機器學習

一項新研究表明，重新制定 AI 模型背後的數學，可大幅降低 AI 硬體對記憶體與儲存空間的需求。

AI 機器人實驗室正將蒐集機器人訓練資料這項繁瑣的體力工作外包給 XDOF 等公司，凸顯 AI 開發背後隱藏的勞動。

AI 研究新創公司 NeoCognition 已募得 4,000 萬美元種子輪資金，用於開發能透過類似人類的學習方式，在任何領域成為專家的 AI 智能體。

華威大學的天文學家使用名為 RAVEN 的 AI 管線，從 NASA TESS 衛星觀測的超過 220 萬顆恆星中驗證了 118 顆系外行星，其中 31 顆為新發現的世界，同時在發表於 Monthly Notices of the Royal Astronomical Society 的研究中標記了超過 2,000 個額外的高品質候選者。

伍斯特理工學院（Worcester Polytechnic Institute）的研究人員開發了一種機器學習模型，分析涉及95個腦區的MRI掃描，以近93%的準確率檢測阿茲海默症，並將海馬迴體積減少確定為一個重要的早期生物標誌。

Google 發布了在 ARC-AGI-2 基準測試中取得 77.1% 的 Gemini 3.1 Pro，將先前模型在複雜問題解決任務上的推理能力提高了一倍。

Mantic 的 AI 預測引擎在 Metaculus Fall Cup 中超越了人類預測者的平均水準，標誌著 AI 在預測現實世界事件能力上的突破。

密歇根大學的研究人員開發了 Prima，一套能在數秒內解讀腦部 MRI 的人工智慧系統，準確率為 97.5%，並自動標示緊急情況。

OpenAI 推出 GPT-5.3-Codex，迄今最強大的代理式程式碼模型。這款突破性 AI 協助建立並部署了自己，效能提高了 25%。

MIT CSAIL 推出 EnCompass 框架，使 AI 代理能回溯並優化 LLM 的輸出，在程式碼減少 82% 的情況下，準確度提升 15 至 40%。

Discovery Learning 方法使得電池壽命能在一週內快速預測，取代傳統需數月的測試週期。

Impulse AI 推出自動化 ML 平台，在 Kaggle 比賽中排名前 2.5%，能在一小時以內自動化從資料準備到生產部署的整個工作流程。

新的人工智慧安全報告警告深偽（deepfake）、人工智慧伴侶與自主系統的擴散，同時強調人工智慧在數學領域達到金牌級的表現。

綜合分析指出導致85%機器學習專案失敗率的五項常見陷阱：錯誤的問題選擇、資料品質問題、模型到產品的落差、離線與線上不一致，以及非技術性阻礙，並提供可供實務者採取的可行解決方案。

新興的世界模型技術旨在透過讓機器更好地理解空間與時間，解決人工智慧的一致性問題。

ScienceDaily 報導，研究人員使用機器學習分析來自185個國家的癌症數據，找出可在各國改善存活率的具體政策改變。

麻省理工學院的研究人員示範了在新的資料環境中，表現最佳的機器學習模型可能會變成表現最差，揭示了醫療人工智慧及其他關鍵應用中來自虛假相關性的潛在風險。

研究人員開發了一種名為 Riff-Diff 的新 AI 方法，徹底改變了酵素設計，為工業和醫療應用創造出高效且穩定的生物催化劑。研究成果已發表於期刊 Nature。

人工智慧正將其應用擴展至太空探索，斯坦福大學的研究人員成功在國際太空站上的機器人中實作機器學習。該AI系統提高了機器人動作規劃的效率50–60%，展示了AI在太空中開創新機會的潛力。

從 LangChain 到 Hugging Face Transformers，這 16 個開源專案提供了加速 AI 與機器學習創新的基礎工具與框架。