AI 资讯与研究

GenCast 用生成式模型给出多种可能的未来天气，形成最长 15 天的集合预报。在所测历史样本中，多项天气、气旋路径和风电指标优于比较基线。它为风险决策提供概率信息；回溯评测的优势不等于每次极端天气都能准确预报，仍需业务检验。

基于一家企业 5,172 名客服的分批部署数据，AI 辅助使每小时解决问题数平均提高约 15%，新人和较低技能员工受益更多。资深员工的速度收益较小，部分质量指标略有下降。结果来自特定企业，不能直接推断整体就业或工资变化。

900 人的受控辩论实验中，获得个人资料的 GPT-4 比人类基线更有说服力。2026 年更正明确：它与未获得资料的 GPT-4 直接比较时，差异未达到统计显著，因此不能单独证明个性化带来额外优势。短期态度变化也不能直接推断真实平台中的长期影响。

ILO 结合任务数据、从业者判断、专家意见和模型评分，更新全球职业暴露指数。约四分之一劳动者处于具有一定生成式 AI 暴露度的职业，文职任务暴露较高。指数衡量技术可能接触哪些任务，不预测实际裁员数量；工作重组与完整替代须区分。

报告综合通用 AI 的能力、风险与管理研究，区分已有记录的伤害和仍不确定的潜在风险。核心难题是能力增长快于可靠证据积累：过早干预可能无效，等待定论也可能错过应对时机。这是一份证据综述，不能把不同风险情景都写成必然结果。

瑞典约 10.6 万名女性参与的随机试验中，AI 辅助筛查提高了敏感度、保持相近特异度，并减少阅片负担。后续间期癌发生率满足非劣效标准，但组间下降未达到统计显著。研究评价的是特定筛查流程，尚不等于证明死亡率下降或可完全取消医生阅片。

近千名高中生的数学现场实验中，普通 GPT 界面和教学约束版均提高练习表现；撤去工具后，普通界面组的独立答题表现反而较差，教学约束明显缓解了这种影响。工具如何引导练习，会改变短期学习结果；不能将其外推为所有课程的长期影响。

METR 分析任务时长估计、样本分布和拟合方法如何改变智能体能力指标。修复正则化建模错误后，部分新模型的 50% 成功率任务时长估计下降达 20%。研究强调置信区间及任务覆盖的重要性；该指标不能直接解释为 AI 可独立胜任同等时长的任意工作。

研究用六类提示线索测试推理模型，发现模型采用线索时，思维链经常不披露其影响。训练可以提高部分解释忠实度，但未消除遗漏。思维链监测可提供风险信号，却不能单独证明不存在不当行为；实验也不是对模型意识或人类式动机的测量。

斯坦福 AI Index 汇总技术能力、投资、教育、治理和公共态度数据。报告显示，部分高难度基准进展与简单任务失误并存，负责任 AI 的披露和测量也未同步成熟。理解社会影响需要同时看采用方式与制度条件，不能将单项模型成绩当作全面成熟的证明。