我们是否过度相信 AI 说“不”的能力
MIT Technology Review 探讨 AI 拒绝机制：模型经海量网页训练后掌握暴力与恶意知识，企业通过拒绝训练和外部过滤层让模型学会说“不”，但拒绝机制是概率性的，仍可被突破。OpenAI 董事会成员 Zico Kolter 指出，该在何处划线是巨大难题，目前由 AI 公司秘密决定，政府也将介入划线。
#推理
MIT Technology Review · AIAI 评分4646
Microsoft ResearchAI 评分2222 微软研究院播客：AI 会犯哪些错，失败又能教我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 对谈，讨论评估如何推动当前 AI 系统突破性能边界，以及模型在超出传统 benchmark 测试时出现的“意外失败”。她还分享使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细检查数据。
Import AIAI 评分3030 Import AI 475：群体扩展、Google DeepMind 为生物数据加水印与 AI 科学经济
Import AI 475 期讨论了 AI 群体（swarm）扩展：4 个智能体的群体完成任务所需 token 总量约为单智能体的两倍，但每个智能体只需一半 token，并行运行理论上可将耗时减半。
Berkeley AI ResearchAI 评分4444 智能免费之后：为智能体、由智能体、属智能体的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本已从 GPT-4 级约 $30/百万 token 降至不足 $1，部分厂商低于 $0.10，年均降幅中位数约 50x，数据系统需围绕智能体重构。文章给出三个方向：为智能体设计的数据系统（如复用 80-90% 重复子查询）、支撑智能体集群运行的数据系统，以及由智能体自行合成数据系统。
Berkeley AI ResearchAI 评分3838 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化子任务、开启多少并发线程以及如何协调。现有方法如自一致性、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink 和 Hogwild! Inference 的并行结构多由模型外部预先设定，而不同问题需要不同并行度。