AI 为何突然擅长数学证明：从提示序列与分支因子看模型解题方式
作者分析 OpenAI 与 Anthropic 今年在数学开放问题上的多项成果，提出用提示序列长度 k 与分支因子 b 判断哪些问题对 LLM 可解。他认为人类广度优先、靠直觉剪枝，模型深度优先、靠验证器剪掉已完成路径，失败尝试会作为负向提示进入下一轮。Navier-Stokes 证明据称动用 10000 个智能体、88 小时消耗 300B token。
#数据/训练
Latent SpaceAI 评分7575
Latent SpaceAI 评分2020 Moshi CEO Anekha Sokhal 谈从能源衍生品交易员到 AI 创业：AI 要贴合交易员真实工作流
Moshi CEO Anekha Sokhal 在 AI Engineer New York 播客中讲述从数学、JPMorgan 能源衍生品交易到创业的路径，以及 Moshi 如何为交易员做市场信息推荐引擎。
MIT Technology Review · AIAI 评分2222 AI 推理的隐性存储账单：模型响应后留下了什么
WD 内部测量显示，一段 8 秒 AI 视频（用户拿到的是 3.97MB 720p 文件）在后端留下超过 500MB 关联数据，是输出文件体积的 130 倍。WD 委托 IDC 对 763 名 IT 与业务决策者的调查中，近 95% 称过去 12 个月生成式 AI 导致数据量增长，约 61% 增幅达 25% 以上。
MIT Technology Review · AIAI 评分1818 企业 AI 的新经济学：HPE 谈如何衡量 AI 的有效成本
HPE 提出企业 AI 应从"每个 token 或 GPU 小时多少钱"转向"每个有用产出的有效成本"，即完成可用工作所需的平台、模型、运维与算力总成本。企业可选自建栈、按需消费或集成私有 AI 平台三条路径，HPE Private Cloud AI 将调度、模型选择、GPU 切分与缓存管理作为运营杠杆，并附 90 天前驻工程师服务。
MIT Technology Review · AIAI 评分2020 TripleTen 调查：各行业 AI 采用率差异揭示其他行业可借鉴的路径
TripleTen 2026 年调查显示，科技业领跑 AI 采用，金融业次之——48% 的金融从业者被要求使用 AI 聊天机器人、32% 被要求自动化部分工作流，医疗（18%）与教育（25%）则明显更低。79% 的受访者被要求学习至少一项新技能，但仅 30% 的管理者认为判断 AI 输出对错是必备能力。员工主导的 AI 创新中 88% 成为公司标准做法。
Berkeley AI ResearchAI 评分3838 智能免费之后怎么办？面向智能体、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本已从 GPT-4 级约 $30/百万 token 降至不到 $1，部分厂商低于 $0.10，年降幅中位数约 50x，数据系统需围绕智能体重构。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI 研究团队综述了并行推理领域进展，重点分析自适应并行推理——让模型自行决定何时分解并并行化子任务、开启多少并发线程以及如何协调。文章对比了 self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!