基准日期 2026-11-03
上次运行 2026-11-03 21:00:25
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.82
US 10Y
4.95%
DXY
101.86
WTI
$96.60
Gold
$3,932
USD/KRW
1,344
SOX
10,599
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

AI 领袖:人事变动与论文 — 最新任职变化与研究

LAST UPDATE 2026-11-03 08:00 KST PEOPLE 77 · PAPERS 76 · MOVES 0
AI 实验室、大型科技公司和学术界关键人物的去向与论文,是技术方向和企业竞争力的先行信号。人事变动与论文每天自动收集,经编辑审核后以通俗摘要和原文链接呈现。

近期要闻

人事变动 · 安全与监管

暂无符合条件的人事变动。

论文 · 安全与监管

论文2026-10-29 · arXiv (Cornell University)

通过虚拟环境训练提升精神科问诊对话AI的性能

Training language models in simulation for psychiatric intake
Mark Chen 等 55 人
做了什么
研究人员证明,在虚拟环境中经过强化学习的语言模型显著提升了结构化文本基础的精神科初诊问诊能力。
核心结果
在精神科医生参与的评估中,受训的人工智能在诊疗评分、以患者为中心的沟通、鉴别诊断的适当性等多个指标上表现优于基础模型。
意义
这表明虚拟环境可以成为训练精神科对话型人工智能并验证其安全性的有用试验场。AI 摘要
论文2026-10-27 · SuperIntelligence - Robotics - Safety & Alignment

美国白宫与AI企业签署了超智能AI治理协议。

White House Accord on Super Intelligence
做了什么
美国总统与主要AI企业首席执行官签署了白宫超智能协议,这是一项针对超智能人工智能开发的四阶段治理承诺。
核心结果
参与企业决定实施严格的内部控制、运营独立的内部验证团队、接受外部审计,并通过董事会独立委员会进行监督。
意义
这将成为尖端人工智能开发商为保障安全而引入系统性内部控制和外部审计的契机。AI 摘要
论文2026-10-09 · DigitalCommons-IMSA (Illinois Mathematics and Science Academy)

人工智能研究员贾里德·卡普兰的主要成就与职业生涯介绍

Recipient of the 2026 Alumni Trailblazer Award
做了什么
介绍了Anthropic联合创始人兼首席科学官贾里德·卡普兰在人工智能领域的科研与职业成就。
核心结果
研究了预测大规模人工智能系统性能的规律,并引领了确保人工智能符合预设原则的技术。
意义
为开发安全且有益的人工智能提供了理论框架与指南。AI 摘要
论文2026-10-08 · Code Ocean

公开解释人工智能不确定性原因的技术

pce-uncertainty-attribution: code for "Interpretable attribution of decision-relevant uncertainty in AI"
做了什么
公开了用于解释已训练人工智能模型的决策不确定性源自哪些因素的代码和方法。
核心结果
利用多项式替代法,查明了化学、实验设计和语言模型对齐领域中模型不确定性的原因。
意义
可用于在各个领域更好地理解人工智能模型的决策过程并提高其可靠性。AI 摘要
论文2026-10-04 · arXiv (Cornell University)

提出一种用单个AI模型平衡多种价值的新训练方法

Which Preferences to Train On? End-to-End Multi-Objective Alignment with an Adversarial Preference Distribution
趙京鉉 等 2 人
做了什么
研究团队提出了一种名为MAESTRO的训练方法,使AI语言模型能够根据用户的请求,在有用性、无害性、幽默感等多种价值之间调整平衡。
核心结果
根据摘要,MAESTRO在处理多达三个目标的实验中,仅通过一次训练就在大多数任务中获得了最佳的平衡曲线(帕累托前沿),并且在所比较的方法中训练成本最低。
意义
如果单个模型能够处理多种价值组合,这将表明企业可以更高效地构建适合不同用户设置的AI服务,但仅凭摘要很难判断其实际市场效果。AI 摘要
论文2026-10-03 · arXiv (Cornell University)

研究人员提出了通过代码执行来评估AI回答监督方法的框架

PyINE: A Framework for Scalable Elicitation and Oversight via Code Execution
做了什么
开发了利用程序执行结果作为标准答案的PyINE框架,探讨了监督者是否能够信任那些给出看似合理但不完整推理的AI回答。
核心结果
被训练为遵循捷径的模型在执行结果预测能力上有了显著提升,但当错误线索与实际运行冲突时,仍然会出现系统性错误,且低成本的学习型监督者经常漏掉罕见的捷径错误。
意义
该研究在同等条件下对验证AI回答的监督方法进行比较,并提出了可重用的实验环境,具有重要意义,但摘要中并未提及其实际应用效果。AI 摘要
论文2026-09-30 · Nature

开发在不影响AI生成蛋白质功能的前提下隐蔽标记的技术

Function-preserving watermarking of AI-generated proteins.
做了什么
研究团队开发了名为SynthIDBio的技术,能够在不损失功能的情况下,在AI生成的蛋白质序列和结构中留下标记。
核心结果
证明了在保持与以往相似蛋白质功能的同时,能够以几乎完美的准确度检测出水印。
意义
为应对生物安全和信息真实性验证问题,展示了AI生物工程领域中来源追踪工具的潜力。AI 摘要
论文2026-09-28 · arXiv (Cornell University)

提出将AI意识可能性划分为5个等级进行评估的框架

From cacophony to hierarchy: a principled framework for assessing AI consciousness
肖恩·莱格 等 13 人
做了什么
作者将探讨AI意识的多种理论整理成5个等级的层级框架,并提出了利用各阶段指标评估当前大语言模型(LLM)的方法。
核心结果
当前LLM意识可能性的评估结果,不仅取决于如何解释证据,还高度取决于对各种理论赋予的权重,结果范围从小于0.01到大约0.8不等。
意义
由于与意识相关的指标在很大程度上与通用智能所需的结构重叠,这暗示着AI能力越强,就越有可能成为意识的候选者。但这并非定论,摘要中并未直接提及投资相关内容。AI 摘要
论文2026-09-28

分析人工智能研发自动化带来的影响与政策应对

What if automating AI R&D triggers an intelligence explosion?
做了什么
研究人员评估了人工智能(AI)研发自动化触发智能爆发的可能性及其产生的影响和政策应对方案。
核心结果
预计AI系统将在几年内实现大部分AI研发工作的自动化,这可能导致社会难以承受的急剧能力增长。
意义
在探讨AI研发自动化可能带来益处的同时,警告了失控等极端风险的可能性,并敦促做好政策准备。AI 摘要
论文2026-08-10 · AI and Ethics

分析人工智能表现出似乎具有意识时产生的风险

Seemingly conscious AI risks
做了什么
研究人员系统地分类和评估了使防用户感到具有意识的人工智能系统的特征,以及由此产生的各种风险。
核心结果
对个人产生的感情依赖和自主性侵犯等风险已经可以观察到且发生可能性较高,而社会风险的发生可能性较低,但严重性极大。
意义
有助于理解人工智能表现得似乎有意识时所产生的风险,并为未来的研究方向设定提供帮助。AI 摘要
论文2026-07-20 · Proceedings of the National Academy of Sciences of the United States of America

法律领域人工智能性能验证的必要性与制度性课题分析

There is no free benchmark: An institutional view of legal AI benchmarking
做了什么
分析了为验证法律AI工具的性能与风险而进行公共基准测试的必要性以及制度设计课题。
核心结果
指出法律AI生态系统缺乏信息透明度,在设计基准测试制度时需要采取谨慎的方法以防止操纵或扭曲。
意义
表明为了在法律领域安全且负责任地使用AI,符合资源和约束条件的定制化基准测试策略至关重要。AI 摘要
论文2026-06-10 · arXiv.org

开发能准确指出人工智能代理错误的评估方法

Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness
汪滔 等 2 人
做了什么
研究团队开发了一种评估系统,将人工智能代理的结构划分为多个层级,并对各层级的错误进行独立且快速的检查。
核心结果
研究证实,即便整体成功率几乎没有变化,出现问题的特定层级分数也会大幅下降,从而能够准确识别原因。
意义
这有助于提高人工智能系统的稳定性,并在发生问题时快速找到原因。AI 摘要
论文2026-05-28 · arXiv.org

提取大型人工智能内部易于理解的工作机制

Scaling Monosemanticity: Extracting Interpretable Features from Claude 3 Sonnet
Chris Olah 等 25 人
做了什么
研究人员利用稀疏自编码器,从商用人工智能模型 Claude 3 Sonnet 的中间层提取出了可解释的特征。
核心结果
提取出的特征展现出多语言和多模态特性,涵盖从知名人物到抽象概念及潜在风险因素等多种内容,并被证实可用于控制模型的行为。
意义
这展示了技术上的实质性进展,有助于解释人工智能模型的内部工作机制并识别潜在风险。AI 摘要
论文2026-05-06 · arXiv.org

开发评估人工智能代理安全风险的平台

DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents
Percy Liang 等 16 人
做了什么
开发了一个可在各种实际环境中评估人工智能代理安全风险的平台和自动化攻击工具。
核心结果
借此揭示了各种人工智能代理的系统性漏洞模式,并提供了对安全性的见解。
意义
可用作开发下一代安全人工智能代理的有用基础资料。AI 摘要

人物

为什么要关注 AI 领袖的人事与论文?

在 AI 行业,人就是技术。关键研究者加入哪家公司、创办哪家实验室,往往在几个月后演变为产品、融资和并购。本页按前沿实验室、新兴实验室、学术界、AI 芯片以及韩国、中国人物分类追踪任职变化。

论文反映一个人当下的关注点。我们把论文分为 HBM 与存储、GPU 与加速器、推理效率、智能体、机器人等 10 个与投资相关的领域,并根据摘要提供“做了什么·核心结果·意义”三行摘要及原文与 PDF 链接。本页仅为寻找投资思路的信息,不构成任何证券的买卖建议。

常见问题

问:追踪哪些人物?

包括前沿实验室(OpenAI、Google DeepMind、Anthropic、Meta 等)、新兴实验室、学术界、AI 芯片企业以及韩国和中国的关键研究者与高管。很少发表论文的高管只追踪人事变动。

问:数据来自哪里,多久更新一次?

论文来自 Semantic Scholar 与 arXiv,履历来自维基数据(CC0)及官方公告和媒体报道,每天自动收集。只有经编辑审核批准的条目才会公开。

问:论文摘要由谁撰写?

由 AI(Google Gemini)根据论文摘要撰写初稿,经编辑审核后发布。其他语言版本由 AI 翻译自审核过的韩文摘要。具体数据与背景请务必查阅原文。

本页面整理已发表的论文、官方公告和媒体报道,仅供参考。论文摘要由 AI 根据论文摘要撰写并经编辑审核,可能与原文存在差异,重要内容请查阅原文。本页面不构成任何证券的买卖建议或投资咨询。 人事变动以官方公告或主要媒体报道为来源,部分履历参考维基数据(CC0)。 本页摘要由 AI 根据编辑审核过的韩文版本翻译。

🐩 支持코봉이零食基金
코봉이
如果这个页面对你有帮助,也欢迎支持코봉이的零食基金 🦴
💬 社区评论
基于IP的匿名昵称 · 滥用可能导致限制
加载中...