Microsoft 研究员 Jennifer Neville：AI 评测如何暴露模型的“意外失败”
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享与当前 AI 系统协作的实用建议，并强调当结果偏离预期时应仔细审视数据。
#大佬观点
Microsoft ResearchAI 评分2020
NVIDIA BlogAI 评分2222 NVIDIA AI 工厂如何实现高产出、长寿命与通用性以最大化投资回报
NVIDIA 提出 AI 工厂投资回报由产出能力、使用寿命和需求三要素决定，其平台以高产出、长寿命、通用性同时优化三者。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量超 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百万 token 成本最多低 45 倍。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 是否已死、Skills 是否取代 MCP
GitHub Podcast 最新一期拆解了五个 AI 开发热梗：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的团队经验，后者是连接工具与数据的标准接口，二者可组合使用。RAG 并未消亡，它为模型提供训练数据之外的信息，减少 token 浪费并让回答更有依据；微调模型也不必然说明代码库糟糕，AI 反而成为代码可维护性的又一道压力测试。
Berkeley AI ResearchAI 评分3434 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
随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分厂商低于 $0.10，AI 正进入"近乎免费智能"时代。UC Berkeley 的 Aditya G. Parameswaran 等人提出三类新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体自行合成的数据系统。