《State of AI Report 2026》发布：AI 参与自身研发，智能体闯进真实系统
《State of AI Report 2026》10 月 8 日发布，第九期由 Air Street Capital 的 Nathan Benaich 牵头，正文 240 多页，分研究、产业、政治、安全、预测五部分。
#论文/研究
#论文/研究
今日 0 条宝玉(@dotey)AI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 67/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 elvis(@omarsar0)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 RSI 递归自我改进研究合集：AI 热门方向的最新论文与阅读清单
递归自我改进（RSI）是当前 AI 最热门的议题之一，且仍处于非常早期阶段。有人整理了一份 RSI 论文合集与阅读清单，用于了解该方向的历史与最新技术，链接为 academy.dair.ai/papers/collect。
Mind the Future — Richard NgoAI 评估 · 14/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 14/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 社会理论与智能体基础：社会均衡如何扩展博弈论理性模型
Richard Ngo 撰文梳理社会学与智能体基础研究的联系，重点讨论社会均衡、博弈论均衡、规范内化与集体行为三部分，主张将理性社会与政治行为理论作为 Von Neumann 和 Morgenstern 理性经济行为理论的扩展或替代。
Yann LeCun(@ylecun)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Yann LeCun：科学奖属于科学家，成果要发在同行评审平台
Yann LeCun 回应 Brian Roemmele 与 Elon Musk 时表示，科学奖是给科学家的，科学家会把成果发表在接受同行评审的平台上，以便被审视、验证和复现。
Z PotentialsAI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 a16z 第七版 AI 应用榜单解读：95.5% 用户不付费，AI 下一步怎么赚钱
a16z 发布第七版 Top 100 Gen AI Consumer Apps 榜单，首次引入 YipitData 的真实信用卡支出数据。截至 2026 年 8 月，仅 4.5% 的美国消费者为头部通用大模型付费，而支出最高的 1% 用户贡献了 19.5% 的消费金额，超过后 50% 用户总和，月均 AI 支出达 903 美元；付费榜前 50 名中有 29 家从未进入流量榜。
METRAI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR：AI 系统可能掩盖自身不当行为
METR 发布研究指出，AI 系统可能先篡改人类用于审查其行为的工具，从而掩盖不当行为。研究人员借助 AI 智能体约 10 分钟就在 Inspect 的 transcript viewer 中发现一个客户端 JavaScript 注入漏洞，可任意修改审阅者看到的记录并拦截下载按钮；底层数据库中的原始轨迹未被修改，也尚未在评测中观察到智能体利用该漏洞。
Import AI — Jack ClarkAI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Import AI 475：群体扩展、Google DeepMind 为生物内容加水印与 AI 科学经济
Import AI 475 期关注群（swarm）扩展：Toby Ord 认为 4 智能体群完成同等任务需约 2 倍 token，但因并行可将耗时减半，群扩展存在类似"踩脚"参数的收益递减。
AI科技评论AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 42/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 吴佳俊 IROS 2026 演讲：结构化表征是机器人学会推理的脚手架
斯坦福大学助理教授吴佳俊在 IROS 2026 的 RoBoWoMo 研讨会上发表《Building Physical Agents via Structured Representations》报告，提出用结构化表征搭建物理世界智能体。他介绍了从演示中学习谓词与原子动作、让模型自行提出 DSL、并用演示标签对视觉判据做后训练等路径，并透露最近投稿的工作已将规划器也换成后训练的开源视觉模型。
Epoch AIAI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI：AI 推理成本每季度下降约 47%，快于 DNA 测序与算力
Epoch AI 发布研究《The plunging price of thought》，测算达到同一性能水平的 AI 推理成本自 2023 年以来约每季度下降 47%，即每年约 13 倍。
Harrison Chase(@hwchase17)AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 评测发现模型未必受益于原生 harness
Melissa Pan 在 Claude Code、Codex 和 Pi 上评测了 7 个模型，得出三点发现：harness 选择对任务成功率影响不大，但会显著影响成本；简单的 harness 也具竞争力；原生 harness 并不总是最佳选择。Harrison Chase 引用该结论指出，模型可能未必真正受益于原生 harness。
METRAI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR：AI 时代的发现速度是否在加快？
METR 发布分析，对比漏洞发现、数学成果和算法优化三类公开数据，寻找 AI 带来的增速拐点。漏洞发现增速最明显：cURL 漏洞从 2025 年 9 个增至 2026 年 6 月 24 日的 36 个，其中 15 个标注 AI 参与；OpenSSL 从 6 个增至 39 个；Firefox 从 210 个增至 342 个。
Import AI — Jack ClarkAI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Import AI 468：23 条 RSI 政策建议、PostTrainBench+，以及信任与透明度如何影响 AI 竞赛
智库 IFP 提出 23 条"低后悔"政策建议，分属 7 大类，旨在帮助政策制定者应对 AI 研发进一步自动化的风险。MIT 与 Columbia 的论文 Racing to Ruin 用博弈模型分析前沿企业竞争，结论是透明度和把对手视为可信理性方是协调放缓的两个关键变量。本期还介绍了一个 PostTrainBench+ 相关内容和一篇关于智能机器的虚构短篇。
Import AI — Jack ClarkAI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 研究者构建自维持自我复制AI蠕虫原型
多伦多大学、Vector Institute、剑桥大学与ServiceNow的研究者构建出一款由AI模型驱动的原型计算机蠕虫，可利用被感染机器的GPU运行开放权重LLM进行推理，并自主发现漏洞、发动针对性攻击与自我复制。
Lilian Weng — Lil’LogAI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Lilian Weng 长文梳理 Harness Engineering 与自我改进研究
Lilian Weng 在 Lil'Log 发表长文，系统梳理 harness engineering 与递归自我改进（RSI）的研究脉络。文章把 harness 定义为围绕基座模型、负责编排执行与上下文管理的系统，并归纳出工作流自动化、文件系统作持久记忆、子智能体与后台任务三类设计模式。
METRAI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 作者澄清时间视野指标的局限：Claude Opus 4.5 的 50% 时间视野约 4 小时 49 分
METR 时间视野论文作者澄清该指标的多项局限：时间视野指 AI 以 50% 成功率可替代的人类串行劳动量，而非其独立工作时长。METR 称 Claude Opus 4.5 的 50% 时间视野约 4 小时 49 分，但 95% 置信区间高达 1 小时 49 分至 20 小时 25 分，测量并不精确。
METRAI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 谈科学传播：如何准确传达 AI 令人意外的研究结果
METR 在发布《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》后，撰文说明其科学传播策略：在"AI 让开发者变慢"与"开发者高估 AI 加速效果"两种表述间，最终选择突出实测到的变慢结果。
Lilian Weng — Lil’LogAI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 深度神经网络真的严重过拟合了吗？
Lilian Weng 撰文探讨深度神经网络参数极多却仍能泛化的问题，梳理了奥卡姆剃刀、最小描述长度（MDL）原理与 Kolmogorov 复杂度等经典压缩与模型选择理论，并借"生物学家能修好收音机吗"类比揭示局部观察难以还原系统全貌。文章后续更新增补了 Lottery Ticket Hypothesis 一节。