深度学习

2026 年， AI 领域最热的词汇已经从"大模型"悄然转向"AI 智能体"（ AI Agent ）。当 ChatGPT 等对话系统还在回答用户一个问题时，下一代 AI 系统已经开始自主规划、调用工具、分解任务并执行业务流程——在没有人全程监督的情况下。这种从"被动回答"到"主动行动"的跨越，正在深刻改变金融市场的运行逻辑。 一篇最新发表于 arXiv 的论文（ 2603.13942 ）系统探讨了 AI 智能体在金融领域的架构、应用与系统性影响。论文的核心贡献在于提出了Agentic Financial Market Model （ AFMM ）——一个分析 AI 智能体如何影响市场效率、流动性和系统性风险的 conceptual framework 。研究的背景耐人寻味：论文的实证部分基于 Anthropic …
阅读更多

当多个 AI 智能体竞争同一个资源时，“轮流"真的公平吗？ 这个问题听起来简单，但如果你认真思考，会发现它出奇地复杂。在传统的静态公平分配中，我们只需要在某一时刻决定谁得到什么。但在真实的多次交互场景中，智能体们在多个回合中反复竞争同一个资源——这时"公平"意味着什么？ 一篇来自塞萨洛尼基大学的研究论文，对这个问题给出了系统性的答案。更重要的是，它发现了一个令人不安的事实：当前主流的 Q 学习智能体，在时序公平分配任务中表现竟然比随机策略还要差。 从"一次性分配"到"时序公平” 传统的公平分配研究，集中在"一次性"场景：给定一组物品和一组智能体，一次性地决定分配方案。这方面的经典概念包括： envy-freeness （无嫉妒）：没有人认为自己得到的比别人的差 …
阅读更多

AI如何点燃可控核聚变之光 核聚变——利用氢原子核融合释放能量的过程——被科学家视为人类最终的清洁能源梦想。与核裂变不同，聚变反应几乎不产生高放射性核废料，燃料（氢的同位素氘和氚）可以从海水中提取，理论上足以为人类提供数百万年的清洁能源。然而，实现可控核聚变的难度远超多数人的想象。一个核心挑战在于：没有任何材料能够长期承受聚变反应堆内部极端的温度、辐射和中子轰击。 最近，一篇发表于arXiv的Perspective论文（2603.25777）系统梳理了人工智能在可控核聚变领域的应用现状、挑战与机遇。这篇由学术界和工业界联合撰写的文章源于2025年4月《经济学人》FusionFest圆桌会议的讨论，汇集了29位来自英国原子能管理局（UKAEA）、科技设施委员会（STFC）及多家企业和初创公司的代表观点。论文的核心结论是：AI或许不是解决聚变所有问题的灵丹妙药，但在材料开发、实时控制、数字孪生 …
阅读更多

当我们需要在一段几小时长的视频中寻找某个关键证据时，人类的做法是什么？ 通常是先快速扫一遍，找到可疑的片段，然后仔细查看那些片段，再根据发现的新线索调整搜索方向——这是一个迭代的、交错的"线索寻求"过程。 但现有的多模态大语言模型（ MLLM ）处理长视频的方式却完全不同：它们通常对整个视频进行均匀采样，然后单次推理就给出答案。这种方式有两个明显的缺陷： 注意力分散：推理过程和工具调用混在一起，导致模型难以集中注意力 上下文效率低：冗余的视觉内容占据了大量上下文，而真正关键的线索反而被淹没 Video-o3 要解决的，正是这两个问题。 核心创新：原生交错工具调用 Video-o3 的核心思想是让模型能够迭代式地发现显著视觉线索、细粒度检查关键片段、并在获得足够证据时自适应终止。 这听起来很像人类的信息 seeking 行为。而实现这一点的关键技术有两个： 1. 任务解耦 …
阅读更多

2026 年的 AI agent ，已经能在棋盘上击败人类冠军、在代码库里修复 bug 、在谈判桌上碾压对手。但让一个机器人在房间里走三圈，问它"刚才沙发左边那幅画下面压着什么"—它会茫然四顾。 这并非因为它的视觉能力不够强。问题在于：它没有记忆。 华东师范大学与上海 AI 实验室的研究团队最近抛出一个让整个 embodied AI 社区坐立难安的问题：为什么我们的机器人能完成千般任务，却记不住自己刚才在哪？ 9000 个目标与 9286 个问题 他们扔出的 benchmark 叫 LMEE-Bench ，数据量足以让任何研究者头皮发麻：9000+个导航目标、 9286 个记忆问答、 1982 条完整轨迹。这是什么概念？相当于让一个机器人在同一个房子里逛 9000 次，然后回答 9286 个关于"你见过什么、在哪见过、当时在干什么"的问题。 这近乎残 …
阅读更多

一份横跨5年、涵盖57项研究的系统综述，撕开了金融欺诈检测领域最不愿面对的真相：深度学习在论文里所向披靡，在真实战场上却问题重重。 全球每年因欺诈损失的资金高达数万亿美元——这个数字大到普通人根本没有概念。传统检测方法（人工审核、规则引擎）早已被海量的数字交易淹没，而深度学习被寄予厚望，仿佛是一剂万能解药。 但一篇最新系统综述（2502.00201）用数据说话，给整个行业泼了一盆冷水：深度学习在欺诈检测领域的表现，远没有宣传的那么光鲜。 数据揭示的残酷现实：信用卡欺诈研究"内卷"成灾 这篇综述分析了2019-2024年间57项经过同行评审的研究，发现了一个令人不安的分布失衡：信用卡、银行和保险欺诈检测占据了绝对主导地位，而加密货币欺诈、税务欺诈、洗钱检测等领域几乎无人问津。 这种"研究内卷"不是偶然的。信用卡欺诈有现成的数据集，银行和保险欺诈有明确的 …
阅读更多

当科学家们还在用传统统计学方法勉强拼凑基因组、转录组、蛋白质组的数据碎片时，深度生成模型已经悄悄撕开了这个领域最丑陋的伤疤。 你有没有想过，为什么同样的癌症，有的患者存活率极高，有的却迅速恶化？答案可能藏在那些被传统方法严重低估的多组学数据里——基因组、表观基因组、转录组、蛋白质组、代谢组……每一个都是生命密码的一个维度，而医学界长期以来只能用盲人摸象的方式解读它们。 最近一篇发表在arXiv上的技术综述（2501.17729）揭开了一个令学界不安的事实：多组学数据整合的革命，不是即将到来，而是正在发生——而大多数研究者还没准备好。 被"维度诅咒"封印了几十年的生命科学 多组学研究的潜力是惊人的。TCGA、ICGC、ProCan等 consortiums 已经积累了海量数据，理论上足以揭示癌症的分子机制、发现新药靶点、识别生物标志物。但现实是，这些数据在绝大多数机构里处 …
阅读更多