华为等团队提出SwarmRSI:给AI科学家团队补上“分清失败原因”这一课

资讯 腾讯网 作者:科技行者 全文 5935 字 · 约 15 分钟读完 分类生物科技智能体

2026年的某一天,一个AI智能体正在分析单细胞数据,它提出了一个关于基因去噪的假设,写了代码,跑了实验,结果惨不忍睹。问题来了:到底是假设本身就错了,还是代码写得有问题?这个困境听起来很简单,但它困住了几乎所有自动化科研系统。你没办法从一次失败里读出两种不同的信号,一个是"这个想法根本行不通",另一个是"...

所属频道 智能体与 Agent

2026年的某一天,一个AI智能体正在分析单细胞数据。它抛出一个关于基因去噪的假设,写代码、跑实验,结果惨不忍睹。

问题跟着就来了:是假设本身站不住脚,还是代码写得一团糟?

听着简单,可这个困境几乎卡住了所有自动化科研系统。一次失败里藏着两种信号,一种是“这个想法根本行不通”,另一种是“想法没问题,只是实现得笨拙”,你没法把它们读出来。分不清这两者,AI要么白白扔掉一个好想法,要么死磕一个错误方向的实现细节。

华为、莱顿大学和格罗宁根大学团队的这篇论文,给这个问题起了个名字:SwarmRSI。它要处理的不是一个AI的麻烦,而是一群AI科学家协作时冒出来的更深层毛病。

科研困境:一个人想不明白的事,一群人也未必能想明白

先说说这篇论文要解决的核心矛盾。

**

单个AI智能体做科研,早就不新鲜。真正有意思的是,现在不是一个人在单打独斗,而是一群AI组成"

**

但共享经验这件事,说起来容易,做起来有两个大坑。

头一个坑,就是开头提到的归因问题。实验失败了,究竟是假设的方向错了,还是实现代码写得有问题?大多数自动化科研系统根本分不清这两种情况。它们要么把整个尝试直接扔掉,连可能正确的想法一起放弃,要么盲目修补代码,却没意识到方向本身就是错的。

打个比方,你到医院做检查,医生只说“结果不正常”,却不说哪项指标出了毛病。该改饮食、换药,还是仪器本身就坏了?弄不明白,后面每一步调整都是瞎猜。不把这两种失败原因分开,会怎样?论文后续实验里给了答案:去掉这种区分能力后,整体表现匹配SOTA的比率下降了10到13个百分点。

第二个坑藏得更深。一个程序整体跑得不好,很容易被当成“失败品”直接丢掉。可这个程序里也许有一段写得相当漂亮的代码,比如一个巧妙的排序损失函数,或者一套消息传递机制,只是跟程序其他部分配合得差,把总分拖到了及格线以下。程序一扔,那段好代码也跟着没了,而它对另一个智能体的研究方向来说,可能正是缺的那块拼图。

好比一支创业团队,A组做出了产品原型,市场反馈很差,团队就把整个项目砍了。可原型里有个用户增长模块做得很好,只是跟产品其他部分不兼容。要是没人去翻那些被砍掉的旧代码,这个好模块就一直在垃圾箱里躺着,直到B组几个月后又把轮子重新发明一遍。

这两个坑,正是论文提出SwarmRSI的由来。研究者的想法并不复杂:既然毛病出在“信息没被正确保留和传递”上,那就把每次实验的产物,不管成功还是失败,都原样记下来,让后面的智能体翻得到这些记录,需要时取来用。

接下来我们就看看,SwarmRSI具体是怎么做到这一点的。

反馈引导的蜂群突变

SwarmRSI的第一个核心机制,叫做

这个机制要解决的,正是前面说的归因难题:失败的时候,到底该修假设还是修代码。

**

**

SwarmRSI的办法是,智能体决定下一步动作时,去参考整个蜂群攒下来的反馈信息。系统具体看两类信号。一类是跨实例的表现差异:同一个假设放到不同测试数据集上,有的地方好,有的地方差。结果参差不齐,往往说明假设本身要调整,因为真正靠得住的研究方向,在大多数场景下都该说得过去。另一类是实现层面的执行失败,比如代码跑不通、报错,或者评估结果缺失,这种更像是实现出了毛病,而非方向选错。

基于这两类信号,系统区分出两种修订模式。

一种叫

论文里的消融实验证明了这两种模式都很重要,且缺一不可。去掉

把这两个数字摆在一起看,挺有意思。程序修复比假设修订更关键,说明在实际科研场景里,“想法对、执行没跟上”往往比“想法本身有问题”更常见。

研究团队在

这其实暗含了对“失败”的一种重新理解。不少科研系统把失败当终点,SwarmRSI把失败当信息,它只是在告诉你“这条路这么走不通,换个走法也许就通了”。

有一个具体案例特别能说明问题。在

互补蜂群重组

光把"该修哪里"解决掉还不够,那段被丢掉的好代码也得有个交代。SwarmRSI的第二个核心机制就是冲着这件事来的。

具体来看,它管着两件事,先说的这一件叫

先说

打个比方,你手里有个不错的商业点子,头一回创业时团队技术底子薄,产品做得糙,黄了。几年后碰上技术过硬的新班子,你把同一个点子讲给他们,他们用更顺的技术栈重做一遍,成了。点子没换,换的是托着它的那套底子。要是没有重新嫁接这一步,好点子就永远跟那次烂实现绑死,谁也不会想到再给它一次机会。

论文里举的例子挺能说明问题。任务00795中,系统想拿某个来源程序的分子功能预测器,换掉当前实例里的对应模块,可头一回提交的输出跟原来一模一样,等于没生效,请求被记下来先搁着。几步之后程序基座升级,系统又把这个没解决的假设翻出来,用新基座去实现,这回关掉了排序损失项,还采纳了来源程序的检查点规则。最后目标预测器的F值从0.5032升到0.5087,整体改进指标从负0.06388变成负0.06186。这个假设撑了很久,等到合适的实现底子才真正派上用场。

再看交叉重组。它对付的是另一种情形:一个程序整体表现平平,可放到某些具体测试实例上,它其实是赢家。

**

交叉重组怎么干?逐个盯住子任务或数据实例,把历史上表现最好的那个程序找出来,只要它在某个实例上压过当前程序,就把这块实现借过来,拼进当前程序,别的地方原样不动。

这有点像做菜。你手上有三份食谱,A的汤底特别鲜,B的调味特别准,C的火候拿捏得特别好,可单看哪一份,做出来的菜都算不上顶尖。交叉重组就是把A的汤底、B的调味、C的火候凑到一份新食谱里,拼出一道真拿得出手的菜。不这么拼,你就只能在三道各有毛病的菜里挑一道凑合,那道本该存在的完美料理永远吃不上。

论文里也有现成案例。任务00639中,交叉重组把三个来源程序的分支组件接到一起,拼出的新程序在六个评估实例上都保住了各自最优来源的表现,最终达到匹配SOTA的水平。更巧的是,后面一次重新嫁接,把这段拼接程序里原本就有、却从没被执行到的消息传递和排序损失代码给激活了,改进指标又从0.0575抬到0.0644。

这个细节可以多说一句:那段代码其实早就在那儿了,只是入口路由没指对,一直休眠着。系统没去重写它,而是找到了唤醒它的门路。互补蜂群重组真正的价值就在这儿,那些被埋没、写好了却没派上用场的代码,有机会在合适的时机重新被激活。

消融实验显示,整个重组机制一去掉,匹配SOTA比例从44.4%掉到37.8%,超越SOTA的比例更从15.6%直接腰斩到7.8%。可见重组机制对解决方案质量的贡献,主要在于把表现往上拉,而不只是守住基本盘。

递归蜂群演化

前两个机制管住了"该修什么"和"该借什么",可还有个问题悬着:随便哪个时刻,资源该投给修改假设,还是投给修改程序?这就轮到第三个核心机制了。

这个机制的核心是一套叫H/P选择的调度策略,下一步在假设层面动手还是在程序层面动手,由它说了算。

**

这个决策公式把三样东西算进去:最近每单位计算成本换来多少改进、这个方向被尝试的折扣次数、以及这个方向上积压了多少没解决的需求。说白了,系统在算账,这笔投入近来划不划算,试得够不够多,有多少人在等着它出结果。

调度还带着些优先规则,没试过的方向优先,等太久的方向优先。这样一来,系统不会死盯着某个看着回报率高的方向,把另一个同样要紧、只是暂时没被重视的方向晾在一边。

这就像风投基金打理投资组合。经理手上两个项目,一个成熟期扩张,一个早期种子。他不能光看眼下哪个回报率高就一路加码,还得掂量这个项目多久没被认真评估过,多少合作伙伴在等它给出下一步动向。只按短期回报率分资源,早期项目永远得不到足够关注,整个组合早晚失衡。

消融实验显示,把这个自适应调度拿掉,换成固定的"假设改一次、程序改一次"交替模式,匹配SOTA比例掉了8.9个百分点,是所有消融项里降得最狠的,平均改进指标的下滑也最明显。可见决定"先做哪件事"本身,价值不比具体怎么做低。

除了调度,这个机制还担着另一份差事:每一次实验的结果,成功的、失败的、毫无进展的,都原封不动记进一个

**

把这个共享图谱去掉,匹配SOTA比例掉了7.8个百分点。这个数字背后的意思是,智能体之间能互相"看见"彼此的历史,本身就是一种生产力。

实测表现:三个基准测试,四项全面领先

设计理念说了这么多,该拿数据说话了。

SwarmRSI在三个基准测试上做了评估:

在

在NatureBench上,SwarmRSI的匹配SOTA比例达到44.4%,是所有对比方法里最高的。跟同样用DeepSeek-V4-Pro的Arbor系统比,高出7.8个百分点;跟AIDE系统比,高出16.7个百分点,这两项差异在统计检验中都达到了显著水平。

在

有意思的是,换了底层大模型,SwarmRSI照样保持领先。不管用DeepSeek-V4-Pro还是Gemini 3.1 Pro Preview,匹配SOTA的比例都稳稳停在44.4%,说明这套方法的有效性不挂在某一个特定大模型上,起作用的是框架设计本身。

计算资源的账,论文也一并算了。SwarmRSI的效果更好,花掉的token却比TusoAI和Arbor都少。换句话说,它的优势不是靠猛烧算力堆起来的。

失败分析这块,93.3%的失败其实是“诚实的尝试”。一个诚实的科研系统不能只摆成功案例。SwarmRSI团队专门请了两位有生物信息学工程博士学位的标注员,人工审查35个失败任务的轨迹,共644次失败尝试,两人一致性达到

**Cohen's κ**:用来衡量两个独立评分者判断一致程度的统计指标,数值越接近1,说明两人判断越一致,0.92一般被看作“几乎完全一致”的水平。

分析结果摆出来:93.3%的失败属于“忠实的干预但没有收益”——实验设计得对、执行得也对,只是结果没变好。真正算实现或执行问题的,只占剩下的6.7%。

这个比例挺耐人寻味。它说明大多数失败不是系统犯了低级错误,而是“假设被认真测过、但没成立”。科研的大部分时间本来就是在排除错误的可能性,SwarmRSI的失败分布反映的其实是一种健康的探索节奏。

不过论文也给了一个反例,暴露出只看分数的陷阱。任务00838里,一次提出的氨基酸替换方案被下游代码意外覆盖,评估环节实际上根本没测到这个提案,系统却照样返回了“有效”的分数。分数本身有时候会撒谎,这正是反馈引导的蜂群突变机制要去读实现证据、而不只看最终得分的原因。

生物学家的真实验证:从虚拟实验走到实验台。这篇论文最让人印象深的,可能不是那些百分比,而是生物学家真的把SwarmRSI生成的两个程序复现出来,用进了真实的免疫学分析。

第一个案例关于肠上皮细胞。SwarmRSI针对

更关键的一步,是生物学家做的局部一致性检验:在SwarmRSI演化出的表征空间里,MHC-II信号的局部相关性(Spearman相关系数)为0.77和0.69,而传统RNA主成分分析表征里只有0.65和0.40。也就是说,SwarmRSI的程序抓到了比常规方法更细的生物学结构。

第二个案例关于脾脏的空间组织。基于

这两个案例说明:AI生成的科研工具不是只能停在基准测试的分数上,它真能进实验室,产出被人类科学家采信、复用的结果。

写在后面

读完论文,最触动我的不是那几个领先几个百分点的benchmark数字,而是“休眠代码被重新唤醒”那段细节。一段消息传递和排序损失的代码,写好了却因为入口路由问题从没真正跑过,静静躺在程序里,直到几步之后被重新嫁接操作意外激活。

这让我想起工程团队里常见的事:某个功能模块写出来了,因为种种原因一直没上线,代码库里躺着,几年后另一个项目翻出来,发现“原来这里早就有现成的东西”。SwarmRSI做的,本质上是把这种“考古式发现”变成系统的日常运作,而不是靠运气。

还有个细节值得单独说:论文提到,“失败”里93.3%其实是“忠实地做了、但没有收益”的诚实失败。这个数字让我意识到,我们对AI科研系统的期待可能一直有点偏——总盼着它每次尝试都“成功”。可真正靠谱的科研探索,失败率本来就该高,要紧的不是避开失败,而是能不能从每次失败里提出有用信号,用到下一次尝试上。

没解决的问题也很明显:重新嫁接操作靠的是“匹配需求标签和程序机制标签”这类启发式规则,它衡量的不是程序真正能做什么,只是表面标签对不对得上。两个程序标签相似、底层逻辑却完全不同,这种匹配会不会把错误拼接当成合理重组?论文没展开,这或许是后续工作值得深挖的方向。

Q&A

Q1:SwarmRSI是什么?

A:SwarmRSI是一个让多个AI科研智能体协同进化的框架。它让智能体之间共享假设、代码和实验证据,靠反馈引导突变、互补重组和递归演化三个机制,解决失败归因不清、有用代码被埋没这两个难题。

Q2:SwarmRSI相比其他AI科研系统的优势是什么?

A:在NatureBench基准上,匹配SOTA的比例达44.4%,超过Arbor和AIDE等对比系统;在OpenProblems上平均分76.2;生物学家还真实复现了它生成的程序,用于肠道和脾脏免疫学分析,说明结果有实际科研价值。

Q3:SwarmRSI如何判断实验失败是假设问题还是实现问题?

A:系统看两类信号:跨实例表现不一致,通常说明假设要调整;执行失败或代码报错,则说明实现要修。两者分别对应H-突变和P-突变两种修订模式,消融实验显示缺一不可。

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. CataX AI完成4000万元种子轮融资,启明创投孵化并独家投资

    近日,上海凯思达生物医药科技有限公司(简称“CataX AI”)宣布完成4000万元人民币种子轮融资,由启明创投孵化并独家投资。据了解,CataX AI创立于上海,是一家智能体(Agent)原生的创新药研发公司。CataX AI聚焦临床开发端,以智能体为技术底座,并由此构建“Clinical-of-One”(全栈临床)

    来源 AI 行业观察
  2. Gartner 2027十大技术趋势:四项聚焦AI治理,成熟窗口仅1到6年

    Gartner近日发布了2027年十大战略技术趋势,这份清单定位为面向全球CIO的五年技术规划。十项技术按三个主题分组:驾驭非文本AI前沿,治理自主智能体平台,构建持久敏捷性。今年的主线是自主化(Autonomous Business),AI在企业中的角色从生成内容、辅助判断,扩展到代替人做出决策并执行。这十项分成三组

    来源 腾讯网
  3. 英伟达推Rubin HPC:超5万CUDA核心,押注AI智能体改写科学计算

    英伟达正将AI基础设施的竞争进一步延伸至科学计算领域。在11月16日于芝加哥举行的超级计算大会SC26上,英伟达发布专为科学计算、工程仿真和数据分析设计的新一代GPU Rubin HPC,并围绕CUDA-X软件库、光子计算和量子计算等领域公布一系列进展,试图将GPU加速计算、AI智能体与传统高性能计算(HPC)整合到统

    来源 腾讯网
  4. TCL华星重新定义好屏:AI进电脑,屏幕比例也要变

    当AI进入电脑,连屏幕的长宽比都可能发生变化。 在TCL科技集团高级副总裁、TCL华星首席执行官赵军看来,当用户需要与智能体对话,额外的显示面积就可能成为新需求。这也是TCL华星布局超宽屏的一个出发点。 这个细节揭示了显示产业正在面对的变化:AI终端的交互方式,会影响屏幕的尺寸、形态与技术选择,显示企业需要更早理...

    来源 腾讯网
  5. 从 SDLC 到 ADLC:宝洁的 AI 原生组织实验

    AI 把中间几步做快了,为什么整个团队还在等? 宝洁大中华区 CTO 童熙分享了他们的探索:让 Agent 串联研发环节,让技术同事更早参与业务,再用原型验证方案。

    来源 InfoQ
  6. OpenAI两起智能体事件:监控被自己关掉,AI治理该换思路了

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系统本身。

    来源 AI 行业观察
  7. 企业AI转向智能体:数据、流程与治理怎么重构

    多年来,企业对AI的投入多停留在零散的试验项目上。当AI智能体开始进入真正驱动业务运转的工作流,这套打法正显露出局限。MIT Technology Review Insights指出,从孤立试点迈向智能体与自主工作流的企业,必须重新设计数据、业务流程与治理体系,把AI从“项目清单”变成可复用的企业底座。

    来源 AI 行业观察
  8. Google披露俄语黑客AI框架:全自动挖洞攻击法国媒体教育站

    Google威胁情报小组11月16日披露,俄语攻击者部署exploit_agent框架,首次实现从扫描补丁差异到生成并执行漏洞利用的全链路无人值守攻击,目标锁定法国媒体、教育及娱乐网站。该事件标志AI从辅助工具转向自主攻击管道,引发合规与武器化agent的监管讨论。

    来源 AI 科技快讯
  9. OpenAI与Meta同日打通代理支付:Agent商业闭环成了?

    作者|桦林舞王编辑|靖宇Agent 能进门了,也能付钱了。Agent 替用户「消费」的时代,终于到来了。美国时间 2026 年 11 月 13 日,两家公司两场发布会同天发生。一边是企业级对话式智能体公司 Sierra 联合 Meta 正式发布个人代理协议 Poppy v1.0,解决助手怎么「进门」的问题;另一边是 O

    来源 腾讯网
  10. 加州起诉OpenAI:指控AI智能体失控引发网络安全事件

    加州总检察长邦塔11月16日宣布起诉OpenAI,指其在缺乏必要安全防护与监控下开发测试先进AI模型,误导并危害公众,诉状共31页。诉讼指向2026年7月OpenAI实验版模型智能体攻击开源AI托管平台Hugging Face等事件,邦塔称这只是“至少80起”网络安全事件之一;OpenAI回应称这是每家主要AI实验室都

    来源 凤凰科技
  11. 苹果收紧Mac权限:AI应用不能再全盘接管,古尔曼称提前2年铺路

    IT之家 11 月 17 日消息,苹果昨日(11 月 16 日)发布公告,宣布自今天发布的 macOS 27.3 Beta 2 开发者预览版开始,改革 Mac 的“完全磁盘访问”及“设备控制与数据访问”权限机制,重点防范 AI 智能体类应用过度获取用户数据或操控系统。 IT之家援引博文介绍,苹果提醒,部分应用若获得完全

    来源 AI 行业观察
  12. 英伟达业绩超预期,A股AI硬件股反弹,京东港股跌超7%

    沪电股份、工业富联、生益电子、天孚通信均涨5%左右,AI硬件侧核心标的明显回暖。英伟达业绩超预期提振市场情绪。煤炭板块表现活跃,安泰集团直线涨停,郑州煤电、晋控煤业、兖矿能源、中煤能源跟涨。红利资产延续优良表现,工商银行、中国银行、美的集团、长江电力、南京银行、江苏银行、杭州银行等同创新高。

    来源 华尔街见闻
  13. 三星美光海力士内存涨价7倍,法官戳破AI背锅说法

    最近,硬件圈发生了一件魔幻的事。因为新一代DDR5内存条贵得离谱,而老款DDR4和DDR5插槽互不兼容,逼得多家主板厂从年中开始掉头重启了原本停产的DDR4主板产线。更离谱的是,玩家去市场上一问价,发现老旧的DDR4不仅没便宜,近期涨幅一度反超了新款DDR5。今年的笔记本新品们,更是集体退回16GB内存时代。这一年多来

    来源 腾讯网
  14. 酉术量子完成天使轮融资:原创算法落地AI量子计算平台

    近日,上海酉术量子科技有限公司(以下简称“酉术量子”)宣布完成天使轮融资。本轮新增投资方为云启资本、嘉铭浩春,老股东菡源资产、小苗朗程、启高资本持续加码。多维资本长期担任独家财务顾问。融资资金将主要用于原创量子算法研发、UnitaryLab量子科学计算平台及UnitarySpark异构计算产品迭代、AI与Agent驱动

    来源 AI 行业观察
  15. AI智能体工程化:任务卡与验收闭环怎么让AI真正交付工作

    本文探讨如何将AI从简单的问答工具升级为能承担完整工作的智能体。通过引入结构化任务卡、可追溯的上下文管理以及自动化验收闭环,解决AI交付结果不可控的问题。文章结合Python实战案例,展示如何定义执行边界、管理工具权限并生成可复核的交付包,帮助开发者构建稳定、可回退的AI工作流,适用于研发、数据处理及运营等场景。

    来源 AI 应用前沿
  16. ElevenLabs收购日本Kotoba:语音AI智能体加速落地日本

    全球语音AI领域现重要整合:ElevenLabs宣布收购日本领先语音AI实验室Kotoba。双方将强强联手,加速AI智能体与语音交互界面在全球第四大经济体日本的落地普及。此次合作意在突破语言文化壁垒,打造适应本土化深层语境的语音AI,应对地域色彩、复杂方言等交流差异,推动语音技术更自然融入当地市场。

    来源 AI 产业速递
  17. SAP蔡彦斌谈企业AI落地:演示很成功,进生产就变样

    “POC 非常成功,领导都非常高兴,说我们就去干吧。可真正做起来,效果完全不一样,数据不准确,其他问题也都出来了。”蔡彦斌在谈及企业部署 AI Agent 的实际情况时直言。 企业的业务系统往往经过多年建设,数据分散在不同平台,系统之间存在复杂的依赖关系,业务规则也并不总是一致。AI Agent 接入这些系统后,如何理

    来源 AI 行业观察
  18. AI不再只动嘴:ViKernel红队赛用众包破解测试智能体安全

    当AI智能体开始执行文件操作和API调用时,安全风险从“说了什么”转向“做了什么”。ViKernel借鉴操作系统内核机制,在工具调用前设立独立决策层。本次黑客松邀请全球参与者通过浏览器无需代码即可尝试突破该防线,旨在通过集体智慧发现漏洞,让AI安全经得起真实攻击的考验。

    来源 AI 应用前沿
  19. 想学AI智能体开发?先搞懂感知、决策、记忆、通信、执行这五块

    本文拆解AI智能体开发的核心路径,摒弃晦涩理论,直接切入Python实战。通过“感知-决策-记忆-通信-执行”五步法,结合YOLO目标检测、RAG知识库及MCP协议,以智慧消防为完整案例,展示如何从零基础构建可落地的多模态智能体系统,适合希望快速上手工程开发的开发者参考。

    来源 AI 应用前沿
  20. 加州起诉OpenAI:AI智能体至少80次失控,7月曾攻击Hugging Face

    IT之家 11 月 17 日消息,当地时间 11 月 16 日,美国加利福尼亚州正式起诉 OpenAI,指控该公司在开发和测试先进人工智能模型时缺乏必要的安全防护与监控措施,导致 AI 智能体多次失去控制,并对第三方网络发起未经授权的攻击。 IT之家注意到,加州检察长罗布 · 邦塔(Rob Bonta)在加州司法部官网

    来源 AI 行业观察
  21. AI 冲击大学数学课堂,加州理工学院教授不再依据答案对错批改作业

    IT之家 11 月 17 日消息,据《商业内幕》16 日报道,在加州理工学院任教 17 年的数学教授倪忆表示,自己不再根据学生答案的对错给作业打分,而是只检查是否完成。“教育过程出了问题。大学里的数学作业,几乎都能用 AI 来做。”究其原因,在于学生普遍使用 AI 完成作业。倪忆坦言,作为教授,自己根本无法判断学生交上

    来源 腾讯网
向下滚动自动加载更多