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 · 学术界

近期履历记录 (来自维基数据,可能包含未经核实的信息)

论文 · 学术界

论文2026-10-22

找到了利用人工智能生成的虚拟数据提升性能的规律

Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints
Percy Liang 等 6 人
做了什么
研究了语言模型在预训练中使用将自然语言文档改写为其他样式的虚拟数据(Synthetic rewrites)时,在计算资源和数据限制下预测最佳比例与性能的规律。
核心结果
随着计算机计算资源的增加,虚拟数据的最佳比重也随之增加;并且,用比自身更大的模型或同等大小模型生成的虚拟数据进行训练的模型,比仅使用原始数据的模型表现出更优异的性能。
意义
这表明利用虚拟数据的人工智能训练方法是可预测的,并通过此方法可以克服数据限制并高效地改善性能。AI 摘要
论文2026-10-12 · arXiv (Cornell University)

开发利用人工智能高效发掘多种抗体候选物质的技术

Multi-Objective Amortized CDRH3 Sequence Sampling Diversifies Promising Antibody Candidates
做了什么
研究团队开发了一种基于人工智能的新型抗体序列生成技术,能够在抗体设计过程中同时考虑多个条件和多样性。
核心结果
与传统方法相比,在序列一致性达到50%的情况下,生成了多达10倍的丰富且可接受的抗体候选物质。
意义
这项研究有助于在药物研发初期降低失败概率,并探索各种潜在的抗体候选物质。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2026-10-06 · arXiv (Cornell University)

开发出能够快速辅助人工智能机器人行为学习的算法

QF3: Fast Flow RL with Filtered Q-Gradients
做了什么
研究团队开发出了名为QF3的新型强化学习算法,能够高效学习机器人的行为方式。
核心结果
经证实,该算法能够以比传统方法快约10倍的速度学习人形机器人的移动和动作追踪策略。
意义
展现了能够更快、更高效地学习和改进机器人行为控制技术的可能性。AI 摘要
论文2026-10-06 · arXiv (Cornell University)

利用人类示范实现全身人形机器人操纵的技术

Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data
做了什么
开发了一种利用人类示范视频,通过视觉规划器和强化学习追踪器使人形机器人能够操纵物体并移动的技术。
核心结果
在实际的 Unitree G1 机器人上成功执行了搬运箱子、抓取箱子、跨越行李箱等复杂的全身操纵任务。
意义
表明机器人可以根据人类的行为数据,在复杂环境中提升平衡并操纵物体的能力。AI 摘要
论文2026-10-04 · arXiv (Cornell University)

衡量AI产出未来研究设想的难易程度

Priced Guidance: Can Language Models Generate Future Research Ideas?
Percy Liang 等 2 人
做了什么
提出了一种通过提示所需的信息量(压缩成本)来间接估计语言模型在没有提示的情况下得出新研究设想的可能性的方法。
核心结果
评估了5个模型针对近87篇深度学习论文的核心设想,表现最好的单一模型其中位数压缩成本为69.9比特。这大大低于通用压缩工具gzip的中位数5,712比特。
意义
这项研究展示了一个新的评估框架,可以计算模型想到设想概率的下界。不过,摘要并未涉及研究生产力或市场效应。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2026-10-02 · arXiv (Cornell University)

提出适用于多种机械手的可复用抓取技术 GOTT

GOTT: Object-centric Dexterous Manipulation with a Reusable Cross-Embodiment Primitive
做了什么
为了让具有多根手指的仿生机械手能够稳定地抓取物体并朝期望方向移动,本文提出了 GOTT —— 一种可在不同机器人及手型间通用的接触技术。
核心结果
研究报告称,在模拟和真实机器人实验中,GOTT 在各种物体、臂手平台以及未在训练中出现过的新手型上均能建立稳定的接触,并且与预设抓取方式相比,能持续提高整体任务成功率。
意义
该研究表明,使用不依赖于特定机器人的通用动作组件,即使机器人手型发生变化,也能复用相同技术。不过仅凭摘要,尚难判断其商业化水平或实际产业效益。AI 摘要
论文2026-10-01 · arXiv (Cornell University)

VISTA:通过视觉记忆提升多模态AI智能体性能的研究

VISTA: A Visual Harness for Reasoning in an Interactive World
何恺明 等 4 人
做了什么
研究人员提出了名为VISTA的“视觉架构(visual harness)”,旨在帮助同时处理图像和文本的多模态AI模型在交互式视觉环境中更好地完成任务。
核心结果
报告显示,在ARC-AGI-3中应用VISTA后,相对人类行动效率得分从40.68上升至100.00,并成功通关全部25个公开游戏,其所用行动次数比最初参赛人类少57.4%。
意义
这表明,在现有模型基础上附加视觉记忆和检索功能的方法,在特定的视觉游戏任务中是有效的。不过,由于摘要仅给出了部分基准测试结果,因此尚不能断言其可广泛应用于实际工业现场。AI 摘要
论文2026-10-01 · arXiv (Cornell University)

机器人通过模拟练习自主提升能力的RPG框架

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents
做了什么
提出了一个RPG框架,在无需人类额外干预的情况下自主改进机器人任务系统。
核心结果
在22个操作任务的新初始条件测试中,成功率从首次练习后的28.6%提升至15轮后的95.0%,在30次真实机器人试验中全部成功。
意义
这项研究展示了在减少人工干预机器人控制软件调整方面的可能性,但仅凭摘要很难判断其是否达到实际工业应用或商业化水平。AI 摘要
论文2026-09-30 · arXiv (Cornell University)

研究人员提出TacEx,利用触觉好奇心提升机器人学习效率

Tactile Curiosity Drives Robot Interaction
做了什么
提出了名为TacEx的探索框架,让机器人培养对触觉(与物体接触的感觉)的好奇心,从而学会自主触摸和抓取物体。
核心结果
据摘要显示,TacEx在没有任务奖励或专家示范的情况下收集高接触率的交互数据,并利用这些数据在无需额外环境交互的情况下学习抓取和放置策略,同时还能提升视觉语言动作模型的后续学习性能。
意义
传统的机器人学习在太空中随机移动耗费了大量时间,该研究指出了以接触为中心进行探索可以改善学习效率的方向。不过仅凭摘要很难判断其实用化水平或商业化可能性。AI 摘要
论文2026-09-29 · arXiv (Cornell University)

利用AI通过少量真实视频扩展人形机器人搬运学习

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation
做了什么
提出了基于人类搬运物品的少量真实视频让AI生成各种虚拟视频并将其用于机器人学习的方法(PRISM)。
核心结果
据报告,通过这种方式学习到的单一控制策略,使真实的 humanoid 机器人无需额外的现实学习,就成功地抓取、搬运并放下箱子、圆桶、桶和球等物品。
意义
在难以收集大量真实机器人演示数据的状况下,展示了用少量真实视频增加学习数据的可能性,因此具有重要意义。AI 摘要
论文2026-09-28 · The International Journal of Robotics Research

一目了然梳理机器人学习“世界模型”研究的综合综述

World model for robot learning: A comprehensive survey
做了什么
这是一篇从机器人学习的角度系统梳理“世界模型”(预测根据行动环境将如何变化的模型)的综述(全面回顾)论文。
核心结果
根据摘要,文章梳理了世界模型如何应用于机器人策略、模拟器、评估以及数据生成,整理了基于机器人视频的世界模型的发展历程,并总结了代表性的数据集、基准和评估方法。
意义
该资料将分散的机器人学习研究方法整合到一个框架中,有助于把握相关研究的脉络。不过,摘要并未证明各项技术的具体性能或商业成果。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2026-09-10

分析人工智能训练数据重复时混合专家模型的过拟合现象

Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data
Percy Liang 等 4 人
做了什么
研究表明,当人工智能训练数据重复时,近年来广泛使用的“混合专家”架构比传统模型的性能下降更快。
核心结果
在数据重复时,混合专家模型极易发生过拟合,虽然可以通过传统的正则化技术得到一定程度的缓解,但仍无法达到使用独占数据训练时的性能。
意义
这表明在因数据稀缺而需要重复学习的情况下,有必要根据人工智能模型的架构特点来制定训练策略。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2026-05-06 · 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...