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 · 前沿实验室

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 · 前沿实验室

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2026-10-22 · Science

人工智能在反复诊断过程中记录了比医生更高的准确率

Sequential diagnosis with language models
做了什么
研究人员开发了一个基于大语言模型的人工智能系统和一个交互式评估标准,用于模拟临床诊断过程。
核心结果
该人工智能系统在医学案例评估中分别创下了百分之83.2和百分之80.3的准确率,表现优于一般医生。
意义
尽管是在受控环境中,但这展示了语言模型能够支持更准确、更具成本效益的诊断的潜力。AI 摘要
论文2026-10-22 · BMJ digital health & AI

提出医疗人工智能超级智能的定义与评估标准

Medical superintelligence: foundations and aspirations
做了什么
讨论了人工智能技术如何促进更有效的医疗服务,并介绍了医疗智能的六个相互依赖的维度。
核心结果
阐明了为了提高医疗质量,不仅需要个别任务的卓越性能,还需要能够与人类合作并在整个治疗过程中执行综合医疗推理的系统。
意义
提出了将这些能力与现有医疗智能相结合,以提高医疗服务质量和可及性的方向。AI 摘要
论文2026-10-20 · Zenodo (CERN European Organization for Nuclear Research)

公开基于人工智能的酶设计论文中使用的结构数据

Supplementary Data 2. Designed and predicted structures of all designs
做了什么
研究团队公开了针对新型化学反应的人工智能酶设计论文中所涉及的所有结构数据文件。
核心结果
该压缩文件包含人工智能模型生成的结构、重新设计的结构以及额外的预测结构数据。
意义
通过公开的数据,相关研究人员可以确认基于人工智能的酶设计结果并推进后续研究。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 · Science

利用人工智能自动证明未解决的数学问题

Advancing mathematics research with AI-driven formal proof search
Pushmeet Kohli 等 20 人
做了什么
开发了一个人工智能代理,利用编译器验证证明步骤的语言,大规模地寻找数学证明。
核心结果
该人工智能代理成功自主解决了多个未解决的数学问题和猜想。
意义
展现了人工智能引导自主数学发现的可能性。AI 摘要
论文2026-10-06 · arXiv (Cornell University)

一种评估人工智能代理通过经验进行自我提升能力的新方法

Agent Plasticity: Measuring Self-Improvement Through Experience
Rob Fergus 等 10 人
做了什么
为了衡量通过经验自主发展的人工智能代理的自我提升效率,引入了代理可塑性概念并研究了评估方法。
核心结果
尽管学习机会相似,最新模型在提升路径上表现出巨大差异,且最终性能最好的代理并不一定是提升效率最高的。
意义
这表明在评估人工智能的发展潜力时,不仅要衡量固定时间点的能力,还要衡量通过经验进行有效改善的程度,这一点至关重要。AI 摘要
论文2026-10-04 · arXiv (Cornell University)

提出了一种让多个AI代理在Git仓库中积累工作以解决问题的方法

GitSwarm: Decentralized Compounding Inference
Rob Fergus 等 13 人
做了什么
提出并评估了GitSwarm,这是一个“复合推理”系统,多个相同的AI代理可以在共享的Git仓库中独立进行工作,并持续保存、参考和结合中间结果。
核心结果
据报告,该系统单次运行成功解决全部30道数学证明题,在编程基准测试ProgramBench上取得了平均79.4分,超过了规定预算条件下的最强基准线(65.1分),并在3个神经网络架构研究任务中通过重复实验改进了起点架构。
意义
这表明AI在每次尝试时不会丢弃结果,而是可以积累中期成果并在后续工作中重复使用,为长期问题解决和科学研究AI设计指明了一个方向。不过,由于这些结果仅处于摘要水平,很难仅凭此资料判断其实际的产业波及效果。AI 摘要
论文2026-10-02 · arXiv (Cornell University)

量子计算机纠错的模块化内存设计大幅减少资源消耗

Low-Overhead Quantum Error Correction with Boundary-Connected Planar Modules
Pushmeet Kohli 等 13 人
做了什么
研究人员通过模拟证明,将量子处理器划分为平面模块并利用模块间的连接,可以将量子纠错所需的物理量子比特数量减少10倍以上。
核心结果
新的模块化编码设计显示,与表面编码相比,物理量子比特的消耗减少了10倍以上(在大规模系统中超过30倍)。
意义
本研究展示了一种高密度存储设备的可能性,它既能发挥高效编码的优势,又能保持平面模块在制造上的优势。AI 摘要
论文2026-10-02 · bioRxiv (Cold Spring Harbor Laboratory)

结合人工智能蛋白质设计与进化的全新酶化学技术

Design-Evolution Synergy Enables New-to-Nature Enzyme Chemistry
Pushmeet Kohli 等 16 人
做了什么
结合人工智能蛋白质设计与进化技术,开发出了能够催化自然界中不存在的碳氢胺化反应的酶。
核心结果
成功合成了具备可编程的位置及对映选择性、高催化效率以及优异酶稳定性的新型酶。
意义
表明蛋白质设计技术可用于构建能够促进复杂化学反应的酶。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2026-09-29 · arXiv (Cornell University)

提出在AI agent执行任务前先权衡“如何进行”的元推理技术

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning
Rob Fergus 等 11 人
做了什么
针对执行长任务的AI agent,提出了一种将“是否重用以往任务结果、是否重新开始、何时停止”等执行控制决策作为系统性推理过程来处理的“agent元推理”方法。
核心结果
在程序重构基准测试ProgramBench中,基于GPT-5.5达到了71.5%,高于Codex的58.0%;基于Opus 4.8达到了67.2%,高于Claude Code的65.5%。
意义
摘要表明,随着agent执行更长的任务,将计算资源用于结构化执行控制可能会变得更加重要。不过,由于摘要中的结果是在特定基准测试和实验条件下获得的,因此很难直接断定其能带来实际产品性能的提升。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2026-07-02 · arXiv.org

谷歌发布兼顾性能与效率的开源AI“Gemma 4”

Gemma 4 Technical Report
做了什么
谷歌开发了新一代开源多模态语言模型“Gemma 4”,增强了计算效率和推理能力。
核心结果
在科学、技术、工程、数学(STEM)以及多模态等各项评估指标中,性能均显著提升。
意义
这表明开源AI模型有了更多选择,可以用更少的资源解决复杂问题。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2026-06-09 · arXiv.org

分析人工智能裁判对多轮对话代理的评估局限性

Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents
汪滔 等 2 人
做了什么
以实际运行中的点餐对话代理为对象,通过与人类的全数检查进行对比,测量了基于大语言模型的裁判实际能找出多少缺陷。
核心结果
大语言模型裁判甚至未能找出人类确认的系统性问题中的四分之一,在特定批次中甚至记录为零起。
意义
这表明自动化评估方式仅能起到最低标准的作用,无法完全替代人类审查。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

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...