针对企业 AI 智能体共享记忆的两类未被处理的风险——通过请求者本无法推导的合法计算结果泄露敏感数据，以及部门以冲突逻辑静默计算同名 KPI——作者提出 Analytical Memory Unit（AMU）记忆模式：为每条缓存结果附加完整推导（血缘）图，检索策略仅在请求者对所涉每个列都有权限时才返回命中。在血缘记录完整的前提下，该策略以构造方式证明可阻断越权检索敏感列派生结果，最坏复杂度为 O(n)；这是有条件的设计保证，而非实证主张。实测消除泄露需要 75–90% 的血缘完整度，故将 90% 作为保守部署目标。六组实验显示，血缘门控检索消除了朴素内容门控记忆 18.8–25.5% 的跨部门泄露，同时保留 81.5–82.6% 的记忆复用，最坏开销 13.8 微秒。基于 LLM 生成 SQL 的真实智能体概念验证与该保证一致：9 次往返零泄露、自动发现两处冲突，但仅为可行性演示，不构成生产可用性证据。
MIT计算机科学与人工智能实验室（CSAIL）研究人员提出“归因衰减”现象：训练数据规模越大，单个训练样本对特定生成输出的影响越小。在规模足够大时，他们发现，常可移除训练数据中的任意单张图像、某位艺术家的全部图像，或某个人的全部照片，而生成样本不会明显变化。研究者据此认为，若移除某项数据后输出不变，就不能说该输出可归因于这项数据。第一作者、前MIT CSAIL研究人员Zheng Dai表示，如果逐一移除其他数据后输出也不变，那么把输出归因于其中任何一项都说不通。文中举例的模型使用744位艺术家的公有领域作品训练；相关争论涉及诉讼、许可协议和拟议监管，艺术家想要署名，公司想要清晰规则，政策制定者想要明确责任。
《Nature Computational Science》于2026年8月28日在线发表的一项研究显示，在一场大型机器学习会议上开展的大规模实验中，研究人员在私下对各自投稿进行排名时给出的排序，预测论文未来被引用次数的可靠程度，高于同行评审环节给出的分数。换句话说，作者私下的自评排名比同行评审得分更能预示论文日后获得的引用。（doi:10.1038/s43588-026-01046-1）
Finch提出一种预测化学物质及其混合物毒性剂量反应曲线的新工作流，将基于分子描述符的框架与深度学习嵌入整合进多任务定量构效关系（QSAR）模型。深度学习嵌入通过把分子描述符、理化性质及来自SMILES的大语言模型嵌入等多样输入的关键特征蒸馏到隐空间，提升机器学习预测能力；多任务学习同时优化多个损失函数，利用全部现有数据学习泛化表征，从而有效建模混合物中复杂成分间的相互作用。作者称其为监管安全评估的重要进展。
BioFirewall 是一种规则治理中间件，在基因组书写设计阶段拦截编辑计划，沿载荷、基因座、编辑类型、生殖系和规模五个危害轴返回允许/标记审查/拒绝，并附引用证据、签名护照、防篡改审计日志和分级访问。在由独立 oracle 评分的去循环化安全替身基准上，功能感知载荷分类器在 1% 假阳性率下真阳性率为 0.72（95% CI 0.43–0.89）；前沿和开放权重语言模型裁判不能可靠筛查。提示注入使开放权重裁判在每通道 6 次试验中分别有 3 次和 5 次翻转为允许，确定性筛查不变。288 个来自三个模板的合法计划无一被拒，误拒率 95% 上限为 0.0103；会话监视器拦截跨调用分解攻击。在留出基因集上，基因座轴富集体内插入性肿瘤发生驱动因素（AUROC 0.605；比值比 3.34）。设计阶段治理可行；BioFirewall 已开源。
同行评审旨在确保学术论文事实正确并识别具有高科学潜力的研究，但投稿量快速增长使这一工作愈发困难。研究者基于博弈论推理，在一场顶尖人工智能（AI）会议上开展历时一年以上的大规模实验，考察作者对自己投稿的排序能否识别高影响力论文。结果显示，作者自我排名最高的论文获得的引用次数是其排名最低论文的两倍；自我排名尤其有助于识别高被引论文，且预测未来引用次数的表现优于同行评审评分。这表明，自我排名可以补充同行评审，用于识别高影响力的AI研究。
长期机器人操作需要可靠地执行单个技能并连贯地组合它们。大多数层级视觉-语言-动作（VLA）模型通过单次前向传递做出决策，无法为困难选择分配额外计算。我们提出τ_0-VLA，一种层级机器人基础模型，通过世界模型引导的测试时计算，将高层子任务生成视为可扩展计算量的推理问题。在每一步，高层策略利用执行记忆生成子任务，必要时搜索替代方案；低层策略跨多种机器人形态执行任务。该策略在40,115小时异构真实世界数据上进行了多模态联合训练。在领域内和分布外设置中，增加测试时计算显著提高下一子任务预测准确性，并提升长期操作任务的闭环成功率。
具身智能体虽被广泛用于弥补端到端策略模型的不足，但现有操控框架多为开环，只能在回合结束后反思，无法实时应对物理交互。我们提出Zetta，一种闭环具身操控框架，在保持基础策略冻结的同时，在线进化基于代码的运行时批评者和恢复技能。通过三个时间尺度的循环，Zetta实现了动作频率治理、回合计批评-恢复提议以及验证门控的技能更新。结合Z-Infra基础设施，Zetta在LIBERO-Pro和RoboCasa上达到最先进成功率（90.8%和93.6%），推理速度提升11.1倍；成功率随自探索经验持续提升，技能可零样本迁移，并出现清晰的机器人“顿悟时刻”。结果表明，闭环操控自进化可为可靠的物理智能开辟扩展路径。
动作条件视频世界模型需要低延迟因果生成，但对交互式模型的少步合成仍有挑战。ForgeWM通过域自适应、教师强制因果训练、因果一致性蒸馏及与双向教师的在线分布匹配，将双向生成器转化为高效少步世界模型，学生模型在1、2、4步去噪预算下运行。在配对Minecraft轨迹上，ForgeWM在成像质量、参考对齐运动一致性、动作信号和鼠标控制准确性上领先，并取得最低参考LPIPS；该四阶段方案也适用于游戏手柄控制的FPS。回放时细化可匹配四步参考质量，且比从噪声重新生成更接近真实轨迹约三倍。
谷歌在2026年DOE Genesis Mission峰会上宣布扩大对白宫Genesis Mission的支持，承诺提供4000万美元的AI代金券和云信用额度。该计划旨在利用前沿AI加速美国科学发现，使其在十年内翻倍。具体包括：向DOE的Genesis Mission获奖者提供谷歌DeepMind的前沿AI工具，如AlphaEvolve、AlphaFold 3、AlphaGenome、WeatherNext和AlphaEarth Foundations；并向DOE国家实验室的运营、研究和管理团队的数万名用户提供为期一年的Gemini for Government席位和代金券。此前，谷歌DeepMind已宣布向所有17个DOE国家实验室提供早期访问计划。
过去一年，AI 智能体改变了编程的含义，科学研究可能成为下一个被改变的领域。Google DeepMind 与 10 位研究员和工程师对谈，探讨接下来会发生什么；最迫切的问题是如何验证即将到来的 AI 生成想法，并让科学家用上智能体、让数据集适配智能体、让同行评议维持运转。帝国理工学院微生物学家 José Penadés 团队花了近十年研究一族超级细菌如何传播抗生素耐药性，成果未发表。2024 年他将问题交给 Google DeepMind 的 Co-Scientist，两天内得到 5 个按优先级排序的解释，排第一的正是其团队苦心证明的假说：某些超级细菌从病毒处获得尾巴，当作“钥匙”跨越宿主物种。他一度怀疑电脑被入侵，写信给 Google 核实，确认没有“偷看”。