Jennifer Neville 谈 AI 的错误与失败带来的启示
Microsoft Research Podcast 邀请 Jennifer Neville 讨论如何通过贴近真实使用场景的评估，发现 AI 在多轮对话和复杂工作流中的失败。她指出，模型在多轮交互中的表现会显著下降，长时任务中未及时发现的错误还会累积，因此用户应核验结果、尝试改写提问，并向系统提供更具体的反馈。
推荐理由：访谈把多轮对话、长时工作流中的失败模式与评估方法联系起来，并给出在监督和核验下使用当前 AI 的具体建议。
Microsoft Research精选AI 评分6363
Berkeley AI Research精选AI 评分6262 智能近乎免费后怎么办？面向、支撑和由智能体构建的数据系统
Berkeley AI Research 的这篇观点文章认为，近乎零成本的模型推理将带来三类数据系统挑战：面向智能体优化、支撑多智能体群体运行，以及由智能体按工作负载合成定制数据系统。
推荐理由：文章将近零推理成本带来的变化拆分为面向智能体、支撑智能体群体以及由智能体构建数据系统三条研究主线。
已经到底了