Google 与 BIDMC 合作完成前瞻性临床研究，验证对话式医疗 AI 系统 AMIE 在门诊初级保健就诊前采集病史的安全性与可行性。在对 100 名患者的测试中，医生实时监督下未触发任何安全终止事件，盲审评估显示 AMIE 的鉴别诊断质量与全科医生相当，90% 病例的前 7 项鉴别诊断命中 8 周后的最终确诊结果。
推荐理由：该研究将对话式医疗 AI 从模拟环境推进到真实门诊预诊流程，在人工监督下验证了病史采集的安全性和鉴别诊断表现。
BAIR 提出一种基于互信息评估与优化成像系统设计的框架，仅利用含噪测量值和噪声物理模型即可直接量化硬件的信息量。该成果在 NeurIPS 2025 发表，并在彩色摄影、射电天文学、无透镜成像和显微镜四个领域验证了对下游性能的预测能力。其实验优化效果媲美 SOTA 端到端方法，且所需内存和算力更少，无需针对特定任务设计解码器。
Berkeley AI Research 提出一种基于分治法（divide and conquer）的强化学习算法，无需传统时间差分（TD）学习即可有效扩展至长视野任务。该方法通过将轨迹二分并结合其价值进行更新，理论上将 Bellman 递归次数对数级缩减，并在目标条件强化学习（goal-conditioned RL）任务中解决了自举误差累积难题。
伯克利 AI 研究提出一套定量理论，证明 word2vec 在随机初始化且初始权重趋近于零的训练条件下，其学习问题可化简为非加权最小二乘矩阵分解，梯度流动态有闭式解，最终学到的表示就是 PCA。该理论给出特征向量的闭式表达式，仅由语料共现统计与超参数决定，并按序逐步提升嵌入矩阵的秩，每一步对应一个可解释的主题级概念。
Mistral AI 联合法国生态转型署等机构发布了首个大语言模型全生命周期环境评估报告，量化了开发与使用 AI 的环境足迹。