跳到正文
目前篩選:一手
11月12日週四
  1. AWS Machine Learning Blog68

    OpenAI Codex 接入 Amazon Bedrock 的企業部署指南

    AWS Machine Learning Blog 説明如何讓 OpenAI Codex 透過 Amazon Bedrock 使用受支援的 OpenAI 模型,並納入既有 AWS 身份、IAM、區域及可觀測性安排。

    推薦理由:文章比較 Native AWS Access、AgentCore Gateway 與 LLM Gateway 三種接入路徑,並整理身份隔離、遙測、成本歸因及回滾等試點檢查,為企業分階段部署提供具體依據。

  2. AWS Machine Learning Blog42

    AWS re:Invent 2026 AI/ML 專題參會指南

    AWS re:Invent 2026 的 AI/ML 專題設有逾 140 場課程,指南協助參加者按 AWS AI 技術堆疊挑選合適場次。專題涵蓋 AI 晶片、模型訓練與推理、智能體開發與管理,並涉及安全、治理及成本最佳化;活動於 11 月 30 日至 12 月 4 日舉行。

  3. Google Research51

    Google Research 提出以穿戴式數據進行 CKM 風險分層的個人化健康指導框架

    Google Research 提出研究框架,利用穿戴式數據評估心血管—腎臟—代謝(CKM)健康風險,並提供個人化生活習慣指導。其中的 SensorWM 以 2.28 million person-weeks 的 Fitbit 數據訓練,根據兩週基線資料預測 20 項生理指標未來 12 週的變化,再由語言模型智能體生成指導方案。

  4. AWS Machine Learning Blog57

    AWS 介紹可重用資產如何加快生成式 AI 交付

    AWS 介紹其自 2023 年起發布的 23 個開源生成式 AI 可重用資產,並示範如何選用、評估及部署 Contact Center GenAI Agent。示範流程包括部署兩個 AWS CloudFormation 範本及整合 Amazon Connect,需時不到一小時。Ricoh 案例中,每次部署的工程工時由 80 小時降至不足 5 小時。

  5. AWS Machine Learning Blog63

    UAEF:用於 AI 智能體閉環評估的跨框架系統

    AWS 介紹開源的 UAEF,這套跨框架評估系統將不同框架的 AI 智能體執行軌跡轉為統一格式,並以 36 項內置指標評估 7 個品質維度。

    推薦理由:文章把跨框架軌跡標準化、指標評估、基線比較和資料集準備串成一套流程,並提供各支援框架的可執行 notebooks,呈現 UAEF 的實際使用路徑。

  6. AWS Machine Learning Blog56

    AWS Quick 以 AI-PDLC 加快產品開發流程

    AWS Machine Learning Blog 示範如何在 AWS Quick 配置六個智能體組成的 AI-PDLC,帶領產品團隊由分散的客戶訊號走到經驗驗證的原型。流程涵蓋探索、決策、設計和原型製作,產出痛點板、優先級評分、PR/FAQ、可供工程開發的規格及可點擊 HTML 原型。Orchestrator 協調各專責智能體,並在每個階段要求人工審批,保留決策與來源脈絡。

11月11日週三
  1. Google DeepMind69

    Google DeepMind 發佈 AlphaGenome 2,預測 DNA 變異對特定人類細胞類型的影響

    Google DeepMind 發佈 AlphaGenome 2,預測 DNA 序列及其變異對特定人類細胞類型的影響,連接單細胞生物學與人類遺傳學。模型以來自 68 種組織、超過 1.07 億個細胞的單細胞資料訓練,可按指定細胞類型或狀態預測基因表達等讀數,並新增 DNA 甲基化預測。

    推薦理由:AlphaGenome 2 在 TenK10K 數據集上將因果變異識別率由 16% 提升至 30%,呈現其針對特定免疫細胞解析變異效應的改進。

  2. 香港生產力促進局 · AI 應用40

    生產力局及香港網絡安全事故協調中心與私隱專員公署及香港國際數據私隱學院簽署諒解備忘錄,加強私隱、數據安全及 AI 保障協作

    香港生產力促進局及香港網絡安全事故協調中心與私隱專員公署及香港國際數據私隱學院簽署諒解備忘錄,加強個人資料私隱、數據安全、網絡安全及 AI 私隱保障方面的合作。合作推出三場免費培訓講座,對象為中小企及非牟利機構,內容涵蓋網絡攻擊防範、AI 時代的私隱保障及資料外洩事故應變。私隱專員公署委託生產力局進行「香港人工智能及數據私隱調查2026」,結果預計於年底公佈。

  3. OpenAI News51

    新加坡航空以 OpenAI 技術改善客戶服務、旅遊探索及員工工作流程

    新加坡航空在客戶服務、旅遊探索及員工工作流程中採用 OpenAI API 和模型,Kris 聊天機械人的客戶滿意度提升至原來的 2 倍。客服平均處理時間減少約 10%,Flight Recommender 過去一年每月用戶增至近 3 倍;部分軟件開發生命週期活動的生產力提升最高達 20%。超過 60% 的員工每月使用由 OpenAI 模型支援的內部平台 Jarvis。

  4. Hugging Face Blog61

    Tether AI Research 介紹 BotPsy:0.8B 參數端側個人助理智能體模型

    Tether AI Research 介紹 BotPsy,一款基於 Qwen3.5-0.8B、面向工具調用和智能體工作流的 0.8B 參數端側個人助理模型。在六項工具使用及智能體基準中,它勝過所有受測 ≤1.2B 模型,並在五項基準高於 2.5 倍大小的 Qwen3.5-2B-Think;Claw-Eval 則由後者領先。

    推薦理由:文章以六項工具使用基準比較 BotPsy 與同級及較大模型,並列出多輪任務、推理效率和安全限制,呈現小型端側智能體的能力範圍。

  5. 中大新聞中心 · AI 研究及應用46

    香港中文大學領導的大灣區研究團隊開發物理約束 AI 框架,設計超韌輕質超材料

    香港中文大學領導的研究團隊結合統計物理與 AI,開發受物理定律約束的設計框架,利用無序結構設計輕質超材料。團隊以高精度 3D 列印製作並測試材料,發現其能量吸收能力和斷裂韌性均有所提升。研究成果為輕質防護結構及汽車吸能部件的開發開拓新方向。

  6. AWS Machine Learning Blog70

    如何用 LangGraph 和 Amazon Bedrock AgentCore Web Search 建立每日依賴項監測器

    AWS 示範以 LangGraph 和 Amazon Bedrock AgentCore Web Search 建立每日依賴項監測器,平行檢查 npm、PyPI 和容器基礎映像的安全更新。

    推薦理由:文章以每日依賴項監測示範如何把日期、來源限制和搜尋預算固定在程式中,再核對引用證據,提供一套可遷移到智能體搜尋流程的實作思路。

  7. AWS Machine Learning Blog62

    Amazon Bedrock AgentCore Evaluations 智能體評估指南:內建、DeepEval 與 AutoEval 評估器的使用方法

    AWS 介紹如何在 Amazon Bedrock AgentCore Evaluations 中,運用內建、DeepEval 與 AutoEval 評估器評估生產環境中的智能體表現。文章建議先定義業務成功條件,再拆解成可觀察行為,按 trace 或 session 層級選擇評估器。AgentCore 支援按需、線上及批次評估,三種模式使用相同評估器 ID,從開發測試切換至線上評估只需更改設定。

    推薦理由:文章示範由業務結果拆解可觀察行為,再選擇 trace 或 session 評估器,並説明如何按需求組合內建、DeepEval 與 AutoEval 指標。

  8. Microsoft Research69

    Lazarus:重編程休眠神經元,為 AI 智能體植入後門

    Microsoft 研究人員發現名為 Lazarus 的後門技術,無需訓練,只要改寫 LLM 中少於 10 個休眠神經元的權重,便可令基於該模型的 AI 智能體在隱藏觸發條件出現時執行惡意命令。

    推薦理由:研究展示少於 10 個休眠神經元即可植入後門,並説明模型來源追溯及權重完整性為何成為智能體安全防護的關鍵。

  9. AWS Machine Learning Blog43

    Trovata 如何在 Amazon Bedrock 和 AgentCore 上構建自主財資智能體

    Trovata 在 Amazon Bedrock 和 Amazon Bedrock AgentCore 上構建自主財資智能體,將財資作業轉為可持續執行的工作流程。智能體可按排程、觸發條件或規則監察活動、解釋差異、偵測異常及自動提供更新,並透過角色型存取控制(RBAC)在企業權限範圍內運作。用戶可透過自然語言查詢多銀行數據,系統則經 Trovata 已驗證的 API 層擷取數據並在安全環境中作答。

  10. Google DeepMind83

    Google DeepMind 開放 Gemini 4 Carbon 使用,面向複雜知識工作與科學推理

    Google DeepMind 開放 Gemini 4 Carbon,供開發者、企業、科學家及一般用戶使用,並定位為面向複雜知識工作、軟件工程及科學推理的前沿模型。

    推薦理由:文章列出 Gemini 4 Carbon 在多項工作流程基準的排名及相對成本,並交代付費開發者和企業的使用入口,呈現其產品定位與採用條件。

11月10日週二
  1. OpenAI News56

    OpenAI 與 Upwork 研究 AI 對自由工作者工作的影響

    OpenAI 與 Upwork 的研究指出,AI 可能正在改變自由工作者的服務需求與項目範圍,AI 相關項目亦涉及更大固定價格預算和更多工時。研究分析 63 個工作類別,其中 43 個類別呈現 ChatGPT 使用佔比較高、Upwork 職缺佔比下滑的模式。AI 相關職缺的工作組合多樣性由 2023 年初至 2025 年末增加 45%;這些項目的固定價格預算較高、工時較多,而刊登時薪相近。

  2. Hugging Face Blog64

    Hugging Face 生態系如何支援決策模型

    Hugging Face 將決策模型支援整合至 Transformers,並以共通介面讓模型根據狀態、問題及允許答案輸出結構化決策和機率。

    推薦理由:文章比較決策模型與傳統分類、零樣本分類的定位差異,並展示 Transformers 與 llama.cpp 如何透過共通介面處理選項、序位評分及是非判斷。

  3. Google DeepMind69

    Gemini Robotics 2.5 提升機械人在真實環境中的通用靈巧操作能力

    Google DeepMind 推出 Gemini Robotics 2.5,擴大機械人可學習的技能範圍並加快學習速度,同時提升靈巧度、可靠性及安全性。模型在逾 200 項不同任務中接受評估,按任務類型較先前基線的成功率高 30% 至 100%,完成速度快 20% 至 30%。與 Apptronik、Mercedes-Benz 在汽車生產線進行的概念驗證中,Apollo 2 的成功率為 96%。

    推薦理由:文章以逾 200 項任務的測試,以及 Mercedes-Benz 生產線試點的 96% 成功率,呈現模型在基準評估與實際操作中的表現。

  4. Google DeepMind85

    Google DeepMind 介紹 AlphaProof Code,深入形式化驗證 Signal 協議程式碼

    Google DeepMind 研究人員使用 AlphaProof Code,對 Signal 加密協議的實際編譯程式碼進行形式化驗證,證明其符合指定的關鍵安全性質。這個多 LLM 智能體框架生成超過 600 萬行 Lean 證明,並將需人工複查的範圍縮至程式碼庫的 1%;整個驗證流程歷時四週。Google DeepMind 將公開形式化驗證成果供社羣使用。

    推薦理由:文章展示 AlphaProof Code 如何把形式化驗證延伸至 Signal 實際程式碼,並以 Lean 機器檢查證明,呈現驗證協議設計與實作落差的一種方法。