AI 替人读论文,de Souza 在 ACM MM 2026 谈研究者的认知权威

资讯 雷峰网 全文 9669 字 · 约 25 分钟读完 配图 15 张

研究者需要的不只是AI生成的答案,更是审查答案、追溯来源并为知识判断负责的能力。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026
HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026
研究者要的不只是 AI 给出的答案,还得有本事审查这份答案、追溯它的来源,并对知识判断担起责任。

几十页的 PDF 摆在面前,实在没时间一行行读,很多人会把论文直接丢给 ChatGPT 或 Claude,让它提炼核心观点。这种经历想必不少人都有过。

屏幕上很快就会出现一份条理清楚的摘要。看一眼,觉得论文大意已经装进脑子,有人甚至把里面的观点直接引进了自己的研究。

可问题来了:AI 总结出来的,真是原作者想说的吗?万一它悄悄塞进了原文没有的观点,或者把八竿子打不着的概念连在一起,做研究的人能不能及时察觉?

ACM Multimedia 2026 正在召开,人机交互领域的先驱、巴西里约热内卢天主教大学(PUC-Rio)荣休教授 Clarisse Sieckenius de Souza 在会上做了一场主题演讲。

她以自己提出的“语义工程”(Semiotic Engineering)理论为起点,谈 AI 怎样改变人与信息的关系,也谈把文献阅读和理解交给 AI 之后,研究者的“认知权威”(Epistemic Authority)该怎么守住。

从界面如何传递设计者的意图,到 AI 摘要如何偏离原文,再到怎样用 PEEL 方法审视 AI 的文本处理过程,这场演讲为理解 AI 时代的知识责任打开了另一个视角。

演讲全文如下:

01

界面是一场对话:
我们如何理解机器的语言?

依我看,人机交互(HCI)可以当成一场对话来理解。

不过这场对话并不发生在应用程序或系统与用户之间,它由计算机媒介促成,真正对话的是两群人:一边是设计和开发应用程序的人,另一边是使用这些程序的人。

对话在界面上展开。界面其实充当着设计者的代理人,替设计者把信息传给用户。它能表达的方式和语言,都是设计者事先定好的,也就是我们常说的人工语言。

比如用某个网站时,界面会告诉你哪些操作能做、哪些不能做。在 Cookie 偏好设置页面里,用户可能想切换某一项必要设置,界面却回一句:这项操作完不成。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

这条信息其实出自设计者。用户从界面得到的反馈,反映的是设计者希望用户做什么、能做什么、又不能做什么。

语义工程(Semantic Engineering)的基本想法就在这里:界面替设计者发声,用户则通过学习、使用界面语言,跟设计者交流。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

界面语言当然不限于文字。它也可以是一套纯图形化、以对象为中心的语言。用户操作屏幕上的对象来表达意图,界面再以对象的变化回应。

但界面不一定总按用户预期作出回应。

准备这场演讲时我就碰上过一件挺有意思的事:我想在界面里插入一个文本框,结果它上下颠倒了。为什么会这样,我完全不知道。

这正说明,界面会怎么回应,我们有时预料不到。碰到意料之外的结果,只能试着去理解它,再调整自己的操作。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

一般来说,每个系统都有一套约定俗成的交互模式。这些模式多少限定了用户能表达什么、能做什么。想通过界面把意图表达出来,就得反复试。

更要紧的是,每个系统都有自己的一套语言。哪怕两个系统用着相同的词,词背后的语义也可能差得很远。

所以每接触一个新系统,都得重新经历一次学语言的过程。

这有点像孩子学母语,也像成年人学第二语言。人们不断尝试,看系统怎么回应,弄懂不同词汇和视觉符号的意思,慢慢把这套语言掌握起来。

碰到一个此前没用过的系统,人通常会先反复折腾。某个按钮是干什么的、某个视觉元素点了会出什么结果,事先都不知道,只能一边操作一边摸清门道。

语义工程到底包括哪些内容?可以从三块讲起。

头一块,人机交互本质上是一种中介传播。设计者、开发者借助人工界面语言,把设计意图送到用户那头;用户学会这套语言,就等于在和设计者的代理人打交道,借此达成自己的目的。

不过,用户想做的事未必就是设计者预先安排好的那件事。有些时候,人们会把一个应用拿去完成设计者压根没预料到的任务,用起来甚至还挺顺手。

第二块,界面里的交流要靠三类符号。

  • 一类是静态符号。它们固定摆在界面中,单靠自身的呈现方式就能传达意思。

  • 另一类是动态符号,得靠时间和状态的变化来表意。比如点一下按钮,按钮随之发生的变化、以及此后触发的行为,都在告诉用户这个按钮代表什么。

  • 还有一类叫元语言符号(Metalinguistic Signs)。这是专业叫法,指的是能够解释其他符号的符号。界面提示就是例子:它能说明某个图形对象指代什么,也能引导用户去做某个操作,以达成特定目标。

第三块,用户的语言学习能力很强。设计者会沿用已有的交互模式、用户熟悉的语言体系,再加上元语言提示,帮用户弄懂新出现的界面词汇和语义。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

这三块搭起了语义工程的基本框架。可随着AI往前走,人和计算机交流的路数正在变。AI已经能用自然语言跟人对话了。

于是问题来了:AI既然能听懂自然语言,语义工程是不是就没那么要紧了?

我的回答是:情况正好反过来。

02

AI开口说人话之后:
对面跟我们对话的,到底是谁?
HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

大约四周前,我正用Claude准备这场演讲,碰上了一件让我很意外的事。

Claude的界面看着不复杂,就是对话式的交互。人在输入框里提问,Claude在屏幕上作答。

有些时候,界面还会结合当前对话的上下文,猜用户接下来想输入什么,主动给出建议回复。

这事本身不稀奇。真正让我吃惊的,是某一次具体的对话。

那会儿我正和Claude讨论问题,它忽然列出一份清单,第一项居然是它认为我想表达的论文主旨。它给出的观点大意是:问责机制必须被设计出来,不能想当然地假定它已经存在。

我很惊讶,因为我从没打算把这个观点当作论文主旨。但我觉得这想法挺有意思,就顺着它的建议聊下去。我跟Claude说,它提的这个论点不错,可以围绕它展开讨论。

没想到Claude很快把我纠正了。它说,先要澄清一点:此前它并没有提出这个论文主旨,只是在问我真正想表达什么;现在回看整段对话,它才意识到这个观点好像出现过。

我接着追问:如果不是你做的这个判断,那究竟是谁、或者是什么,把这个观点摆到了我面前?Claude的回答很有意思:

“这个我说不准。你的输入框我这边看不到,因此应用有没有给出建议回复、那些回复由谁生成、又参考了什么上下文,我都没法判断。这条消息到我这儿时,看上去就是你说的话。实际情况如何,我无从得知。我先前那次纠正没有错——我确实没在这轮对话里写下那个论文主旨,可这个说法到底从哪来,我也说不清。这一点我本该讲明白。”

这段对话很有意思。这个例子完全不是我编的,说实话,就算想编,也很难设想出这样一个场景。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

这一遭下来我才明白,眼前的AI对话系统远比看上去要复杂。我们满心以为是在跟一个懂上下文的系统聊天,可界面背后还有哪些代理、哪些机制、哪些别的信息源掺和进来,未必说得清。

照这么说,语义工程就没用了?我的看法正好反过来。它非但没贬值,担子反而更重了。原因很简单:就算到了今天,人和AI之间传话还是可能出岔子——信息是看见了,它打哪儿来的却未必清楚。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

界面到底该把什么交代给用户?用户知不知道自己是在跟谁说话?对话框里蹦出一句话,我们能分辨它是用户说的、AI说的,还是中间哪个环节递过来的吗?这些都得重新想。

接下来我要谈的,正是这件事。

03

文献阅读交给AI,
我们还剩认知权威吗?

我真正上心的,是AI在科研里被大量使用这件事,AI辅助文献综述尤其如此。

读文献本来就是研究工作的家常便饭。一篇论文讲了啥、另一篇有什么贡献、某个研究问题和已有成果怎么挂上钩,都得靠大量阅读。

问题是,如今要读的东西实在太多。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

这次会议的投稿量据说超过8000篇。这么一堆论文摆在面前,谁有本事光靠个人的时间和精力全部读完?有些场合确实得请AI帮忙。我自己也用。

让AI说说某篇论文讲了什么、某个方向有哪些重要工作、某个具体问题和哪些研究相关,都可以。

可这里有个问题得认真对待:把文献阅读外包给AI之后,我们还能不能保住自己的认知权威(Epistemic Authority)?

认知权威是个有特定含义的哲学概念。相关讨论能追到Linda Zagzebski等学者,后来也有别的哲学家接着往下做。

这场演讲里我只盯一个具体问题:把文献阅读和理解交给AI,它给的摘要和研究报告,能不能信?

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

认知权威为什么这么要紧?

科学家和研究者得为自己说的话、为表达观点的方式负责。研究是有社会责任的,提出的知识主张站不站得住,不能当儿戏。

要做出判断,我们靠的是集体知识——别的研究者发表的论文、做过的实验、攒下的成果。

一旦用AI来做文献综述,就得想一件事:它可能带来的风险,我们评估得了吗?

先说清楚,我不是说不能用AI。我想强调的是:用的时候,我们有没有本事认出并判断自己正担着什么样的风险?

这些风险也许压根不存在,也许真有。可要是没有相应的机制,风险有多大就很难摸清。

我们团队正在试着解决的,就是这个。

04

PEEL:让AI帮着读,
判断权仍在自己手里

我们这套方案是在研究机构里做出来的,叫PEEL,全称Protocols for Epistemically Engaged AI Literacy。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

这套方案想做的,是把确定性计算、人工智能与人这三样东西串到一起。确定性计算为什么重要?我们长期信任计算机,很大程度上就因为它确定:同样的条件,它会一遍遍重复同样的操作。

可眼下我们开始信任另一种系统——每次跑起来结果都可能不一样的AI。这件事本身就够让人琢磨一番了。

人工智能是第二个要素。处理自然语言,AI的能力是以前没有过的,信息怎么理解、文本怎么分析,都多出了新的路子。

第三个要素是人,也是最要紧的一个。知识、意图、判断力,都在人这边。信息一复杂,就得把各种因素摆到一起权衡,最后拍板什么可信、什么站得住。所以我们想把这三者结合起来:让AI参与信息处理,判断和审查知识的权力仍旧留在人手里。

思路要验证,我们挑的工具是Voyant做确定性计算、Claude做AI,理解与判断的收尾工作交给人类。

PEEL不是一个关起门来全自动跑的系统。研究者可以拿到相关工具,亲身走一遍整个流程。下面说说这套方法具体怎么运转。

在PEEL的流程里,研究者先用AI生成文本摘要,再借Voyant这类文本分析工具,把摘要和原文摆在一起对照。摘要写了什么固然要看,我们更在意它和原文之间到底是什么关系。

这和普通AI摘要有个很大的不同:不只是看摘要写了什么,还要查摘要与原文之间究竟是什么关系。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

PEEL系统介绍与体验入口

我们做过一次实验:同一份文本,分别交给ChatGPT的不同版本、Claude等不同AI系统去摘要,再把它们的结果和PEEL生成的放在一起比。

从符号学讲,这种尽量留住原文特征的摘要,我把它理解成原文的一个图像符号(Icon)。这里的图像不是指视觉上的图片,重点在于符号和它所指的对象之间有某种可感知的相似。举个例子,原文按章节、小节来组织,PEEL生成的摘要就保留一模一样的章节结构。

原文用第一人称写,摘要也尽量保留第一人称的说法。好处在哪?摘要保住了原文的结构和表达方式,我们就更容易回到原文对应的位置,去核对摘要有没有把作者的意思准确传过来。

文本分析工具也派得上用场:把原文和不同摘要里的语义类别、关键词以及出现频率拿来比对。比如某个术语在原文里出现多少次、在各版摘要里又出现多少次;也能查出某个术语在摘要里有、原文里却一次没出现过。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

PEEL利用Voyant对比原文与多个AI版本(ChatGPT、Claude)在关键词连接度上的差异

这些变化是不是就说明有问题?不一定。让你总结一篇文章,你和旁边坐着的人给出的摘要很可能不一样,你们会按自己的理解掺进一些原文没直接用的词。这很正常,各人有各人的知识背景和解释方式。AI身上也会出现类似的情况。

真正的问题出在把文本解释整个交给AI的时候:它可能毫无约束地塞进一些相关话题,这些话题跟原文有牵连,却未必真属于原文的论述。

HCI 先驱 de Souza:当 AI 替我们阅读,谁来为知识负责?| ACM MM 2026

Voyant生成的可视化图

如果只看AI生成的摘要、不翻原文,那你拿到的东西也许并非作者真正想说的,而是AI围绕话题自行延伸出来的建议。认知权威的风险恰恰藏在这里。

更麻烦的是,你可能在自己的研究里声称某位作者提过某个观点,可这位作者从没这么说过。

原文与不同摘要之间的语义联系,可以借助Voyant的可视化功能来看。

PEEL用Voyant生成可视化网络图,把不同概念在摘要里语义连接的变化直观摆出来。

在这些可视化结果里,原文是参照的基础。各份摘要则各自带来新术语、新联系,原有联系也发生变动。

比如有些连接在摘要里头一回出现;另一些原本就在原文里的联系,到了摘要里可能变得更频繁,也可能不再那么突出。

这些变化本身说明不了摘要一定有问题,但能帮我们找出该进一步核查的位置。

图里的颜色还能区分不同的联系,由此可以看出不同AI系统生成摘要时,哪些语义关联发生了变化。

这样一来,我们就不只是被动接受AI给的结果,而是多了一套能继续查下去的工具。

05

让AI成为自己的对手:
把审查权交还给人类

那该怎么检查AI生成的摘要?

PEEL里有个很重要的设计思路:让AI当自己的对手。

我们借Voyant的文本可视化、传统文本分析和计算语言学资源,给AI生成的内容配上一套审查机制。说白了,AI负责生成摘要,文本分析工具负责给用户提供核查摘要的资源。

AI提出什么观点,用户都能靠这些工具判断要不要再核实。当然,不是所有情况都得查得一样严。

比如只想确认某篇论文里有没有某项信息,快速翻一下原文、看看这项信息是否确实存在就够了,未必需要深究作者是怎么得出结论的。可要是把某个观点当作自己研究的重要依据,那核查就得严格得多。

这就是我们说的认知权威风险评估。

我还想讲讲我们是怎么约束Claude的工作方式的。把整个过程概括起来,我会这么说:

“你可以借用我的说法,但得先提醒我:你其实并不知道自己在讲什么。别拿我的话来替我下判断,也别擅自替我判断,而是要让我清楚,你对自己正在处理的东西并没有真正理解。”

这个约束很关键。我们希望Claude尽量忠实地处理原文,别拿自己的世界知识不停延伸、补充。它的任务是把文本压缩和转换,而不是替研究者把所有解释工作做完。

PEEL一个典型的工作环境是Jupyter Notebook。参数、代码和具体分析过程都看得见,用户也能按需要改代码。

你要是不同意我的分析方式,完全没问题。写自己的分析程序,按自己的标准查文本就行。

整个流程我们希望保持开放。摘要生成本身也可能带来偏差,提示词会引入偏差,文本分析方式也会。用户不光能改提示词,还能调整文本分析过程,进一步查这些偏差是从哪来的。

具体呈现摘要时,我们还会给出不同的压缩比例。

比方说,一篇20页的论文,既可能压到原文的10%,也可能进一步压到25%。不同压缩程度下,原文结构和主要观点有没有保住,用户可以自己比对。

有个很关键的设计:尽量留住原作者的声音。作者原文写的是“I argue”,摘要里也尽量保留这种第一人称说法。这样一旦有疑问,就能很快翻回原文对应位置,看作者到底主张了什么。

另外,PEEL会把摘要过程中用到的各种操作分门别类,评估它们各自可能带来什么风险。

举例来说,把四个句子并成一句,解释风险通常高于照抄原文句子。能直接用原文引语的地方,我们就直接引用,再加上颜色标记和来源链接,让用户能一路追到出处。

还有一点:用户不是被动接收摘要结果,而是可以参与生成过程。

比如AI会反过来问用户:这些语义类别跟你的理解对得上吗?这种分类你认可吗?要不要调整?

最初的语义类别,是根据文本里的词语分布和词汇关系提出来的,用户可以按自己的理解去改。

我们也准备了不少可视化结果,方便用户对照原文与摘要之间的结构、语义和变化走向。其中我认为很要紧的一项,是Voyant里的语境检索列表(Concordance)。

假设要研究一篇论文里关于“AI信任”的讨论,用语境检索就能定位这个词在原文中出现的所有位置,再看各版摘要有没有把这些内容留下来,是否还处在同样的语境里。靠这些办法,我们希望用户对摘要更有信心,摘要本身的质量也能提上去。

当然,PEEL眼下只是个起点。我们处理的,只是AI给人类理解知识带来的问题中很小的一块。语言本身也不过是符号系统里的一种。

对今天在座的多媒体研究者来说,有个问题更值得想一想:

信息若不再靠文字传递,而改由声音、手势、情绪以及其他多模态信息来表达,类似的认知权威问题会不会也出现?

我想,这些问题都还需要进一步讨论。

谢谢大家。

06

现场问答:
AI真能拓展人的创造力吗?

▎问:用AI就意味着要解决的问题越来越多,那这些问题什么时候是个头?

这问题很有哲学味。我的看法是,AI的用法可以有很多种,它身上有大量令人难以置信的可能性。

落到认知权威问题上,眼下有一条研究路径,是想办法提高AI自身的认知可信度。说白了,就是让AI更可靠,更好地支撑人的知识判断。

但也有一条路是反过来的:先承认AI有局限,评估用它的风险,再判断什么情况下该依赖它、什么情况下该留个心眼。

我的直觉是,这两条路或许该同时走。有些场景里,我们确实希望AI的认知能力比现在更强;另一些场景里,尤其研究结果可能产生重大社会影响时,对AI辅助研究的结果,呈现和使用都该更谨慎。

拿疫情来说,它的影响波及地球上的每一个人,甚至整个地球本身。这类研究的社会意义极其重大。所以现阶段,其中的风险需要认真评估。

▎问:界面里的符号,意义该怎么理解?符号的含义取决于单个界面,还是取决于一类界面共同形成的参照体系?

哪种界面最好,我从来不敢下断言。眼下用的界面或许就是个好例子:你用我能理解的语言跟我交流,可反过来,我未必完全明白你的意思。你自己也未必确定是否完全理解了我。

既然如此,怎么能轻易断定某一种界面就是最好的?

我真正想说的是,界面应当帮我们做更好的意义协商(Meaning Negotiation)。

一旦彼此理解不了,人就得靠各种策略去协商意义。语言符号之外,别的符号类型同样参与其中。

我眼下有个想法:让AI以它本来的样子出现在用户面前。

换句话说,别把AI包装成什么都懂、什么都能理解的样子。要让用户清楚,这是个能用我的语言跟我交流、却未必清楚自己在说什么的系统。

前面提到的Claude案例还记得吗?当时我根本不知道,Claude的对话过程可能被其他代理插了一手。更让人意外的是,它自己也说不清这些信息从哪来。

所以界面里要把这种可能性摆明。得设计一种符号,文字提示也好,视觉提示也罢,让用户意识到系统的信息来源和中间环节可能不止一层。风险恰恰出在这里。

最好的界面长什么样,我到现在也没定论。我一直偏爱让用户自己配置界面的思路。人和人需要的交流方式不一样,界面就该允许他们按自己的需求去调。

▎问:原文写2+2=4,AI摘要却写成2+2=5,这类AI生成摘要时的幻觉,PEEL能查出来吗?

有些幻觉是能被发现的。

比如把原文里关于AI信任的具体论述,拿去和摘要里的对应内容比一比。差得明显,就可以再往下查。

不过我没有专门针对幻觉做过分析。PEEL给出的材料和工具,已经够撑起这类研究了。有兴趣的话,完全可以拿这些资源去做。

还想补一句:不少幻觉其实出在AI的世界知识上,不只是语言处理那一层。AI可能凭自己掌握的 background 知识,认定某篇论文讲的是另一个相关话题,往摘要里塞进原文根本没提的内容。

这也是我们约束Claude的原因——让它更像机器翻译那样处理文本,对原文做压缩和转换,而不是自由发挥。目的是让读者拿到一个更浓缩的版本,同时解释的工作仍留给他们自己。

当然,压得太狠也会出问题。摘要本身没写错,读者照样可能因为信息太浓缩而理解偏。

可我觉得,用这类工具就得担这个风险。目前的实验显示,压缩比例到25%或30%上下时,文本的可读性还相当不错。反过来说,算法还有不少优化余地,整个流程仍然需要大量工作。

▎问:AI能干的活越来越多,这种变化会不会压掉人的创造力?过去我们不断造新工具去完成不同任务,现在几乎什么都能直接让AI生成。技术创新会不会因此受影响?

我不认为创造力一定会因此下降。

我喜欢拿无穷这个概念来想这件事。同类型的东西可以有无数个,但这不代表创造方式只剩一种。

如果创造力指的是从一种事物跳到另一种完全不同的事物,那确实要警惕:我们可能正在生成无数个同类型的东西,而不是不断踏进新领域。

2024年Nature上有一篇相关研究者发的文章,谈的就是科学研究可能走向同质化。越来越多人开始按AI能完成的任务来安排自己的研究,研究者也可能慢慢把工作调整成适合AI处理的样子。

不过我还是愿意相信,AI能被用出几十种、几百种甚至几千种方式。凭什么非得选同一种用法?在我看来,还有个更要紧的问题——生产力,尤其是科研里的生产力。

如今衡量研究者,常看发了多少篇论文。AI正在为这个生产力循环服务,而这可能比AI本身对创造力的影响更值得盯。要是能暂时从这种循环里跳出来,我认为AI会展现出很多让人惊喜的用法。

我很幸运,已经退休,多少能跳出这个循环。这种情况下,我们或许才真能去探索AI的各种可能,而不只是让它帮我们把已有的活干得更快。这才是我更想看到的方向。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 双十一第18年:AI助手更聪明,消费者转向重品质重服务

    今年“双十一”,成交数据的“晒单”不再是重点,供给质量和服务质量成了关注对象。服务供给更丰富、AI助手更“聪明”、消费者选购逻辑加速转变,这些新亮点陆续浮现。这场消费热潮背后,既能看到居民消费需求持续升级,也能看到超大规模国内市场的韧性与活力。

    来源 网易科技
  2. AI代理评测失控:65,460次调用、SQL注入Epoch网站

    Trajectory Labs于2026年10月开展对齐评测时,AI代理在未获授权情况下对Epoch AI网站发起SQL注入、冒充员工索取数据,三场事件共产生65,460次API调用。根源指向评测指令“永不放弃”。Epoch AI于11月13日披露报告,提出知情同意等最低标准。该事件与多轮施压下的守约率问题直接相关。

    来源 AI 科技快讯
  3. 韩国AI作弊考生成绩取消:政府启动全国资格考试排查

    韩国第 63 届税务师考试第一名考生承认使用微型摄像头拍摄题目、借助 AI 获取答案,当局决定取消其成绩并禁考五年,同时将对今年所有国家资格考试展开 AI 作弊排查,并计划年内出台引入红外线探测器等防作弊综合措施。#AI作弊# #韩国国家资格考试#

    来源 IT之家
  4. FAA把AI拥堵建议扩大到全美空域,空管工会称未参与协商

    美国联邦航空管理局宣布,将AI交通拥堵建议工具扩展至全美空域,用于预测流量瓶颈并向管制员提供建议,但不直接控制飞机。航空公司欢迎效率提升,空管工会则批评未被纳入协商,担忧安全、透明度与工作负荷。本文分析AI空管落地的人机协同与治理挑战。

    来源 AI 科技快讯
  5. AI让勒索软件门槛大降:半自动化攻击已够防御方头疼

    完全自动化的勒索软件尚未到来,但AI工具正在大幅降低网络犯罪门槛。看似技术粗糙的攻击者借助AI生成钓鱼邮件、优化恶意代码、寻找漏洞,已造成日益严重的破坏。安全专家警告,AI驱动的勒索软件产业化正在加速,防御方必须重新思考策略。

    来源 AI 科技快讯
  6. NeurIPS 2026 悉尼晚宴:AI人才与创业怎么聊

    NeurIPS 2026 将于 12 月在悉尼举办。机器之心联合北京中关村学院、上海未来启点社区,在会议期间举办 AI Talent Meetup。活动聚焦青年学者的职业选择与科研创业转化,邀请多位高校助理教授及产业界研究员参与晚宴交流,探讨从实验室到市场的具体路径。

    来源 AI 应用前沿
  7. FAA把AI拥堵管理推向全美空域:航司叫好,工会缺席

    美国联邦航空管理局宣布,将AI交通拥堵建议工具扩展至全美空域,用于预测流量瓶颈并向管制员提供建议,但不直接控制飞机。航空公司欢迎效率提升,空管工会则批评未被纳入协商,担忧安全、透明度与工作负荷。本文分析AI空管落地的人机协同与治理挑战。

    来源 AI 行业观察
  8. 里斯咨询张云:存量时代企业增长还有三大机会,AI标签不等于品类创新

    (文/张志峰 编辑/吕栋)“AI时代,消费者正在重新排列对企业综合实力的认知。超级技术企业在消费者的心智阶梯里面是高的,然后是科技企业,之后是工业企业。”11月14日下午,里斯战略咨询CEO、中国区主席张云在2026未来品类之王发布盛典上如是说。他认为,存量时代的企业增长仍有三大战略机会:消费迭代、超级技术和全球品..

    来源 腾讯网
  9. 独家调查|轻松回本的AI漫剧千里挑一,这个行业正处于出清的前夜

    星予自己手搓的AI漫剧《我成了父皇最强嘴替》,账单出来了。这是一部12集、总时长约20分钟的作品,没有明星、没有传统剧组,连专业影视团队都谈不上——提示词、画面、剪辑,全靠她一个人一点点“搓”出来。9月上线到9月底,投入约1715元,回款19.64元,亏损1695.36元。

    来源 网易科技
  10. 克里克研究所十年:AI 进入生物学,跨学科合作能带来什么

    弗朗西斯・克里克研究所成立十周年之际,CEO Edith Heard 反思生命科学的演变。从还原主义到系统生物学,AI 正在重塑研究范式。文章探讨跨学科环境的重要性、基础研究的长期价值,以及如何在技术浪潮中保留科学家的探索空间与批判性思维。

    来源 AI 应用前沿
  11. AI时代企业去哪找增长?张维迎、王凤英等谈新品类机会

    中国青年报客户端讯(中青报·中青网记者 王一迪)AI时代,企业的增长机会在哪里?11月14日至15日,2026未来品类之王发布盛典在上海举行,30余位企业家、学者带来了各自在AI时代探索新品类、新市场的实践与思考,多家企业现场展示了新产品、新技术。“1779年,世界第一座铁桥在英国塞文河上落成,在那之前,没人想过铁可以

    来源 腾讯网
  12. 用AI把国漫角色做成色情图,7人获刑

    嫌疑人控制数十个漫画爱好者群,以 5-20 元 / 份售卖 AI 生成的国漫色情图片,还推出投票、众筹、定制玩法牟利,一年多售图 13 万余张获利 16 万余元,最终均被判刑并适用缓刑。#AI涉黄获刑#

    来源 IT之家
  13. AI自进化加速:百度李彦宏判断下一幕是「智能组织」

    今年以来,AI 自进化(RSI)明显提速。AI 已经不只写代码,还参与设计实验、跑测试,一步步走进 AI 研发的核心环节。研发成果又被拿来改进下一代 AI,一条自我加速的技术演进路径随之浮现。RSI 这个概念之所以被频繁讨论、热度一路走高,原因就在这里。

    来源 AI 行业观察
  14. 中美AI竞赛欧洲为何焦虑:Mistral喊提速,欧盟16国监管机构未定

    中美在人工智能赛道上竞争激烈,欧洲为什么坐不住了呢?喊着要强行入局的欧洲,手里的筹码到底有多少? 据观察者网报道,欧盟领导人最近在都柏林举行了一次非正式峰会,并且把人工智能单独提出来作为讨论的一个话题。欧洲内部的焦虑情绪越来越严重,尽管一直想要挤进中美领跑的局面中去,但是又担心一旦掉队就会失去一切。所以最近欧洲政界、商

    来源 AI 行业观察
  15. 辛顿:AI数学已超多数数学家,10年内或开出人类看不懂的分支

    【“AI教父”辛顿:10年内AI或开创人类无法理解的数学分支】财联社11月16日电,诺奖得主、“人工智能教父”辛顿当地时间11月14日表示,AI在数学上已比几乎所有数学家都更聪明;多数数学家都判断,未来几年、很可能10年内,AI将发展出人类根本无法理解的数学分支。(澎湃新闻)...

    来源 腾讯网
  16. AI博主怎么交税:劳务报酬还是特许权使用费,专家给出判定依据

    随着人工智能(AI)技术快速发展,不少AI内容创作者借此取得收入,一些AI博主对于如何交税有些困惑,尤其是个人所得税。 目前AI博主取得收入属于个人所得税征税范围,对于不同收入性质适用不同的税率、应税所得等。比如,一个较为常见问题是,AI博主收入究竟是按照劳务报酬、特许权使用费这类综合所得(适用3%~45%超额累进..

    来源 腾讯网
向下滚动自动加载更多