追问weekly | 过去两周，AI领域有哪些新突破？Vol.58

█政策法规与新闻

AI论文：Springer自然放行一些，一所大学却严厉打击

英国与Anthropic：一场以AI变革公共服务的大胆联盟

欧盟AI法案：迈向人工智能未来监管的大胆一步

XAI评估指标：AI透明化之路上的缺失拼图

█大模型与基础建设

ParetoQ：将大模型压缩到极限的艺术

奖励引导的推测解码：重新定义AI推理效率

PathE：通往知识图谱高效嵌入之路

分层链式思维提示：可解释人工智能新时代，还是复杂性的又一层？

█技术与研发

RandLoRA：让 PEFT 再次智能化--无需全参数价格的全量功能

为何想太多反而可能搞砸？

AI研究革命：Perplexity的深度研究如何重新定义知识探索

PreGPT 2.0：去中心化AI聊天机器人挑战科技巨头垄断

谷歌AI共科学家：科研的未来，还是高科技实验室助手？

Gemini的飞跃：谷歌AI记忆升级如何重新定义聊天机器人格局

GPT-5与人工智能的未来：OpenAI在竞争加剧中的战略转型

EvoFlow：实时进化多样化智能工作流

人工智能的美丽竞赛：当机器超越人类

█应用与实践

谷歌的冒险之举：Gemini应用在iOS上的独立突围

Meta的AI转型：人类工作岗位要过时了吗？

人工智能让我们更聪明还是更愚笨？微软研究引发深刻讨论

Google NotebookLM Plus：革新生产力的AI助手

█交叉与创新

职业梦想家：谷歌用AI开启个性化职业探索的新篇章

Booking Holdings与生成式AI：重新定义旅行的未来

招聘 2.0：X0PA AI 的智能代理 AI 套件有望重塑招聘

*如需定位对应内容，请使用微信的检索功能

（点击右上方三点，找到查找页面内容按钮）

政策法规与新闻

AI论文：Springer自然放行一些，一所大学却严厉打击——学术诚信的新世界？

最近关于AI撰写论文的新闻，是对学术出版未来的一次引人入胜，但也有些令人不安的窥视。正如Retraction Watch报道的那样，斯普林格·自然放行了几篇被标记为涉及AI的论文，与此同时，一所大学却大幅增加了对此类论文的撤稿数量。这种明显的矛盾引发了一个至关重要的问题：我们是否为人工智能辅助学术的时代做好了准备？在这种情况下，我们又该如何定义“作者身份”？

斯普林格·自然的案例表明，人们越来越接受AI作为研究过程中的一种工具，前提是它的作用是透明的，并且人类作者保留对作品的最终责任。另一方面，大学的严厉打击凸显了潜在的滥用。它表明，一些研究人员可能试图将AI生成的内容冒充为自己的内容，这显然违反了学术诚信。这引发了关于学术评估未来的严重问题。我们如何才能确保学生和研究人员真正贡献了原创思想，而不是仅仅依靠AI来炮制论文？

导致与AI相关争议激增的根本原因是AI技术本身的快速发展。AI工具变得越来越复杂，能够产生几乎与人类写作难以区分的文本。这使得检测AI的参与变得困难，尤其是在研究人员故意试图隐瞒的情况下。斯普林格·自然的观点似乎是谨慎接受。他们似乎承认AI在研究中不可避免，同时强调透明度和道德使用的重要性。相反，大学的观点似乎是更严格的控制，强调需要维持传统的作者身份和原创性标准。

主要的矛盾在于AI在研究中的潜在好处与其对学术诚信构成的风险之间。AI可以加速研究，产生新的见解，甚至有助于实现知识获取的民主化。然而，它也为剽窃、欺诈以及对学术研究的信任的普遍侵蚀创造了机会。预测这个问题未来的发展轨迹具有挑战性。我们可能会看到学术出版标准逐步发展，更加强调透明度和披露AI的参与。可能会开发新的工具和技术来检测AI生成的内容，大学将需要调整其评估方法，以确保学生发展真正的研究技能。

https://retractionwatch.com/2025/02/10/as-springer-nature-journal-clears-ai-papers-one-universitys-retractions-rise-drastically/

英国与Anthropic：一场以AI变革公共服务的大胆联盟

英国政府与硅谷AI公司Anthropic建立了战略合作关系，旨在将人工智能整合到公共服务中。这一合作由英国的主权AI部门牵头，计划探索Anthropic的AI助手Claude如何提升公共服务效率并推动科学突破。该合作是政府更广泛“变革计划”的一部分，旨在利用AI推动经济增长并提高公共行政效率。此举恰逢英国将其AI安全研究所重新命名为“AI安全研究所”，表明政府对减轻AI技术相关风险的关注进一步升级。

这一合作带来了多项变革性机遇。Anthropic的Claude AI可以简化行政任务，改善公民获取服务的方式，并加快医疗保健和基础设施规划等领域的决策速度。通过利用AI进行研究，合作旨在加速医学和工程等领域的突破性进展。这一合作符合英国雄心勃勃的AI机会行动计划，该计划预计AI每年可带来高达400亿英镑的生产力提升。Anthropic在优先考虑AI模型安全性和可靠性方面的良好声誉，使其成为此次合作的可信赖伙伴。这一合作也反映了英国政府致力于成为负责任AI部署全球领导者的承诺。

英国政府选择与Anthropic合作出于以下战略动机。随着美国和中国等国家大力投资于AI，英国希望确保自己在这一变革性技术中的领先地位。面对公共部门效率低下和经济停滞等挑战，AI提供了一条通过减少行政负担和促进创新实现振兴的途径。将AI安全研究所更名为“AI安全研究所”凸显了政府对高级AI系统潜在风险的认识。与以道德AI开发为重点的Anthropic合作，有助于应对这些担忧。

https://www.anthropic.com/news/mou-uk-government

欧盟AI法案：迈向人工智能未来监管的大胆一步

欧盟人工智能法案（EU AI Act）是全球首部全面的人工智能立法，旨在重新定义AI系统在欧盟范围内的开发、部署和使用方式。该法案将于2025年2月2日正式生效，采用基于风险的监管框架，将AI系统分为四个风险等级：不可接受风险、高风险、有限风险和最低风险。关键条款包括要求使用AI系统的组织具备AI素养（第4条）以及禁止被认为有害或操控性的高风险AI实践（第5条）。这些措施旨在提高透明度、降低对基本权利的威胁，并确保AI始终处于人类控制之下。

该法案还建立了治理机制，例如欧洲人工智能办公室（European AI Office）和市场监督机构，以确保合规性。尽管被誉为AI监管领域的里程碑式进步，该法案也为企业带来了适应复杂要求和调整运营以实现合规的挑战。根据对个人和社会的潜在风险，AI系统被分为不可接受风险系统（如政府的社会评分系统，全面禁止）、高风险系统（如医疗诊断、执法工具，需要严格评估和持续监控）、有限风险系统（需满足透明度义务）和最低风险系统（基本免于监管）。

第4条引入了一项开创性要求，规定使用或部署AI系统的组织必须确保员工具备足够的“AI素养”，包括了解AI的风险、机遇以及伦理影响的培训。第5条禁止某些有害的AI使用，例如扭曲决策过程的潜意识操控、利用年龄或社会经济地位等弱点进行剥削、基于行为或个人特征进行评分的社会评分系统，以及在工作场所或教育环境中使用情感识别技术。法案建立了多方利益相关者监督机构，包括协调政策的欧洲人工智能委员会（European Artificial Intelligence Board）、负责执法的国家市场监督机构，以及保护基本权利的专门机构，用于处理违规行为。

https://www.jdsupra.com/legalnews/ai-talks-understanding-the-eu-ai-act-ai-6155325/

XAI评估指标：AI透明化之路上的缺失拼图

从Netflix推荐到医疗和金融等高风险决策，算法几乎无所不在。但一个问题始终挥之不去：AI为什么会做出这样的决定？这正是可解释人工智能（XAI）的研究领域试图回答的问题，其目标是揭开机器学习模型的“黑箱”。然而，正如论文《Bridging the Gap in XAI—The Need for Reliable Metrics in Explainability and Compliance》所深刻揭示的那样，用于解释AI决策的方法本身也充满了不一致性、脆弱性，并且缺乏标准化。

论文的核心观点指出：XAI评估指标目前支离破碎、主观化，甚至容易被操纵。忠实性（解释是否真实反映模型的决策过程）、鲁棒性（解释在不同输入条件下的一致性）和可用性（解释是否对用户有意义）仍然只是理想，而非标准化的基准。作者认为，这种缺乏可靠指标的问题不仅是学术上的不便，更是阻碍XAI在医疗、金融等高风险领域部署的障碍。像《欧盟人工智能法案》（EU AI Act）这样的监管框架要求透明度和问责制，但现有工具远远无法满足这些法律标准。

论文并未止步于批评，而是提出了解决方案。首先，开发防篡改指标，避免通过调整超参数操纵结果。其次，创建针对医疗或金融等行业的领域专用基准。最后，设计可扩展的评估方法，以应对现代庞然大物般的大语言模型（LLMs）和多模态系统。论文最具创新性的贡献之一是强调防篡改评估指标的重要性。目前的方法可以通过调整超参数或选择性结果来操纵——这种做法严重削弱了对XAI系统的信任。作者建议在评估框架中引入对抗测试和定期验证机制，以确保其完整性。

https://arxiv.org/pdf/2502.04695

大模型与基础建设

ParetoQ：将大模型压缩到极限的艺术

在人工智能领域，追求效率的脚步从未停止。如何让大型语言模型（LLMs）变得更小、更快、更智能，始终是研究者们的目标。而ParetoQ的出现，标志着量化感知训练（QAT）的新纪元。由Meta研究团队提出的这一框架，不仅仅是对低比特量化技术的简单优化，而是重新定义了整个低比特量化的规则。

ParetoQ是首个系统性框架，可在1比特、1.58比特、2比特、3比特和4比特量化设置下进行严格比较。通过五个维度（模型大小、标记数量、量化精度、训练策略、量化函数）形式化了量化感知训练的缩放法则。研究发现，在2比特和3比特之间的学习行为有显著转变：对于3比特及以上，微调后的模型接近其原始预训练分布；对于2比特及以下，模型表示发生显著变化，需要不同的训练策略。

针对每种比特宽度，ParetoQ设计了不同的量化函数：1比特采用弹性二值化，1.58比特和2比特采用拉伸弹性量化（SEQ），3比特和4比特采用学习步长量化（LSQ）。实施步骤包括定义缩放法则的搜索空间、为每种比特宽度优化训练策略和标记数量、确定最佳量化函数，并使用ParetoQ框架在各种比特宽度下训练模型。

实验结果表明，亚4位量化（1.58位、2位和3位）通常在每单位模型大小的准确性上优于4位。例如，一个2位MobileLLM-1B模型，其准确性高于一个4位MobileLLM-600M模型，同时模型大小更小。在硬件限制方面，优化后的2位内核在速度提升方面优于更高精度格式。与现有方法相比，ParetoQ在PTQ（后训练量化）和QAT方法中均优于专为单一比特设置设计的方法。

https://www.arxiv.org/pdf/2502.02631

奖励引导的推测解码：重新定义AI推理效率

论文《奖励引导的推测性解码以实现高效的 LLM 推理》介绍了一种名为奖励引导的推测性解码 (RSD) 的新颖框架，旨在提高大型语言模型 (LLM) 推理的效率，尤其是在复杂的推理任务中。RSD 策略性地结合了一个较小、更快的“草稿模型”和一个更强大的“目标模型”。与严格旨在实现无偏性的现有推测性解码方法不同，RSD 融入了受控偏差，以优先生成高质量的输出。

RSD 的核心要素包括草稿模型、目标模型和过程奖励模型。草稿模型是一个较小、更快的 LLM，可以快速生成潜在的下一个词（令牌），而目标模型是一个更大、更强大的 LLM，用于验证和纠正草稿模型的猜测。过程奖励模型是 RSD 的关键创新，它评估草稿模型在解码过程期间建议的令牌的“优良性”。基于奖励信号，RSD 动态决定在每个步骤中使用草稿模型还是目标模型。高奖励意味着草稿令牌被认为是好的，从而通过避免使用目标模型来节省计算量；低奖励则更依赖目标模型来确保准确性。

与传统推测性解码方法不同，RSD 有意使用奖励模型引入受控偏差，旨在高效地生成高质量的输出。论文通过数学分析支持 RSD 框架，表明基于奖励接受草稿令牌的基于阈值的策略可以最佳地平衡资源使用和性能。

实施 RSD 的步骤包括训练或选择草稿和目标 LLM、开发过程奖励模型、实施 RSD 解码算法以及优化阈值和参数。实验结果显示，RSD 在推理任务中实现了高达 4.4 倍的加速，并在准确性方面优于标准推测性解码方法和并行解码，实现了高达 +3.5% 的改进。此外，RSD 在一系列具有挑战性的推理基准测试中表现出强大的结果，表明其普遍适用于复杂任务。

https://arxiv.org/pdf/2501.19324

PathE：通往知识图谱高效嵌入之路

在庞大的知识图谱（KG）世界中，数十亿个节点和边构成了人类知识的结构化表达。如何高效地表示和推理这些庞大的数据集，成为了一个显而易见的挑战。尽管传统的知识图谱嵌入（KGE）方法被视为解决方案，但它们也面临着一个关键问题——可扩展性。随着KG规模的增长，存储实体嵌入所需的内存和计算资源变得难以承受。然而，PathE的出现改变了这一切。这种新颖的方法放弃了传统实体嵌入的负担，转而采用基于路径的轻量化方法。这不仅仅是一个调整，而是一场范式转变。

PathE的核心是一种与实体无关的KGE方法，通过关系路径动态计算实体嵌入，而不是存储每个实体的嵌入。相比传统方法，它仅关注关系，这些关系定义了KG的结构。PathE的工作原理包括路径生成、节点投影器、路径建模、路径聚合和预测头。首先，利用随机游走从每个实体中挖掘出独特的关系路径，这些路径提供了关于实体邻域的丰富上下文信息。然后，通过多层感知机（MLP）将这些关系上下文投影到连续空间中，生成初始嵌入。接着，使用Transformer编码器处理这些路径，捕捉依赖关系和上下文细节。之后，通过平均或基于Transformer的聚合策略，将多个路径表示聚合为头实体和尾实体的单一嵌入。最后，分别用于关系预测（多分类任务）和链接预测（二分类任务）。

PathE在基准数据集上实现了最先进的关系预测性能，并在链接预测方面表现出有竞争力的性能，尤其是在路径信息丰富的知识图谱上。该模型具有参数效率，与现有的参数高效方法相比，需要的参数显著减少（根据搜索结果中提到的论文摘要，减少了不到25%）。此外，PathE可以在消费级硬件上进行训练，突显了其在实际应用中的实用性。消融研究和超参数分析验证了模型的设计选择和鲁棒性。

https://arxiv.org/pdf/2501.19095

分层链式思维提示：可解释人工智能新时代，还是复杂性的又一层？

Layered Chain-of-Thought Prompting for Multi-Agent LLM Systems: A Comprehensive Approach to Explainable Large Language Models提出了一种新型框架——分层链式思维提示（Layered Chain-of-Thought, Layered-CoT），旨在提升大型语言模型（LLMs）的推理能力。该框架将推理过程划分为多个可验证的层级，解决了传统链式思维提示（Vanilla CoT）的局限性。这些局限包括中间推理步骤未经验证以及缺乏用户交互，这可能导致事实错误和降低高风险应用中的可信度，例如医疗、金融和敏捷工程。

传统的思维链（CoT）提示虽然对单个LLM有效，但不足以解释多智能体LLM系统的行为。这些系统，其中多个LLM相互交互和协作，需要一种更结构化的方法来解释它们的集体推理。分层思维链（LCT）提示背后的核心原则是模仿人类团队合作的层次性。正如团队有不同层次的专业知识和沟通一样，LCT构建提示以引发不同抽象层次的推理。

LCT涉及创建分层提示结构。在最高层，一个“管理者”智能体可以定义总体任务。较低层可能涉及专门负责子任务的“专家”智能体。提示旨在促进这些层之间的沟通和信息流动，从而实现更透明和可解释的推理过程。每一层都生成其自己的“思维链”，从而有助于形成整体解决方案。实施步骤包括将复杂问题分解为子问题，针对每个子问题生成部分推理链，使用外部数据或用户反馈验证中间输出，如果发现矛盾或遗漏，则修正部分结论，验证通过后进入下一层，直至完成最终任务。

https://arxiv.org/pdf/2501.18645

技术与研发

RandLoRA：让 PEFT 再次智能化--无需全参数价格的全量功能

LoRA，通过引入低秩矩阵来捕获特定于任务的信息，实现了参数效率，通常以显著减少的可训练参数数量实现了与全微调相当的性能。然而，一些研究表明，与全微调相比，LoRA，尤其是在较低秩的情况下，在复杂任务或持续学习场景中可能表现出局限性。相比之下，RandLoRA 提出了一种更强大的方法。不妨将其想象成组建一支由随机的、低秩专家组成的精英团队，每个人都拥有一点专业知识。然后，RandLoRA 学会协调这些专家，巧妙地结合他们有限的技能，来实现全秩的自适应。它不是直接学习低秩更新，而是学习如何缩放和混合一组预设的随机低秩矩阵。

RandLoRA 的创新在于使用随机低秩矩阵的组合作为自适应的基础来解决 LoRA 的局限性。与 LoRA 中仅有的两个学习到的低秩矩阵不同，RandLoRA 使用多个非可训练的随机低秩矩阵。然后，它学习如何线性组合这些随机矩阵以实现所需的权重更新。至关重要的是，RandLoRA 仅优化用于此组合的对角缩放矩阵，在保持可训练参数数量较少的同时，实现了全秩更新。理论上，全秩更新允许更灵活和更具表现力的微调，与低秩更新相比，有可能捕获更细致的任务特定信息。RandLoRA 旨在弥合 LoRA 的效率和全微调的表现力之间的差距。

通过仅训练对角缩放矩阵，RandLoRA 保持了与 LoRA 相当的参数效率，尽管实现了全秩更新。这是关键优势——在不增加全微调参数数量的情况下，更接近全微调的性能。RandLoRA 的实施步骤包括生成随机低秩基、与学习到的缩放系数进行线性组合、优化缩放矩阵以及应用更新。论文提供了跨视觉、语言和视觉-语言任务的经验证据。RandLoRA 展示了相对于 LoRA 的性能改进，尤其是在视觉-语言任务中，通常缩小了与全微调的差距。结果表明，RandLoRA 以相似的可训练参数数量实现了与 LoRA 相当或更好的性能。该论文表明 RandLoRA 可以减轻过拟合，特别是在视觉-语言模型中，这可能是由于与全微调相比，优化空间受到限制。

https://arxiv.org/pdf/2502.00987

为何想太多反而可能搞砸？

该论文由来自加州大学伯克利分校、瑞士联邦理工学院、伊利诺伊大学香槟分校、卡耐基梅隆大学等机构的研究者共同完成，关注点是“大型推理模型（LRMs）”，它们是大语言模型（LLMs）的进化版本，特别强调分步推理和自我纠正能力。论文选取了软件工程任务作为实验证明环境，这些任务具有高度的“代理性”，即要求模型理解问题、修改代码并处理环境实时反馈。

传统LLM已在多个领域得到研究，但当涉及更深层次的推理或“思考”时，往往缺少整合交互式或具备代理性的反馈循环。在类似自动解决GitHub Issue之类的代理环境中，模型必须在行动与内部思考之间做决策。而如何平衡好这两者至关重要。

模型在是“立刻执行操作”还是“继续进行内部推理”之间存在抉择。论文认为，过度偏向内部推理会导致模型陷入“过度思考”——与真实环境反馈的必要交互不足。作者将“过度思考”界定为严重依赖内部推理，却未充分利用或融合环境反馈的倾向。通过对数千条AI代理日志的分析，他们展示了“过度思考”与在软件工程任务中性能下降之间的强相关性。

当模型大量“模拟”内部推理，却不真正与环境交互，就会出现“过度思考”。表现形式包括分析瘫痪、越权行动和过早退出。虽然LRMs擅长生成“思路链”，但当必须做出实际交互时，必须权衡“立刻做动作”vs.“再思考一轮”的代价。如果内部推理过度膨胀，得到的结果可能并非真实环境中可行的策略，尤其当环境反馈被忽视。

实验框架包括SWE-Bench Verified与OpenHands。基准采集自真实GitHub上的编程Issues，涉及非平凡的bug修复、功能添加等，需要若干步骤才能解决。OpenHands框架允许模型提交代码修改、运行测试并获取结果。研究者能记录模型的每一步动作与反馈。过度思考分数用于评估每条“代理轨迹”，数值越高，代表模型越倾向使用内部推理替代真实交互。

实验设置包括19个模型，规模从7B到~670B不等，既有开源亦有闭源，也有是否支持函数调用及是否是“推理优化”模型之分。收集数据针对3908条模型-任务的运行过程，每条都有最终成败结果和“过度思考分数”标注。

https://arxiv.org/pdf/2502.08235

AI研究革命：Perplexity的深度研究如何重新定义知识探索

Perplexity AI 推出了其“深度研究”功能，这是一款旨在提供专家级深入研究报告的免费增值工具。该工具通过可靠的引用提供详细答案，主要面向专业和学术使用场景。此功能利用迭代推理和先进算法，从海量信息源中自主搜索、分析和综合信息，模拟人类的研究过程。它目前可通过网页访问，并计划很快扩展到移动端和桌面平台。Perplexity 的深度研究与 OpenAI 和 Google 的类似产品形成竞争，但通过更快的处理速度和更友好的定价模式脱颖而出。在严格的“人类最后考试”（Humanity's Last Exam）基准测试中，该工具得分为21.1%，超越了大多数竞争对手，仅次于 OpenAI 的版本。

Perplexity 的深度研究采用名为 Test Time Compute (TTC) 扩展的专有框架，能够迭代优化查询并综合结果。这种方法模仿了人类认知过程，为复杂主题提供分层分析。该工具在“人类最后考试”中取得了21.1%的得分，超越了 Google Gemini（6.2%）和 Grok-2（3.8%），但略低于 OpenAI 的深度研究（26.6%）。与 OpenAI 每月200美元的订阅模式不同，Perplexity 提供有限每日查询的免费版本，以及每月20美元的专业订阅版以获取无限访问权限。报告生成时间为2-4分钟，比 OpenAI 的5-30分钟处理时间显著更快。该工具专为金融、市场营销、产品研究和新闻领域的专业人士设计，提供带有内嵌引用的结构化摘要。

深度研究功能的推出反映了对高效处理复杂研究任务的AI工具日益增长的需求。随着各行业越来越依赖数据驱动决策，像 Perplexity 深度研究这样的工具满足了快速综合海量信息而不牺牲准确性或深度的需求。这一创新也突显了 AI 研究工具竞争格局，其中速度、可及性和成本效益是关键差异化因素。Perplexity 专注于可及性，通过提供免费版本，将自己定位为 AI 研究领域的民主化力量。通过降低进入门槛，它吸引的不仅是企业用户，也包括缺乏资源支付高额订阅费用的个人用户。

AI 研究工具的发展揭示了以下几方面的矛盾：尽管 Perplexity 在快速生成报告方面表现出色，但与 OpenAI 相比，其分析深度有所欠缺。Perplexity 的免费增值模式与 OpenAI 的高端定价形成鲜明对比，引发了关于高级技术公平获取的问题。批评者警告称，过度依赖 AI 工具可能会抑制人类在研究过程中的创造力和批判性思维。Perplexity 的深度研究在民主化获取高质量研究能力方面迈出了重要一步。其速度和经济性使其成为各个领域用户（从学术界到新闻业）的有吸引力选择。然而，其局限性也凸显出在人类监督下解读 AI 生成见解的重要性。在更广泛的 AI 发展背景下，这一创新反映出从通用型聊天机器人向更专业化应用转变的趋势。通过专注于专业使用场景，Perplexity 与对提升生产力但不取代人类专业知识需求日益增长保持一致。

https://techcrunch.com/2025/02/15/perplexity-launches-its-own-freemium-deep-research-product/

PreGPT 2.0：去中心化AI聊天机器人挑战科技巨头垄断

去中心化搜索引擎Presearch推出了升级版隐私保护AI聊天机器人PreGPT 2.0，旨在提供无偏见、无过滤、无审查的响应。该工具基于Venice.ai的基础设施和去中心化GPU网络运行，确保聊天内容不被存储且所有交互均加密。PreGPT 2.0具备默认不用于训练数据的政策以及多语言支持等功能，旨在通过赋予用户自主权、隐私保护和透明性，颠覆科技巨头的主导地位。通过经济实惠的订阅计划提供服务，PreGPT 2.0被定位为AI助手领域的颠覆性产品。

PreGPT 2.0优先考虑用户隐私，通过加密所有交互并确保数据不被存储或用于训练模型。它依托去中心化计算网络，利用分布式GPU，避免依赖集中式云服务提供商。不同于常被批评为存在企业或政府偏见的主流AI系统，PreGPT 2.0在广泛主题上提供公正的见解。聊天机器人支持开放讨论，从历史事件到哲学辩论均无隐藏议程。多语言支持和更新的训练数据提升了工具的可访问性和相关性。提供两种订阅层级：基础版（每月2美元）和专业版（每月5美元），专业版包含高级无审查模型和更新的数据集。

通过将PRE代币作为支付选项之一（同时支持法币），Presearch将其收入模式与Web3理念对齐。去中心化方法降低了成本，同时为未来增长建立了可持续框架。PreGPT 2.0不仅仅是一款AI聊天机器人；它是对科技巨头垄断实践的一种反抗，也是对更公平数字未来的一种愿景。通过优先考虑隐私、去中心化和无偏见交互，它为用户提供了一种符合现代自主权与透明性价值观的替代方案。尽管仍面临诸多挑战——特别是在可扩展性和市场渗透方面——该平台以创新方式定位自己，有潜力成为人工智能领域的重要颠覆者。它是成为主流成功案例还是仅停留在小众解决方案，将取决于其如何适应不断变化的消费者需求和行业动态。

https://www.globenewswire.com/news-release/2025/02/10/3023728/0/en/Decentralized-Search-Engine-Presearch-Launches-Powerful-New-Privacy-Centric-AI-Chatbot-PreGPT-2-0.html

AI合作科学家：科研的未来，还是高科技实验室助手？

谷歌推出了其突破性的“AI合作科学家”（AI Co-Scientist），这是一种旨在彻底改变科学研究的先进人工智能系统。基于Gemini 2.0框架构建，这个多代理AI系统被设计用来帮助研究人员生成新的假设、设计实验方案，以及综合海量的科学文献。通过利用一系列专门的代理（如生成、反思和排名等），该AI系统模拟了科学方法，通过自动化反馈循环不断优化输出。早期试验表明，它能够显著缩短研究时间，将传统上需要数年完成的问题解决时间缩短至几天。例如，它成功提出了急性髓性白血病（AML）的新药物再利用候选方案，并在短短两天内发现了一种细菌基因转移机制，而这一过程通常需要人类研究者十多年。

尽管前景光明，AI合作科学家并非旨在取代人类研究人员，而是作为一种协作工具。目前，该系统仅通过谷歌的“可信测试者计划”（Trusted Tester Program）向特定研究人员开放。尽管初步结果令人鼓舞，但仍存在一些局限性，例如需要改进事实核查和扩大规模验证。AI合作科学家可以在数小时或数天内生成可测试的假设，而人类团队通常需要数周甚至数年。例如，它识别了AML的潜在治疗方法，并通过计算生物学和湿实验室实验进行了验证。该系统采用了专门的代理（如进化和元评审代理）协作工作，模仿科学方法。这种方法使计算资源能够动态扩展，并迭代优化研究目标。

通过诸如Elo自动评估等指标，AI不断提升其推理能力，确保随着时间推移输出质量更高。与完全自主的系统不同，AI合作科学家允许研究人员输入初始想法、提供反馈并指导研究过程，从而确保人类专业知识仍然是核心。AI已经在药物再利用和细菌进化等多个领域进行了测试，其表现与传统方法相当甚至更优。AI合作科学家的开发反映了多个趋势的交汇：现代研究往往需要处理海量数据集和跨学科知识。传统方法难以跟上这种复杂性的步伐。Gemini 2.0框架代表了推理型AI模型的一次飞跃，使系统能够超越简单的数据分析，生成原创见解。面对抗微生物耐药性和气候变化等全球挑战，迫切需要能够“以更少资源完成更多任务”的工具。谷歌强调协作而非替代，以应对关于AI取代人类工作的伦理担忧，同时提高生产力。

https://www.pharmtech.com/view/google-launches-ai-co-scientist-system

Gemini的未来飞跃：谷歌AI记忆升级如何重新定义聊天机器人格局

谷歌为其Gemini Advanced AI聊天机器人引入了一项突破性的更新，使其能够记住过去的对话。这一新功能向Google One AI高级计划的订阅用户开放，允许Gemini引用之前的讨论，总结先前的聊天内容，并在持续的项目上进行扩展。用户可以通过审查或删除存储的互动内容来控制AI的记忆。这一发展使Gemini与OpenAI的ChatGPT和Anthropic的Claude等竞争对手看齐，这些平台早已提供持久记忆功能。目前，该功能仅支持英语，但将在未来几周内扩展到其他语言和企业用户。

记忆升级使Gemini成为一个更加具备上下文感知能力的对话伙伴。Gemini能够记住早期聊天中的细节，消除了重复指令的需要，并提升了在编程、研究和项目管理等任务中的效率。系统在引用过去互动时会通知用户，确保存储数据的伦理使用。用户可以通过“My Activity”管理记忆设置，包括完全禁用记忆的选项。这一更新标志着AI可用性的重要飞跃，尤其是对于需要连续性的长期项目。通过根据用户偏好和之前互动量身定制响应，它还增强了个性化服务。

此次升级解决了谷歌AI产品中的一个关键短板。尽管Gemini在多模态能力（如文本、图像和视频处理）方面表现出色，但在对话记忆功能上落后于ChatGPT等竞争对手。持久记忆被越来越多地视为高级AI系统的必要功能，使其能够提供无缝且富有上下文的长期互动。通过引入这一功能，谷歌旨在巩固其在竞争激烈的AI领域中的地位，并满足用户对更智能、更直观虚拟助手日益增长的需求。

https://www.androidpolice.com/gemini-advanced-chat-recall/

GPT-5与人工智能的未来：OpenAI在竞争加剧中的战略转型

2025年2月12日，OpenAI首席执行官山姆·阿尔特曼（Sam Altman）宣布了公司路线图的重要更新。OpenAI计划在数周内推出GPT-4.5，并在数月内发布GPT-5。这些更新反映了公司向简化产品线方向的战略转型。原本计划作为独立发布的o3模型被整合到GPT-5中，以创建一个统一的人工智能系统。阿尔特曼强调，此举旨在消除“模型选择器”的复杂性，提供“神奇的统一智能”。GPT-4.5将是最后一个不具备链式思维（Chain-of-Thought, CoT）推理功能的模型，而GPT-5预计将集成语音交互、多模态功能（文本、图像和视频）以及更强大的推理能力。

这一公告发布之际，OpenAI正面临来自竞争对手（如DeepSeek）的激烈挑战。DeepSeek推出的R1模型以更低的成本提供了类似的功能，这对OpenAI的市场地位构成威胁。此外，OpenAI还面临着管理其日益复杂的产品线的内部挑战。公司计划将GPT-5应用于ChatGPT和API服务，并根据订阅级别为用户提供不同的访问权限。

通过将o3等技术整合到GPT-5中，OpenAI旨在简化产品线并提供更流畅的用户体验。GPT-5预计将具备多模态能力（文本、图像、视频）、语音交互、集成搜索工具以及深度研究功能。从非CoT模型（如GPT-4.5）向CoT模型（如GPT-5）的过渡标志着处理复杂推理任务的一大飞跃。根据订阅级别，用户可以访问不同层次的智能——免费用户获得标准智能，Plus订阅者获得高级智能，而Pro订阅者则可使用最高级别的智能。DeepSeek推出的R1模型以低成本扰乱市场，挑战了OpenAI的主导地位。

EvoFlow：实时进化多样化智能工作流

近期大语言模型(LLM)驱动的智能系统已从手动设计转向自动化工作流，但现有方法往往缺乏多样性和成本效益。EvoFlow通过引入小生境进化算法框架来优化异构、复杂度自适应的工作流，解决了这些局限性。

EvoFlow的关键原则包括多目标优化、层次化搜索空间和进化算子。多目标优化将智能工作流设计重构为帕累托优化问题，平衡性能和成本以生成非支配解。层次化搜索空间通过调用节点和运算符节点构建工作流，实现LLM骨干网络、提示词和交互拓扑的模块化组合。进化算子包括基于标签的检索、交叉/变异和小生境选择，通过任务特定嵌入的余弦相似度匹配工作流和查询，并通过LLM/提示词替换或拓扑变化组合父工作流并引入变异。

EvoFlow的工作流进化过程包括种群初始化和迭代优化。种群初始化使用预定义的运算符模板在异构LLM上初始化工作流。迭代优化对每个查询通过标签相似度检索前K个工作流，通过交叉和变异生成后代，并在成本-性能聚类内使用小生境选择更新种群。

实验结果表明，EvoFlow在六个基准测试中超越14个基线，以GPT-4o-mini 12.4%的推理成本实现更优性能。跨域训练比单域优化提升了4.19%的性能，展示了良好的适应性。

EvoFlow的主要创新包括异构LLM集成、复杂度自适应工作流和自动化多样性保持。异构LLM集成动态组合较弱的开源模型以1/8的成本超越单体模型。复杂度自适应工作流维护从单I/O智能体到多运算符集成的帕累托前沿解，实现查询特定的资源分配。自动化多样性保持通过小生境机制防止收敛到局部最优，保留在不同任务子空间中表现优异的工作流。

https://arxiv.org/pdf/2502.07373

人工智能的美丽竞赛：当机器超越人类

在经济学和博弈论领域，凯恩斯美丽竞赛长期以来被用作测试人类战略推理能力的试金石。但当人工智能（AI）加入竞争时会发生什么？研究论文《与人工智能策略化：来自美丽竞赛实验的洞察》由Dmitry Dagaev、Sofia Paklina和Petr Parshakov撰写，探讨了这一引人入胜的问题。通过让大型语言模型（LLMs）参与一系列战略猜测游戏，该研究揭示了AI在模拟人类行为方面的能力和局限性。

凯恩斯美丽竞赛本质上是一个看似简单的游戏。玩家需要猜测一个最接近所有玩家选择数字均值某一比例（pp）的数字。理论上，理性玩家会通过迭代调整他们的猜测，最终收敛到零，即纳什均衡。然而，人类很少以这种方式玩游戏——有限理性、认知偏差和情感因素通常导致偏离理论理想。

作者复现了16个经典实验场景，并让五种最先进的LLMs参与其中：GPT-4o、GPT-4o Mini、Gemini-1.5-Flash、Claude-3.5-Sonnet和Llama-3.1-8B-Instruct-Turbo。这些模型在不同条件下（如pp值、聚合函数和对手类型）与虚拟对手组对决。目标是观察AI能否模拟出类似人类的推理能力，甚至超越人类。

关键原则包括迭代推理、有限理性和策略适应性。迭代推理探索了层次化推理，即玩家根据对其他人策略的预测进行多层次推断。有限理性指出，由于认知限制，人类决策通常偏离纳什均衡。策略适应性则测试了LLMs根据对手复杂度调整策略的能力。

实施步骤包括定义游戏参数、使用提示向LLMs提供游戏场景并收集响应、分析结果是否符合纳什均衡及比较静态分析，以及比较不同模型的策略与人类数据。

主要发现包括：大多数LLMs比人类更接近纳什均衡，选择更低的数字；Llama模型表现出偏差，选择更高的数字，与某些情况下的人类平均值更接近。除Llama外的四种模型能够很好地适应游戏参数变化，如对手复杂度和组规模。模型识别战略环境，但在两人游戏中难以找到分析解。模型经常使用“strategy”和“opponent”等词，表明其参与了战略推理，但如“dominant strategy”等概念很少被正确应用。GPT-4o变体和Claude Sonnet表现出一致的复杂性，Gemini Flash在策略调整方面表现良好，但偶尔高估对手推理能力，Llama表现静态，对实验变化敏感性较低。

https://arxiv.org/pdf/2502.03158

应用与实践

谷歌的冒险之举：Gemini应用在iOS上的独立突围

谷歌正式将其AI助手Gemini从iOS版的Google主应用中移除，并引导用户转向App Store中的独立Gemini应用。这一战略旨在为iPhone用户提供更专注和增强的AI体验，同时将Gemini定位为ChatGPT、Claude和Perplexity等流行AI聊天机器人的直接竞争对手。独立应用提供了诸多先进功能，包括实时语音交互的Gemini Live、文本生成图像的Imagen 3，以及与Google服务（如搜索、YouTube、地图和Gmail）的深度集成。然而，批评者警告称，迫使用户下载额外的应用可能会降低Gemini的覆盖率，因为许多用户可能不愿意做出这一改变。

新的Gemini应用提供了此前在Google主应用中无法使用的专属功能，包括通过动态岛和锁屏实现实时语音交互的Gemini Live、先进的文本生成图像功能Imagen 3，以及与Google服务的更深度整合，用于生产力和创意任务。用户可以通过Google One AI高级计划（每月18.99美元）升级到Gemini Advanced，解锁如百万级上下文窗口、优先更新访问以及下一代AI模型等功能。独立应用将所有Gemini功能集中于一个平台，简化了用户界面，并增加了对更多语言和功能的支持。通过将Gemini从Google主应用中分离，谷歌旨在将其提升为一个独立产品，以与其他面向消费者的AI工具竞争。然而，批评者认为，这一举措可能疏远那些不愿下载额外应用的普通用户，从而减少Gemini的用户群体。

谷歌将Gemini转型为独立应用反映了其打造高价值AI产品的更广泛战略。这一转变符合科技行业日益关注满足特定用户需求的高级AI体验的趋势。通过将Imagen 3和Gemini Live等高级功能仅限于独立应用使用，谷歌显然意在将Gemini定位为一个高端产品，而不仅仅是其生态系统中的另一个附加功能。这一举措也凸显了谷歌直接与OpenAI的ChatGPT及其他领先AI平台竞争的雄心。与Siri或Alexa等通用助手不同，Gemini被设计为一个多模态强大的工具，可以处理文本、图像和语音输入等复杂查询。通过从Google主应用中剥离，谷歌可以更快地迭代新功能，而不受主应用更新周期的限制。然而，这一策略也存在内在风险。能够在广泛使用的Google主应用中访问Gemini曾是其显著优势之一。迫使用户下载单独的应用增加了操作门槛，这可能会阻碍那些未立即看到切换价值的普通用户。

谷歌让Gemini成为独立应用既是一次机遇，也是一次冒险。一方面，它允许更快地进行创新，并将Gemini定位为能够与ChatGPT等市场领导者竞争的高端产品。另一方面，它也面临疏远普通用户、无法扩大用户基础的风险。如果成功，这一举措可能重新定义消费者如何与AI助手互动，强调专业化功能而非通用便利性。然而，如果未能保留或扩大其用户群体，则可能削弱谷歌在AI领域更广泛的雄心。其影响超越了个人用户：对开发者而言，Gemini的高级能力为将多模态AI集成到应用程序和服务中打开了新可能性；对企业而言，像Imagen 3这样的工具为营销和内容创作提供了创新解决方案；对竞争对手而言，谷歌在高端AI体验上的激进推进设定了创新的新标杆。

https://techcrunch.com/2025/02/19/google-pulls-gemini-from-main-search-app-on-ios/

Meta的AI转型：人类工作岗位要过时了吗？

Meta最近宣布了又一轮裁员，这次影响了3600名员工，这不仅仅是又一次公司重组。它是一个严峻的信号，预示着科技领域的一场巨大变革：人工智能的崛起及其重塑工作本质的潜力。虽然Meta将其定义为重新聚焦于AI人才，但其潜在信息却很明确：AI不再仅仅是一种工具；它还是一个竞争者。

文章强调了Meta明确的意图，即加倍投入AI开发。这并不令人惊讶。像其他科技巨头一样，Meta认识到AI的变革潜力。从改善广告定位到创造沉浸式的元宇宙体验，AI都被视为打开未来增长之门的钥匙。但对AI主导地位的追求是有代价的——人类的工作岗位。

这里的重要信息是裁员的规模与明确的对AI的关注相结合。这不仅仅是精简运营；它是从根本上改变Meta的运作方式。该公司正在押注AI可以执行许多目前由人类完成的任务，而且可能做得更好、更快、更便宜。

这种积极推进AI的根本原因是持续存在的创新压力和保持在竞争前沿的压力。在快速发展的科技世界中，未能拥抱AI的公司有可能被抛在后面。Meta在元宇宙上投入了巨资，需要AI来实现这一愿景。他们需要AI来创造引人入胜的体验，个性化内容，并最终吸引和留住用户。

Meta的观点很明确：AI是未来。他们愿意在AI开发上进行大量投资，即便这意味着裁掉很大一部分员工。他们将AI视为一种机遇，而不是一种威胁，以此来革新他们的业务，创造新的产品和服务。

https://www.forbes.com/sites/dimitarmixmihov/2025/02/10/ai-replacement-meta-cuts-3600-jobs-to-focus-on-ai-talent/

人工智能让我们更聪明还是更愚笨？微软研究引发深刻讨论

微软与卡内基梅隆大学合作开展的一项新研究引发了对生成式人工智能工具（如ChatGPT和Microsoft Copilot）过度依赖的认知影响的担忧。研究指出了一个悖论：虽然这些工具通过自动化日常任务提高了生产力，但它们可能导致批判性思维能力的下降。研究发现，过度依赖AI进行问题解决的用户往往缺乏深入的认知过程，从而在面对复杂或意外挑战时表现不足。这种现象被称为“认知萎缩”，凸显了长期依赖AI可能带来的风险。

研究强调，自动化日常任务剥夺了人们练习判断力和强化认知技能的机会。这种“自动化的讽刺”使用户在面对例外情况时准备不足。过于依赖AI的工作者倾向于减少批判性思考，仅专注于验证AI输出，而不是深入参与任务。相比之下，那些较少依赖AI的人更有可能批判性地评估并改进AI生成的内容。研究警告，学生在学习阶段过度使用像ChatGPT这样的AI工具可能会阻碍批判性思维的发展，使未来一代在进入职场时准备不足。

除了个人用户，这些发现还引发了企业和教育机构如何整合AI工具而不削弱基本认知技能的问题。研究还发现，依赖生成式AI往往导致对同一问题产生较少样化的解决方案，从而可能抑制创造力和创新。生成式AI工具的快速普及源于其提升效率和简化复杂工作流程的能力。然而，这种便利是有代价的：用户可能变得过于依赖这些工具，导致认知参与度下降。根本原因在于当前AI系统的设计，它们优先完成任务，而非培养批判性思维或创造力。

https://www.windowscentral.com/software-apps/copilot-and-chatgpt-makes-you-dumb-new-microsoft-study

Google NotebookLM Plus：革新生产力的AI助手

Google将其AI驱动的笔记和研究助手NotebookLM Plus扩展至个人用户，并纳入Google One AI Premium订阅计划的一部分。该计划提供高级功能，包括五倍的使用限制、更强的自定义选项，以及生成播客风格音频摘要（Audio Overviews）的能力。订阅价格为每月19.99美元（美国学生可享9.99美元优惠价），还包括Gemini Advanced工具和2TB云存储等福利。NotebookLM Plus旨在通过将上传内容转化为可操作的洞察，简化学生、专业人士和企业的工作流程。

NotebookLM Plus的增强功能包括：用户现在可以创建最多500个笔记本（免费版为100个），每个笔记本可包含300个来源；每日限制包括500次聊天查询和20次音频摘要（免费版每日仅限3次音频摘要）；自定义选项允许用户调整响应风格、输出长度，甚至分享“仅聊天”笔记本并获得使用分析数据。音频摘要功能基于用户上传的内容生成类似播客的讨论，为理解复杂信息提供了一种更具吸引力的方式。用户可以在这些音频会话中与AI主持人互动，使体验更加动态和个性化。

与Google One AI Premium的整合还包括Gmail、Docs等Workspace应用中的Gemini Advanced工具。学生享受50%的折扣，为期12个月，使先进AI工具对教育用途更加可及。NotebookLM Plus最初通过Google Workspace和Cloud面向企业推出，现在扩展至个人用户，同时保留了企业级功能，如共享团队笔记本和增强隐私保护。

NotebookLM Plus的扩展反映了Google在生产力和AI驱动工具市场中的战略重点。随着微软将AI整合到Office 365以及OpenAI的ChatGPT日益流行，Google旨在通过提供融合生产力与高级AI功能的综合工具脱颖而出。像音频摘要这样的功能迎合了现代用户对节省时间解决方案的需求，尤其是在处理复杂信息时。通过为学生提供折扣计划，Google正在培养年轻一代对其工具的早期采用，这些用户可能成为长期用户。这一举措与Google将AI嵌入日常工作流程、满足教育、商业和个人生产力多样化需求的更广泛目标一致。

https://www.zdnet.com/article/google-one-ai-premium-adds-popular-notebooklm-plus-at-no-extra-charge/

交叉与创新

职业梦想家：谷歌用AI开启个性化职业探索的新篇章

谷歌推出了一款名为“Career Dreamer”（职业梦想家）的实验性AI工具，旨在帮助用户根据其独特的技能、经验和兴趣探索职业可能性。通过生成式AI，该工具创建“职业身份陈述”（Career Identity Statement, CIS），为用户推荐潜在的职业路径，并提供可转移技能的洞察。用户可以通过可视化界面探索职业选项，深入了解职位细节，还能与谷歌的AI助手Gemini合作优化简历或撰写求职信。与LinkedIn等传统求职平台不同，Career Dreamer专注于职业探索，而非直接连接工作机会。目前，该工具仅在美国提供，目标用户包括学生、退伍军人以及重新进入职场的人群。

Career Dreamer 使用AI分析用户背景，生成量身定制的职业建议，识别可转移技能，并将其与各行业的潜在岗位连接起来。该工具帮助用户撰写简洁的专业价值总结，可用于简历或面试。这一功能对拥有非传统职业路径的人尤其有益。通过可视化界面，用户可以浏览广泛的职业选项，从紧密相关的角色到更具创意的建议。每个角色都包含平均薪资、所需资格和相关认证等详细信息。谷歌的Gemini AI协助用户根据目标岗位定制简历和求职信，简化了求职流程。谷歌与支持多元群体（如学生、应届毕业生、军人家庭和成人学习者）的组织合作，确保该工具满足不同需求。Career Dreamer 整合了 Lightcast 的劳动力市场数据和美国劳工统计局的工资统计，为用户提供准确且可操作的见解。

Career Dreamer 的推出反映了谷歌致力于解决当今职场面临的一项重大挑战：在不断变化的就业市场中驾驭复杂的职业过渡。随着个人在一生中预计会经历多个职位和不同领域——例如Z世代平均将拥有18份工作跨越6个职业——简化这一过程的工具需求比以往任何时候都更为迫切。传统的职业探索通常需要跨多个平台进行零散搜索，这让许多人感到不知所措或不确定自己的技能如何转化为机会。Career Dreamer 填补了这一空白，为用户提供一个一站式解决方案，不仅能识别潜在岗位，还能帮助用户清晰地表达自己的专业价值。此外，该工具还与教育和就业领域日益强调基于技能招聘而非传统资格认证的大趋势相契合。通过关注可转移技能而非僵化的职位名称或学位要求，Career Dreamer 为来自多元背景的人群打开了通往新机会的大门。

https://techcrunch.com/2025/02/19/googles-career-dreamer-uses-ai-to-help-you-explore-job-possibilities/

Booking Holdings与生成式AI：重新定义旅行的未来

Booking Holdings（缤客控股），旗下拥有Booking.com、Priceline和Agoda等主要旅游品牌，正在全面拥抱生成式人工智能（GenAI），以彻底革新旅行体验。首席执行官Glenn Fogel将生成式AI视为公司长期增长战略的核心，强调其在个性化旅行规划和打造无缝连接体验方面的变革潜力。关键创新包括AI驱动的工具，如智能筛选（Smart Filter）、物业问答（Property Q&A）和评论摘要（Review Summaries），这些功能通过根据个人偏好定制结果简化了行程规划。这些发展符合更广泛的行业趋势，生成式AI正在重塑旅行者与数字平台的互动方式。此外，Booking Holdings报告了强劲的财务增长，包括收入和房间预订量的大幅提升，反映了其AI驱动计划的早期成功。

旅行者可以使用自然语言描述理想住宿（例如，“阿姆斯特丹有健身房和运河景观的酒店”），生成式AI会扫描Booking.com的库存，提供量身定制的结果。这消除了手动筛选的麻烦，提高了用户便利性。物业问答功能允许用户就具体住宿问题进行提问（例如，“这家酒店有电动车充电站吗？”）。AI从房源信息、评论和照片中提取相关信息，提供即时答案，帮助用户做出更自信的决定。通过将客户评论浓缩为关键见解（例如停车可用性或无障碍设施），生成式AI使旅行者无需翻阅大量反馈即可快速评估住宿。

于2023年推出的AI行程规划师提供行程建议、目的地见解，并基于实时因素（如天气变化）主动调整行程，模拟人类旅行代理的个性化服务。除了面向客户的工具外，Booking Holdings还在内部利用AI优化运营、提高客户服务效率并逐步降低固定成本。这些创新不仅提升了用户体验，也为公司带来了显著的运营效率和财务增长。

https://www.pymnts.com/earnings/2025/amazon-overtook-walmart-in-quarterly-revenue-in-q4/

招聘 2.0：X0PA AI 的智能代理 AI 套件有望重塑招聘（但它会取代招聘人员吗？）

总部位于新加坡的人工智能公司 X0PA AI 推出了其智能代理 AI 套件，该套件以人工智能驱动的代理为特色，旨在改变人才招聘。首批发布包括人工智能驱动的筛选专家 Alex 和招聘分析专家 Kate。这些代理可以自动化和简化筛选流程，评估候选人的技能和文化契合度，并提供实时、数据驱动的洞察力，以支持战略性招聘决策。X0PA AI 旨在优化招聘流程，降低成本和缩短招聘时间，并最大限度地减少决策中的偏见。

X0PA AI 的智能代理 AI 套件引入了人工智能驱动的代理 Alex 和 Kate，旨在彻底改变人才招聘。Alex 通过分析数据点来评估技能、经验和文化契合度，从而自动执行候选人筛选。Kate 通过预测分析和趋势分析，为战略性招聘决策提供实时、数据驱动的洞察力。智能代理 AI 套件建立在负责任、可解释的人工智能原则之上，确保公平和透明。X0PA AI 已获得 AI VERIFY 认证，这表明其致力于合乎道德的人工智能实践。

X0PA AI 设想了一个由人工智能专家组成的系统，他们与招聘人员一起从职位申请到入职协同工作。这种转变旨在实现极简的用户体验，从而减少最终用户的认知负荷。X0PA AI 正在开发其他专门的代理，专注于候选人互动优化、人才管道管理、面试情报和战略性劳动力规划。X0PA AI 的智能代理 AI 套件代表了人工智能驱动的人才招聘领域的重大进步。通过自动化和简化招聘流程、减少偏见以及提供数据驱动的洞察力，X0PA AI 旨在彻底改变公司寻找和招聘人才的方式。虽然仍然存在挑战，但人工智能在人才招聘中的潜在好处是巨大的，并且 X0PA AI 已做好充分准备，可以在这个不断发展的领域中发挥领导作用。

https://www.media-outreach.com/news/singapore/2025/02/12/360439/x0pa-ai-launches-revolutionary-agentic-ai-suite-for-talent-acquisition/

关于追问nextquestion

天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。如果您有进一步想要讨论的内容，欢迎评论区留言，或添加小助手微信questionlab，加入社群与我们互动。

关于天桥脑科学研究院

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。

Chen Institute与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了加州理工天桥神经科学研究院。

Chen Institute建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、等。