Microsoft 研究：AI 评测如何暴露传统 benchmark 之外的"意外失败"
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论了评测对推动 AI 系统性能边界的作用，以及模型在超出传统 benchmark 测试时出现的"意外失败"。她结合自身从数学、物理、认知科学到计算机科学的经历，分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
#大佬观点
Microsoft ResearchAI 评分2222
AnthropicAI 评分3636 哈佛物理学家谈 AI 与科学的阻抗失配
哈佛物理学家 Matthew Schwartz 在 Anthropic Science Blog 客座文章中提出，LLM 虽能力广泛，但像对待人类合作者那样使用它们并非激发其科学优势的最佳方式。为此他构建了一套用于定量科学精确计算的工具包，Claude 借此发现了生态学、群体遗传学等十几个领域的关联，Schwartz 再与领域专家合作引导其聚焦有趣问题。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 是否已死、Skills 是否杀死 MCP
GitHub Podcast 最新一期拆解了五个 AI 热门论断：AI 生成的代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是智能体连接工具与数据的标准接口，二者可组合使用；RAG 并未消亡，它让模型基于训练数据外的文档、内部知识和代码库上下文作答，与 Agent、Skills、MCP 可共存于同一工作流。
Google DeepMindAI 评分2020 Google DeepMind 谈 AI 不确定性：从天气预报到机器人
Google DeepMind 研究副总裁 Zoubin Ghahramani 与 Hannah Fry 对谈，探讨为何让 AI 系统学会"自我怀疑"和概率思维，是实现更安全、更可靠现实决策的关键。讨论覆盖不确定性的作用、正确性与置信度的区别、贝叶斯思维在 AI 中的应用，以及不确定性研究与 AGI 的未来方向。
Berkeley AI ResearchAI 评分3434 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 团队提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分低于 $0.10，数据系统面临三大新挑战：为智能体服务、管理智能体集群、由智能体合成。在 text-to-SQL 基准上，多智能体尝试中仅 10-20% 子计划不同，80-90% 子查询重复，可通过多查询优化与近似查询处理复用结果。