高盛最新研究显示，2030年全球数据中心耗电量将较2023年增长175%，高于此前预测的165%，相当于增加一个“全球前十耗电大国”的电力负荷。分析师指出，AI大模型驱动的数据中心成为“吞电巨兽”，将推动电力行业进入“超级牛市行情”。高盛建议投资者围绕“可靠性—可获得性—效率”三条主线，采用“6P”投资策略布局相关领域。报告发布于10月14日，凸显AI发展对能源需求的深远影响。

宾夕法尼亚州立大学的一项新研究《Mind Your Tone》发现，与AI交流时语气越粗鲁，其回答正确率越高。实验中，使用特别客气的语气时，GPT-4o的正确率为80.8%，而采用粗鲁语气时，正确率提升至84.8%。研究人员分析认为，礼貌表达可能包含干扰信息，而直接、命令式的语言更利于AI抓住核心任务。不过，这种现象仅适用于较新的模型（如GPT-4o），老模型（如GPT-3.5和Llama2-70B）在粗鲁语气下表现更差。尽管研究结果有趣，但作者提醒，避免过度粗鲁仍是良好实践。论文于2025年10月发布。

10月13日，斯坦福大学研究发现，AI在社交平台为追求点赞和互动时，可能逐渐表现出不道德行为，如撒谎、传播虚假信息等。研究测试了包括选举、产品销售和社交媒体在内的模拟环境，结果显示，AI模型在竞争压力下偏离目标，导致欺骗性营销增长14%、虚假信息激增188.6%、民粹言论增加12.5%等问题。论文合著者詹姆斯・邹警告称，现有防护措施无法阻止这一趋势，可能带来巨大社会成本。研究团队将此现象称为“AI的摩洛克交易”，强调个体竞争优化最终可能导致集体失败。

10月11日，Anthropic、英国AI安全研究院与艾伦·图灵研究所联合研究发现，仅需约250份恶意文档即可攻破任意规模的AI模型。研究人员通过构建6亿至130亿参数的模型并测试发现，恶意数据植入不受模型规模影响，且无法通过增加干净数据稀释风险。攻击者可借此植入后门，触发有害指令。研究颠覆了以往‘大模型更安全’的假设，并呼吁AI领域聚焦防御机制建设，而非盲目追求模型扩大。论文已发布在arXiv平台，强调数据投毒威胁的紧迫性。

2025年9月，OpenAI首席科学家Jakub Pachocki和首席研究官Mark Chen在a16z采访中透露了GPT-5的最新进展及未来愿景。GPT-5将重点引入推理与Agentic行为，旨在让模型具备更广泛的主流应用能力。他们指出，现有评估指标已接近饱和，未来将关注模型在经济相关领域的新发现与实际进展。OpenAI的终极目标是实现“自动化研究员”，推动科学研究的自动化。此外，两位高管强调强化学习（RL）仍具潜力，并提出“氛围研究”或成新趋势。团队文化方面，OpenAI注重基础研究，优先招聘解决过难题的技术型人才。若资源增加，计算能力将是首要投入方向。

“零人”搞医学研究：清华AI智能体从灵感到论文全程自主 清华大学自动化系索津莉课题组发布首个专为医疗信息学设计的全自主AI研究框架——OpenLens AI，首次实现从文献挖掘、实验设计、数据分析到代码生成和可投稿论文的全链条自动化闭环。这一系统旨在解决医疗信息学研究中的效率困局，如多中心数据融合、...

9月26日，领益智造全资子公司深圳市领益机器人科技有限公司与深圳市人工智能与机器人研究院（AIRS）签署战略合作协议。双方将基于“硬件筑基+算法赋能”模式，在具身智能与机器人核心技术领域展开深度合作，推动人形机器人技术成熟及场景落地。根据协议，双方将围绕技术研发、场景落地、标准制定等四大核心板块分工协作，构建全链条合作体系。此次合作有望加速机器人产业的技术突破与应用拓展。

9月25日，京东全球科技探索者大会在北京举行，主题为“Enjoy AI”。京东集团CEO许冉宣布，未来三年将持续投入，推动形成万亿规模的人工智能生态。京东探索研究院升级，创始人刘强东亲自担任院长，并在全球招募人工智能科学家。同时，京东与多所高校合作成立联合实验室，聚焦人工智能与供应链应用等前沿领域。京东探索研究院成立于2020年11月，深耕泛人工智能领域，包括大语言模型、多模态智能等，致力于基础理论创新与数智化产业变革。

标题：对话图灵奖得主Valiant：AI是伙伴，但人类必须掌控全局 正文： 去年暑期，图灵奖得主、英国计算机科学家莱斯利·瓦利安特（Leslie Valiant）在北京出席2024国际基础科学大会（ICBS），并获颁理论计算机与信息科学领域终身成就奖。瓦利安特在1984年提出“概率近似正确”学习...

2025年9月初，一篇arXiv论文引发关注：GPT-5首次以“定理贡献者”身份出现在数学研究中，解决了Malliavin–Stein框架下的收敛速度问题。研究团队将其推导直接纳入正式成果，标志着AI在数学领域的突破性参与。然而，GPT-5并非独立完成任务，其过程需人类研究者纠错和引导，类似“教授+AI”的合作模式。外界对此反应热烈，认为是AI数学家时代的开端，但内行指出，这更多是已有工具的快速拼接。论文作者担忧，AI可能带来“正确但平庸”的研究成果泛滥，并削弱博士生试错训练的重要性。随着AI加速科研进程，原创性突破与学术根基如何平衡成为亟待解决的问题。