20多位顶级AI研究者联名警告：自动化AI研究或带来极端风险
包括 Geoffrey Hinton、Yoshua Bengio 和 OpenAI 研究负责人 Jakub Pachocki 在内的 20 多位 AI 研究者在新论文中警告，自我改进的 AI 可能引发“智能爆炸”，AI 系统已编写其开发公司的大部分代码，或在未来数年内自动化整个 AI 研发流程，使原本需数年的进展缩短至数月。
#论文/研究
#论文/研究
今日 0 条The DecoderAI 评分4949
Microsoft ResearchAI 评分5656 Microsoft Research 研究机器人推理卸载并在 Physical AI Toolchain 中推出新功能
Microsoft Research 系统研究物理 AI 机器人工作负载，发现仅靠机载 GPU 会限制性能、电池续航与可扩展性，将推理卸载到边缘或云端 GPU 可提升任务成功率。
Microsoft ResearchAI 评分5454 Microsoft Research 发布并开源逆合成预测模型 RetroChimera，登载于 Nature
Microsoft Research 在 Nature 发表逆合成预测框架 RetroChimera，组合基于 Transformer 的 R-SMILES 2 与基于 GNN 的 NeuralLoc，用学习到的重排序策略融合两者互补预测。
Microsoft ResearchAI 评分3737 Microsoft Research 推出 MindTopo 基准，测试多模态模型的拓扑推理能力
Microsoft Research 发布 MindTopo 基准，评估多模态大语言模型对连续性、分离、顺序、包围和绳结五类拓扑关系的理解。测试涵盖静态推理与交互规划两个层级，结果显示各类专有与开源模型在静态识别上明显强于多步规划任务，且均远低于人类水平。错误多发生在规划阶段，模型随场景变化丢失结构关系或提出违反物理约束的动作。
Berkeley AI Research精选AI 评分6565 从 CUDA 到 MLX：K-Search 将数十年内核优化经验迁移至 Apple Silicon
IBM Research 基于 UC Berkeley Sky Lab 的 K-Search 演进式内核搜索框架，构建 MLX 后端和 CUDA-to-MLX 结构化翻译层，把现有 CUDA 内核知识迁移为 Apple Silicon 的高质量 Metal 内核。
推荐理由：工作把 CUDA 积累的内核优化知识通过结构化翻译层迁移到 Apple Silicon，读者可看到方法细节和可复现路径。
Berkeley AI ResearchAI 评分4343 Berkeley AI Research 提出 ABBEL：教会 LLM 更新信念状态以实现高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将摘要建模为自然语言信念状态并对其内容进行监督，解决传统递归摘要（context compaction）在长程交互中的性能损失。
Berkeley AI ResearchAI 评分4242 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布一篇关于并行推理的综述与观点文章，重点分析自适应并行推理：让模型自行决定何时分解任务、生成多少并行线程以及如何协调。
Berkeley AI ResearchAI 评分3232 GRASP：让世界模型实现更长时程的梯度规划
Berkeley AI Research 提出基于梯度的规划器 GRASP，用于让学习到的世界模型支持长时程规划。它通过把轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中直接注入随机性以探索、并重塑梯度以避开高维视觉模型中脆弱的 state-input 梯度，解决长时程 rollout 中梯度爆炸/消失与不良局部极小值问题。
Berkeley AI ResearchAI 评分4545 SPEX 与 ProxySPEX：面向 LLM 的规模化交互识别方法
Berkeley AI Research 介绍 SPEX（Spectral Explainer）与 ProxySPEX 两种算法，利用稀疏性和低阶性等结构观察，用尽可能少的消融实验识别 LLM 特征、数据和模型内部组件中的关键交互，将交互发现规模提升到比以往方法高数个数量级。
Berkeley AI ResearchAI 评分3838 基于信息的成像系统设计：Berkeley AI Research 提出直接评估成像系统信息量的框架
Berkeley AI Research 在 NeurIPS 2025 论文中提出直接基于信息量评估与优化成像系统的框架，利用已知噪声模型从测量数据估计互信息。该指标在彩色摄影、射电天文、无透镜成像和显微成像四个领域均能预测下游解码性能，优化所得设计可媲美 SOTA 端到端方法，且内存、算力更省，无需任务专用解码器设计。