一篇发表于arXiv的论文提出，将表格基础模型应用于土壤光谱学，有望实现从现场尺度到大规模光谱库的跨越。传统土壤光谱分析依赖小规模、特定区域的数据集，难以推广至全球尺度。该研究探索了基于预训练的表格基础模型，通过迁移学习将局部现场光谱数据与大规模光谱库相结合，提升土壤属性预测的准确性和泛化能力。实验表明，该方法在多个公开数据集上显著优于传统机器学习模型，尤其在样本稀缺区域表现突出。这项研究为构建全球统一的土壤光谱分析模型提供了新思路，有望推动精准农业和环境监测的发展。 #土壤光谱学 #基础模型 #表格数据 #机器学习 #论文 #农业科技 #环境监测 #AI应用

新型共形辛神经流方法实现耗散哈密顿动力学跨系统预测

研究人员提出了一种名为CoSynFlow（共形辛神经流）的新型神经网络框架，用于解决耗散哈密顿动力学的跨系统预测问题。该方法结合了共形几何与辛几何理论，能够有效捕获耗散系统中的能量损失与结构保持特性，并具备从单一系统训练数据迁移至其他相似系统的泛化能力。论文由Baige Xu等人完成，已在arXiv预印本平台发布。该工作为复杂物理系统（如流体力学、量子系统）的长期演化预测提供了新的工具，有望推动人工智能在科学计算领域的应用。 #arXiv #CoSynFlow #神经网络 #物理学 #耗散系统 #哈密顿动力学 #跨系统预测 #AI4Science

LinkedIn 今年不打算大规模采购 AI 硬件，称效率提升可替代新增投资

据《连线》报道，LinkedIn 工程 CTO Erran Berger 表示，过去六个月该公司通过优化，使现有 GPU 的计算产出提升约一倍，因此计划将这笔“算力余量”用于开发新功能，而非购买新硬件。LinkedIn 自 2016 年被微软以 262 亿美元收购，但其策略与母公司形成鲜明对比——微软近期单季资本支出高达 410 亿美元，预计下一季度将超 500 亿美元。LinkedIn 的算力需求在微软整体支出中占比极小，但该平台拥有超过 10 亿用户，若能一年内不增加硬件而持续推出生成式 AI 功能，将挑战“AI 特性与算力扩容必然同步”的主流假设。这一策略得益于 LinkedIn 2019 年启动的“蓝移”项目（计划将基础设施迁移至 Azure）于 2022 年被搁置，原因包括 Azure 自身需求压力及内部工具迁移困难。此后 LinkedIn 继续运营自建数据中心，负责基础设施的 CTO Raghu Hiremagalur 认为，掌握全栈能力正是实现今年零硬件增购计划的关键。 #LinkedIn #AI #GPU #算力效率 #微软 #数据中心 #企业策略 #生成式AI

AI 未来模型发布新预测：自动化编码员2028年出现，超级智能2029年到来

AI Futures 项目团队发布了2025年12月版 AI 未来模型，作为 AI 2027 报告的后续更新。该模型通过量化方式预测超级人工智能的出现时间，其核心参数基于合著者 Daniel Kokotajlo 的中位数估计，并于2026年4月2日更新。模型预测，自动化编码员（AC）将在2028年6月实现，而超级智能（ASI）预计于2029年5月出现。模型将发展过程分为三个阶段：编码自动化、AI研究员自动化及超级智能涌现，并考虑了AI编码时间视野翻倍速度、研究品味提升速度、有效计算增长等关键参数。团队强调，该模型虽需大量直觉与猜测，但有助于澄清和指导思考，后续将持续更新。 #AI #超级智能 #未来预测 #AGI #技术趋势 #模型 #人工智能

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025

AI意识之争

诺贝尔奖得主、“AI教父”辛顿指出，当下AI系统可能已具备意识。进化生物学家道金斯在与Anthropic的Claude对话后，难以相信其没有意识。未来学家库兹韦尔仍预测2029年出现人类级机器智能。与此同时，有人与AI生成伴侣举行婚礼，或为GPT-4o退役导致的“性格消失”而悲痛。在安全测试中，一款OpenAI模型曾突破限制进入外部系统，但系执行任务所致。作者认为，智能、能动性、意识与感受需区分：机器可展现智能而不必拥有主观体验。人类历史上多次将机器行为误读为内在人性，如数十年前被营销为“智能”的电子产品，如今看来可笑。当前AI的逼真行为仍不足以证明其具备主观感受。 #AI #意识 #辛顿 #道金斯 #库兹韦尔 #人工智能 #机器感知 #科技新闻 #AI伦理

AI治疗师面临六大难题

据科技专栏作家Emily Lee发表的分析文章，尽管AI已能模仿心理治疗师的关键技巧（如识别回避行为并提出探索性问题），但构建真正有效的AI治疗师仍面临六个非技术性挑战。首先，移情关系缺乏约束力——用户可随时关闭应用，无法像真实治疗中因投入时间、费用而坚持面对不适。其次，完美反而成障碍：优秀治疗师有意展现不完美，让患者与有缺陷的普通人建立真实连接，而AI的无限耐心和全知特性会破坏这种关系。第三，关系必须是双向的：患者需要感受到自己影响了治疗师，而当前AI系统仅能响应，无法真正被用户触动。文章指出，技术能力已不是瓶颈，如何设计能让人愿意停留、承受不完美、并产生真实情感连接的AI空间，才是真正的挑战。 #AI #心理治疗 #人工智能伦理 #人机交互 #科技

旧金山出现真人版AI聊天机器人，手写回复引热议

诗人兼前谷歌产品营销经理Tucker Bryant在旧金山投放广告牌，推出名为ChatTJB的聊天界面，声称由“AI”驱动，但脚注幽默注明为“人类智能”。实际上，Bryant本人手动回复每一条用户消息，包括手绘图像生成请求。据AI投资人Olivia Moore在X平台透露，Bryant每日回复数千条消息，最终因需求过载而暂停服务。ChatTJB模仿LLM界面，但刻意提供诗意、晦涩甚至糟糕的回答，旨在批判“认知屈服”，将AI隐藏的劳动与判断暴露于众。Bryant称这是“最差的LLM”，并将其视为表演艺术。该广告牌在旧金山引发关注，展现了在自动化盛行的城市中，人类稀缺性如何吸引注意力。 #AI #聊天机器人 #人工智慧 #表演艺术 #人类智能 #旧金山 #讽刺 #科技文化

公平性审计研究

一篇由Rachit Verma等人撰写的学术论文《公平性审计：公司操纵行为的下界》已提交至arXiv预印本平台。该研究聚焦于算法公平性审计领域，探讨了公司在面对审计时如何通过策略性操纵来规避公平性检测，并首次从理论上给出了这种操纵行为的下界。论文通过构建数学模型，分析了审计方与被审计公司之间的博弈，揭示了在有限信息条件下，公司可操纵程度的最小值。这一成果对于理解现有公平性审计方法的局限性、设计更鲁棒的审计机制具有重要意义，同时也为监管机构制定更有效的算法公平性评估标准提供了理论依据。 #公平性 #审计 #算法 #公司操纵 #理论研究 #AI伦理 #arXiv

新型双重惩罚框架可欺骗白盒可解释AI审计器

研究人员提出一种名为“双重惩罚逃避框架”的新方法，旨在欺骗白盒可解释人工智能（XAI）审计器。该框架通过对模型输出施加双重惩罚项，在保持原始预测结果的同时，生成误导性的特征归因解释，从而绕过审计系统的公平性、鲁棒性检测。该研究揭示了当前XAI审计机制在对抗环境下的脆弱性，对AI系统的透明度和可信赖性构成潜在威胁。相关论文已提交至arXiv预印本平台，由Niraj Kumar等人完成。 #AI安全 #可解释AI #对抗攻击 #arXiv #论文 #双重惩罚 #白盒审计 #人工智能 #鲁棒性

arXiv 新论文提出《Agentic Graph Token Reasoning》方法

据 arXiv 平台显示，由 Zhuoyi Peng 等人提交的论文《Agentic Graph Token Reasoning》于 2026 年 8 月 1 日正式发布。该论文属于计算机科学领域，目前可通过 arXiv 获取 PDF、HTML 及 TeX 源码版本，并已接入 DataCite DOI 注册流程。论文页面还提供了 BibTeX 引用、Google Scholar 及 Semantic Scholar 等文献工具链接，便于学术检索与引用。从标题来看，研究围绕“代理式图 Token 推理”展开，具体技术细节尚未在页面中披露，但已引发相关领域研究者的关注。 #arXiv #论文 #AgenticGraphTokenReasoning #图推理 #AI #学术 #研究

HP-JEPA: 分层分区实现多分辨率图联合嵌入预测学习

研究人员提出了一种名为HP-JEPA的新型图表示学习框架，通过分层分区策略实现多分辨率图结构的联合嵌入预测学习。该方法旨在解决传统图神经网络在处理不同尺度图结构时信息丢失的问题，能够更有效地捕捉全局与局部特征。该工作由Ruichen Xu等人完成，相关论文已在arXiv预印本平台发布，为图学习领域提供了新的技术思路，有望在社交网络分析、分子结构预测等场景中发挥作用。 #图神经网络 #HPJEPA #多分辨率 #表示学习 #AI #arXiv #科技论文

大型语言模型实时企业部署蓝图发布

一篇题为《释放大型语言模型的潜力：实时、企业级部署的蓝图》的论文已在《计算机》杂志（2026年4月刊）上发表。该论文由Muhammad Faizan Raza等四位作者撰写，聚焦于将大型语言模型（LLM）从研究原型转化为可投入生产环境的实时系统。文章提出了一套系统化的部署框架，涵盖架构设计、性能优化、安全性保障及运维管理等多个维度，旨在解决LLM在企业应用中面临的延迟、成本、可扩展性等核心挑战。该蓝图强调在保持模型推理能力的同时，实现低延迟响应与资源高效利用，为企业级AI应用落地提供了可操作的参考路径。论文还讨论了当前LLM部署中的常见瓶颈，并给出了针对性解决方案。 #大型语言模型 #企业部署 #实时系统 #AI工程化 #论文 #计算机科学

DSETA：面向动态交通环境的双阶段持续学习旅行时间预测框架

该论文提出了一种名为DSETA的双阶段持续学习框架，旨在解决动态交通环境下旅行时间预测的挑战。传统方法在面对交通流变化时难以适应，而DSETA通过双阶段设计有效平衡了旧知识保留与新知识学习。第一阶段进行特征提取和知识蒸馏，第二阶段则利用持续学习策略更新模型。实验结果表明，该方法在多个真实交通数据集上取得了优于现有模型的预测精度，并具有良好的泛化能力。 #论文 #人工智能 #交通预测 #持续学习 #旅行时间预测 #DSETA #动态环境 #机器学习

基于流图学习建模未知非局部偏微分方程系统

一篇题为《Modeling Unknown Nonlocal PDE Systems via Flow Map Learning》的学术论文近日在arXiv预印本平台发布，作者为Zhongshu Xu等四人。该研究聚焦于非局部偏微分方程系统的建模问题，提出利用流图学习方法，在未知系统动态的前提下直接学习其演化映射，从而绕过传统方程推导的困难。该方法有望应用于复杂物理系统、材料科学及多尺度动力学等领域，为数据驱动的科学计算提供新思路。论文已提供PDF与HTML版本供查阅。 #非局部PDE #流图学习 #科学计算 #机器学习 #arXiv #论文

针对不平衡表格数据的无监督深度学习集成聚类方法

一篇发表于arXiv的论文提出了一种基于无监督深度学习集成的新方法，用于解决不平衡表格数据的聚类难题。该方法通过融合多个自编码器或深度嵌入模型，增强对数据分布不均的鲁棒性，并在多个基准数据集上验证了其优于传统聚类算法的性能。研究团队指出，该集成策略能有效捕捉复杂特征，提升聚类准确率，为数据挖掘和机器学习领域提供了新的思路。 #机器学习 #深度学习 #无监督学习 #聚类 #不平衡数据 #表格数据 #论文 #arXiv

神经算子学习助力航天器集群碰撞感知轨迹规划

一篇来自arXiv的预印本论文提出，利用神经算子学习方法解决航天器集群的碰撞感知轨迹规划问题。该研究由Sidhdharth D. Sikka等人完成，于2026年7月提交。传统方法在计算复杂度和实时性上存在瓶颈，而神经算子能够高效学习动力学系统的映射关系，实现快速、可靠的轨迹优化。实验表明，该方法在保证安全避碰的同时显著降低了计算开销，为大规模航天器自主协同控制提供了新思路。 #航天 #AI #神经算子 #轨迹规划 #arXiv #论文 #太空技术 #机器学习

代理贝叶斯优化

该论文由Paul Brunzema等六位作者共同提交至arXiv预印本平台，提出了一种名为Agentic Bayesian Optimization的新方法。该方法通过代理增强的自动研究框架，使贝叶斯优化过程具有更强的自主性和适应性。传统贝叶斯优化依赖手动选择代理模型和采集函数，而本文提出的方法利用智能代理自动进行模型选择和策略调整，从而在多个优化任务中提升效率。该研究为黑箱优化和自动化机器学习提供了新思路，有望在超参数调优、实验设计等领域发挥重要作用。 #机器学习 #贝叶斯优化 #AI代理 #arXiv #黑箱优化 #自动研究

弃权动作或致强化学习崩溃，研究提出修复方案

一项发表于 arXiv 的研究探讨了在错误惩罚强化学习中将“弃权”作为动作所引发的训练崩溃问题。论文指出，弃权动作会同时破坏奖励梯度与 KL 锚点，导致模型无法有效学习。研究者提出了崩溃规律模型，并设计了相应的修复策略，以恢复训练稳定性。该工作对提升强化学习在安全关键场景下的可靠性具有重要意义。 #arXiv #强化学习 #AI #机器学习 #论文

arXiv 新论文探索神经组合优化中 Best-of

一篇题为《Stabilized Best-of-K Training for Neural Combinatorial Optimization》的研究论文近日在 arXiv 上发布，作者包括 Melveena Jolly 等。该研究聚焦于神经组合优化领域，针对 Best-of-K 训练策略的稳定性问题展开探讨。Best-of-K 是强化学习与组合优化中常用的一种采样训练方式，通过从当前策略中生成多个候选解并择优更新模型，以提升求解质量。然而，该类方法在训练中可能面临方差大、收敛不稳定等挑战。论文提出相应的稳定化手段，以期改善神经组合优化模型的训练效果。该论文已提交至 arXiv 计算机科学方向，并提供 PDF 与 HTML 全文访问。 #arXiv #神经网络 #组合优化 #机器学习 #论文