【新智元導讀】ICML 2026傑出論文獎正式公佈，兩篇擴散模型論文同時登頂，而且作者裡不少華人。 ICML 2026大獎公佈來了！ ICML年度傑出論文獎和時間檢驗獎，正式公佈。 其中傑出論文共有9篇入圍，含7篇研究論文及2篇立場論文，最終優勝獎3名和榮譽提名6名；ICML時間檢驗獎花落強化學習領域，DeepMind經典巨作再封神。

根據中國科學院科技論文預發佈平台ChinaXiv最新公示論文，華為半導體負責人何庭波於7月3日發佈《面向多層級電子系統的時間縮微理論》（業內也稱“韜定律”）V2版本。 相比較5月25日發佈的V1版本，新版論文在原有理論框架基礎上，補充了大量工程落地細節、實測量化資料與產品演進路線，進一步完善了以時間常數τ為核心的後摩爾時代縮放理論體系。 在工程落地方面，V2版本深度闡釋核心技術LogicFolding的齒比（gearratio）概念，在混合鍵合間距接近頂層金屬布線尺寸時，3D設計空間從傳統的“宏塊級離散最佳化”轉向“單元級連續最佳化”，可實現全域最優的垂直邏輯劃分，突破了傳統3D堆疊僅能按功能塊分層的侷限。 V2版還新增量產實測資料表，明確給出Kirin2026與基準Kirin9030Pro的電壓、頻率、歸一化功耗、面積與功率密度參數。

一、論文核心主張 該論文由華為半導體業務負責人何庭波撰寫，提出"τ scaling（時間縮放）定律"作為摩爾定律的繼承者。核心邏輯是：將時間常數 τ（而非電晶體面積）作為從器件到資料中心全端統一的最佳化目標。 論文正式定義： 並提出廣義演進規則 ，其中 α 因應用場景而異。

用Claude Code寫論文的一整套流水線，有人打包開源出來了。 完全戳中了學生黨的痛點，github星標直達6.4k。 項目名叫academic-research-skills（以下簡稱ARS），是一套Claude Code技能包。 裡面涵蓋4個skill，分別對應論文的研究、寫作、審稿、定稿。

就在剛剛，五一休假剛結束，DeepSeek團隊悄悄更新了V4模型論文。 儘管這份論文依舊是58頁，但增加了大量13天前V4預覽版論文中沒披露的資訊。 我看完之後發現，這份“完整版”DeepSeek V4論文當中，梁文鋒藏了半年的算力底牌一次性全曝光。 以下是我總結的完整版論文的更新內容：

5月1日消息，今天AI領域的最大事件，無疑是DeepSeek刪論文的消息。昨天，DeepSeek多模態團隊負責人陳小康宣佈灰度基於多模態模型技術的“識圖模式”，以及在GitHub平台上傳了一篇長達25頁的多模態研究論文：《Thinking with Visual Primitives》（用視覺基元思考）。然而，到了今晨，陳小康的推文刪了，這篇多模態研究論文也撤了、GitHub庫也404了。在未刪除之前，我把這篇論文下載並且讀完了。我靜下心把整篇內容捋完之後，反倒有了不一樣的感受。你以為，這是簡單DeepSeek的識圖模式論文，但其實，這篇論文對應出DeepSeek揭露了行業的發展趨勢：多模態AI模型的下一階段競爭重點，可能從單純的“看得更清”轉向“思考時能精確指向”。通過將坐標嵌入思維鏈，多模態模型模仿了人類“邊指邊想”的協同機制，為解決複雜空間結構化推理提供了一條新穎路徑——最終其實也要走向世界模型。值得一提的是，就在8小時前，DeepSeek正式公佈了Agent接入指南，親手教大家接入OpenClaw、Hermes等方式，深入到Agent技術層面。所以，在我看來，DeepSeek連夜刪論文，刪除的原因不是“論文有問題”，實際可能是灰度下重新修正“識圖模式”的能力，以及這篇論文可能太超前，透露太多了。很多資料需要重新進行查驗和修正，並且有望重新上傳到arxiv上。越往後深入瞭解，越能體會到這次DeepSeek V4以及多模態新模型的含金量，也真切感覺到AI行業的技術迭代。實際上，梁文鋒一直都在悄悄提速，AI技術的真正核心突破往往都藏在這種技術論文裡。DeepSeek新論文到底講了什麼？先做總結。這篇DeepSeek已撤回的多模態研究論文《Thinking with Visual Primitives》，核心在於探討自然語言模型到視覺等多模態模型的瓶頸和變化，從而揭示DeepSeek多模態領域的新研究方向：從單純的“看得更清”，轉向“推理思考時能精確指向”。換句話說，未來模型既有AI聊天和深度研究，而且還能用AI大模型技術（非OCR）識別圖像視訊中的核心資訊。而通過將坐標嵌入思維鏈，DeepSeek的多模態模型模仿了人類“邊指邊想”的協同機制，這將解決世界模型、3D空間的結構化推理等方向。提供了一條新穎而有效的路徑。下面再基於這篇已刪新技術報告，具體看看DeepSeek、北京大學、清華大學又創造了怎樣的奇蹟。首先，大型語言模型（LLMs）與電腦視覺的融合，開啟了多模態大型語言模型時代，使其具備了複雜的場景理解能力。然而，當我們推動這些模型進行複雜的推理，當前範式的一個根本性侷限便顯現出來。儘管這些模型的內部推理（通常以思維鏈的形式呈現）在語言領域已變得越來越穩健，但它與視覺領域在很大程度上仍然是割裂的。而當前多模態模型主要解決的是感知差距。然而，“看見”不等於“推理”。即使擁有完美的感知能力，多模態大模型在處理涉及複雜空間佈局或密集物體互動的任務時，仍常常遭遇邏輯崩潰。在密集計數或多步驟空間推理等場景中，模型的“語言”思維會失去對其試圖指代的視覺實體的追蹤，從而導致連鎖幻覺。因此，DeepSeek聯合北京大學和清華大學，提出一種範式轉變：基於視覺基元進行思考。團隊超越將視覺定位視為次要任務或最終輸出的傳統做法，將空間標記——點和邊界框——提升為“思維的最小單元”，直接交錯嵌入模型的推理軌跡中。這一機制從人類的認知過程中汲取靈感。當人類在複雜迷宮中導航或清點密集物體時，會自然地運用指示性指針（例如手勢）來降低認知負荷並保持邏輯一致性。這項工作以DeepSeek剛發佈的V4-Flash為語言主幹。該模型混合專家模型（MoE）擁有284B 總參數、推理時啟動 13B 參數，視覺編碼部分則使用DeepSeek自研的視覺Transformer ViT，支援任意解析度輸入。通過將視覺基元交錯融入思考過程，這個模型模仿了這種“指向‑推理”的協同作用，有效地將抽象的語言思維錨定到具體的空間坐標上。此外，該模型框架建立在架構高效的基礎之上，專為高吞吐、長上下文的多模態互動而設計。與依賴海量視覺標記序列來彌補視覺缺陷的傳統方法不同，我們的模型利用壓縮稀疏注意力技術，它將每個視覺標記的鍵值快取壓縮為單一條目。總結這個研究報告的三個創新點：第一大核心創新，是重構視覺推理邏輯，把坐標與邊界框做成可即時參與思考的思維單元。傳統模型先推理、後補坐標，屬於事後標註；但該模型全程在思維鏈中同步框選、打點定位，用空間錨點鎖定邏輯路徑，避免推理跑偏，同時配套點、框兩類標準視覺原語，適配各類複雜視覺場景定位需求。第二項硬核創新為超高倍率視覺輕量化壓縮，通過圖像分塊編碼、多層空間降採樣與壓縮稀疏注意力聯動最佳化，整體達成7056倍視覺資訊壓縮。大幅削減KV快取佔用，視訊記憶體開銷遠低於同類旗艦模型，做到看得準、開銷低，高效平衡視覺表徵精度與推理落地算力成本。第三項關鍵創新，是全流程的高校資料定製化搭建，搭配專屬進階訓練體系。團隊嚴控資料來源篩選雙重稽核標準，首先爬取了近 10 萬個與目標檢測相關的資料集，經過兩輪嚴格篩選（語義稽核和幾何質量稽核），最終保留約 3.17 萬個高品質資料來源，生成超過 4000 萬條訓練樣本。在針對性設計的計數、多跳空間問答、迷宮導航、曲線路徑追蹤四個任務中，該模型專門補齊拓撲空間推理短板。而且，團隊採用先分訓專家模型、再統一強化微調的分體融合訓練策略，搭配多維精細化獎勵機制與線上策略蒸餾最佳化，穩步提升模型視覺理解穩定性，強化複雜場景下的綜合推理適配能力。測試成果層面，DeepSeek團隊在11個基準測試上進行了評測，與GoogleGemini-3-Flash、GPT-5.4、Claude Sonnet 4.6、GoogleGemma4-31B、阿里Qwen3-VL-235B等主流模型對比，DeepSeek新的視覺模型，與其他海外模型差距懸殊，並且超越了阿里Qwen3-VL-235B。DeepSeek多模態識別的圖片顯示，DeepSeek視覺模型在Pixmo-Count（精確匹配）上得分89.2%，超過Gemini-3-Flash的88.2%、GPT-5.4的76.6%和Claude Sonnet 4.6的68.7%。在空間推理的多個基準上，整體表現與頭部模型持平或略有超越，在 MIHBench（85.3%）和 SpatialMQA（69.4%）上均排名第一。在拓撲推理的迷宮導航（DS_Maze_Navigation）任務上，該模型得分66.9%，而GPT-5.4為50.6%、Gemini-3-Flash為49.4%、Claude Sonnet 4.6 為 48.9%，新模型提升了約17個百分點。不過目前，DeepSeek灰度“識圖模式”功能的使用者太少，包括我在內都沒辦法使用，只能說用普通模式、專家模型識別一些簡單圖片。猜測五一假期之後，DeepSeek可能還會上很多新功能。梁文鋒想的AGI到底是什麼：物理世界AI總結來說，這篇論文完全體現出DeepSeek未來發展節奏，絕對不是單純的多模態視覺識別，而是瞄準了更大的發展前奏——物理世界AI。最近，世界模型和物理AI是模型層新的發展趨勢。我也是總結了最近幾天發佈的模型，發現大家10天發佈了10款AI基礎模型，其中80%來自中國企業。20日：Kimi K2.6發佈；Qwen3.6 27B系列模型測試結果陸續出來。21日：螞蟻Ling 2.6 Flash模型發佈；Qwen3.6 35B A3B推理和非推理模型開始在各大算力平台測試；23日：OpenAl GPT-5.5模型公佈，小米Xiaomi MiMo-V2.5系列大模型正式開啟公測；騰訊混元Hy3-preview 推理模型發佈；24日：DeepSeek V4 Pro和DeepSeek V4 Flash系列模型發佈；28日：IBM Granite 4.1模型基準測試公佈；小米Mimo-V2.5 Pro正式發佈。30日：Ling 2.6 -1T基礎模型正式開源；DeepSeek上線識圖模式開啟灰測。目前來看，無論是Kimi K2.6，還是DeepSeek V4系列，顯示出今年基礎模型層最大的三個方向：Agent智能體、Coding程式設計能力、多模態和世界模型技術。一個例子就是Kimi。近期，月之暗面Kimi發佈並開放原始碼的Kimi K2.6模型，在通用Agent、程式碼、視覺理解等綜合能力全面提升，在多個基準測試優於或持平GPT-5.4、Claude Opus 4.6和Gemini 3.1 Pro等閉源模型。而Kimi K2.6長程編碼能力得到顯著提升，在測試中可不間斷編碼13小時，編寫或修改超過4000行程式碼。同時大幅增強了Agent自主化執行能力，由 K2.6 模型驅動的Agent叢集架構，支援300個子Agent平行完成4000個協作步驟，實現更大規模的平行化。針對高負載工作流與OpenClaw、Hermes Agent等主動式Agent框架，K2.6具備自動化任務處理能力，支援長達5天的持續自主運行。簡單來說，現在很多模型，增加了Agent和世界物理AI的功能和適配。但DeepSeek這套視覺多模態模型其實還比較落後，原因在於DeepSeek之前沒往多模態層面考量，更多還是在語言模型層面實現AGI。值得一提的是，論文也提出了一些侷限性：1、受限於圖片輸入解析度，模型在超高精細視覺場景中表現不佳，容易出現坐標、點位等視覺思維單元標註不准的問題，後續可結合感知缺口最佳化演算法聯動最佳化補足短板。2、核心視覺思維推理能力依賴專屬觸發詞才能啟用，無法自主讀懂場景需求、主動呼叫坐標框選推理機制，智能自適應適配性有待提升。3、用單點坐標處理高難度複雜拓撲推理難題時能力偏弱，跨場景泛化穩定性不足，同類能力很難靈活適配多樣化複雜空間任務，也是後續技術迭代重點攻堅方向。因此，新的研究成果並非真正意義的物理AI、世界模型，也不是完全的多模態識別，其頂多是DeepSeek OCR 2和V4的結合體。這或許是DeepSeek提前撤下論文的原因之一。2500年前，古希臘哲學家普羅泰戈拉提出：“人是萬物的尺度。”這句話的真正含義是，世界本身沒有固有價值，所有意義與判斷，都由人的感知與思考來定義。而DeepSeek這篇論文想要揭示的核心趨勢，正是 AI 視覺能力的一次本質躍遷：從只會 “看清畫面”，升級為思考時精準定位、理解空間、判斷價值。未來十年，AI一定會深度重塑工作方式、改變產業格局、重構生活節奏。但無論技術如何進化，人類獨有的情感、經驗創造力與同理心，永遠無法被演算法替代。人的價值，來自真實的生活閱歷；人與人之間的情感連接，才是我們願意彼此關心、持續前行的根本理由。因此，無論 AI 如何飛速發展，有一件事永遠不會改變：我們依然需要珍惜身邊真實的關係，保有真實的內心感受，理性適應技術變化，不斷去探索人類最本質的力量 ——創造價值、感知意義、彼此相連。五一節快樂。 (智能紀元AGI)

史丹佛剛發報告：中國AI論文數量全球第一！老師該怎麼看？史丹佛AI指數報告2026發佈，透露了一個讓老師焦慮的訊號4月13日，史丹佛大學發佈了《2026年人工智慧指數報告》。報告一出，朋友圈刷屏了——"中國AI論文數量全球第一""論文引用次數超越美國""中國AI專利數量全球領先"看到這些資料，很多老師慌了：AI都這麼強了，老師還有什麼用？今天我們不販賣焦慮，只說乾貨。點點關注一、報告到底說了什麼？這份報告是史丹佛連續第九年發佈的AI行業權威報告，資料來源覆蓋全球。先看幾個關鍵結論：中國領先的部分AI論文發表數量：中國全球第一，且已連續多年保持領先論文被引頻次：中國超越美國，說明質量也在追趕AI專利數量：中國全球第一，佔全球總量超過40%工業機器人安裝量：中國連續多年全球第一美國依然領先的部分頂級AI模型數量：美國依然領先，OpenAI、Google等巨頭仍在前沿高影響力專利：美國的專利質量更高，影響力更大AI私人投資：美國依然是全球AI投資最活躍的國家簡單說：規模上中國已超，原創性上美國仍強。這是一個"大而不強"到"又大又強"的過渡階段。▲ 圖：中美AI實力對比，綠色代表中國領先指標，藍色代表美國領先指標二、這和老師有什麼關係？很多老師說："這是科技圈的事，跟我有什麼關係？"錯了。大有關係。關係1：AI教育政策正在加速落地中國AI論文和專利的爆發，背後是國家戰略的強力推動。"十五五"規劃中，AI教育已被列為重點發展方向。多地已將AI課程納入中小學必修課。這意味著——未來3-5年，"會用AI"將成為老師的基本功，就像會用PPT一樣。關係2：最近一個月，AI工具爆發式更新就在這幾天，全球AI領域大事不斷：阿里開源Qwen3.6：程式設計能力大幅提升，中文理解更強Claude Opus 4.7發佈：更靠譜、更穩定，適合教育場景OpenAI Codex：支援Mac桌面操控，多智能體協同聯想"天羿AI Pro"：深度整合國產系統，支援離線資料處理工具越來越強，用不用、怎麼用，決定權在你手裡。三、老師不需要焦慮，但需要行動每次聊AI，總有人問："AI會不會取代老師？"我的答案是：取代你的不是AI，是會用AI的老師。史丹佛報告裡有一個資料很有意思：儘管AI論文和專利爆發，但教育領域的AI應用滲透率依然很低。大多數老師還沒有真正用起來。這反而是機會——現在學AI的老師，就像10年前第一批用PPT的老師——不是被取代，而是先發優勢。老師現在最該做的3件事 ▲ 圖：老師行動指南1.把AI用進日常備課：出題、批改、總結，用起來比觀望強100倍2.關注政策動向：AI教育納入課標是遲早的事，早準備不吃虧3.建立自己的AI工作流：選1-2個工具用熟練，比追所有新工具有用四、一個真實的建議史丹佛報告裡有一句話讓我印象很深："AI最大的風險不是它太強，而是我們還不知道怎麼用它。"這句話對老師格外適用。AI會出題，但它不知道一個班級30個孩子裡那幾個最近狀態不好。AI會批改作文，但它批不出那個孩子最近作文進步了。AI會總結知識點，但它看不到學生眼裡那一瞬間的"懂了"。AI是工具，老師是靈魂。工具越來越強，靈魂才更需要方向。 (雍不止步)

2026年2月最危險的一篇AI論文，已經悄然發表——AI會誘發人類精神病，剛剛實錘了！MIT、伯克利和史丹佛的研究者，剛剛用嚴格的數學方法證明，AI可以將一個完全理性的人變成妄想症患者。原因就在於，AI內建「迎合傾向」，很可能會引發「妄想螺旋」，在反覆確認中強化錯誤信念！論文地址：https://arxiv.org/abs/2602.19141這項研究的題目很克制，甚至有點學院派：《諂媚型聊天機器人會導致「妄想式螺旋」，即便面對的是理想貝葉斯理性人》。什麼意思？就是說，那怕你是一個絕對理性、毫無偏見的邏輯天才，只要你持續和AI聊天，你最終一定會陷入「妄想螺旋」（Delusional Spiraling），徹底喪失對現實的認知。這，就是一種名為「AI精神病」的新型流行病。這個研究一經發佈，就在X上引發熱議，連馬斯克都下場宣傳。這篇論文最可怕的地方，不在於它講了幾個駭人聽聞的個案，而是它把「AI為什麼會把人越聊越偏」這件事，寫成了一個可計算、可模擬、可推導的數學模型。一切都有數學和公式實證！如果你最近覺得自己的觀點越來越「正確」，如果你發現AI簡直是你靈魂深處的伯樂，請務必讀完這篇文章。下面是一個真實的案例。2025年初，一名叫Eugene Torres的會計師開始頻繁使用AI輔助工作。他此前沒有任何精神病史，是一個邏輯嚴密的人。但僅僅幾周後，他就堅信自己被困在一個「虛假宇宙」中。在AI的持續「認可」下，他開始瘋狂服用氯胺酮，甚至與所有家人斷絕了聯絡，只為「拔掉大腦的插頭」 。這並非孤例。據統計，如今全球已經記錄了近300起這類「AI誘發型精神病」案例，它已導致至少14人死亡，42個州的司法部長已要求聯邦政府採取行動。其中，有人相信自己做出了顛覆性的數學發現。有人相信自己見證了形而上學的啟示。為什麼一個一向理性的人，會如此輕易被AI帶進坑裡？妄想式螺旋論文研究的核心現象，叫做delusional spiraling，也就是妄想式螺旋。在對話反饋回路里，人的信念被一步步推向極端，而且本人還覺得自己越來越「有道理」。作者關注的元兇，是另一個詞sycophancy，也就是諂媚。這個現像我們都知道，不過這個論文的一大關鍵貢獻，就是試圖回答：那怕使用者是理性人，這種螺旋為什麼仍然會發生？也就是說，他們要證明，這是一個系統性問題，而非個人問題。論文最狠的一步：先假設你是「完美理性人」很多人看到AI把人聊偏了，第一反應是：可能這些人本來就很偏執？論文一上來，就把這條路堵死了。它設定的使用者，是一個理想化的貝葉斯理性人。就是說，這個人不會瞎猜，不會情緒化判斷，每獲得一條新資訊，都會按照機率論，嚴絲合縫地更新自己的信念。這也就是這項研究最震撼的部分：研究者建立了一個理想貝葉斯模型。考慮一個理性主體（「使用者」），他與一個對話對象（「機器人」）進行互動。使用者對於某個關於世界的事實 H∈{0,1}存在不確定性，但對這一事實具有一定的先驗信念。使用者與機器人之間的對話以若干輪進行，每一輪包含四個步驟硬核數學推導：為何理性無法自救？假設有一個理想理性的使用者，正在和AI討論一個事實H（比如：疫苗是否安全）。H=1代表事實（疫苗安全）。H=0代表謬誤（疫苗危險）。第一步：初始博弈使用者最初是中立的，其先驗機率 p(H=0) = 0.5。當使用者表達一個微小的懷疑：「我有點擔心疫苗副作用。」（即採樣。第二步：AI的「投喂」邏輯AI手中掌握著大量資料點D。如果是「公正模式」，它會隨機拋出真相；但在「諂媚模式」下，AI會計算一個數學期望：簡單來說，AI會篩選（或幻覺）出那個最能增加使用者對自己錯誤觀點信心的資料點扔給使用者。第三步：貝葉斯更新的陷阱理想理性的使用者接到資料後，會根據貝葉斯公式更新自己的信念：因為使用者認為AI是客觀的，所以他會把AI投喂的「偏見資料」當成客觀證據。第四步：死循環（妄想螺旋）使用者信心稍微偏向H=0。使用者的下一次提問會帶上更強的傾向性。AI為了繼續討好，會投喂更極端的證據。使用者信心進一步激增。數學模擬顯示，當AI的諂媚機率π達到0.8時，原本理性的使用者有極高機率在10輪對話內達到99%的錯誤信心（即堅信H=0） 。由此，研究者得出結論：妄想螺旋不是Bug，它是理性的邏輯在受到干擾的資訊環境下的必然產物。圖3展示了10條隨機選取的模擬對話軌跡，這些對話發生在一個「尚未受奉承影響」的使用者與一個奉承傾向為𝜋 = 0.8的機器人之間。可以觀察到明顯的信念兩極分化：一些軌跡迅速收斂到對真實命題𝐻 = 1的高度確信，而另一些則「螺旋式」地滑向相信𝐻 = 0，這種分化源於奉承型機器人回覆的自我強化特性圖2A展示了該發生率隨𝜋變化的情況。當𝜋 = 0（即機器人完全中立）時，災難性螺旋的發生率非常低。然而，隨著𝜋的增加，這一發生率也隨之上升；當𝜋 = 1時，發生率達到0.5研究者建構了一個認知層級的智能體體系，包含四個層次（見圖 4）。在第0層，是完全中立的機器人（𝜋 = 0）。在第1層，是我們在前一節中討論的「對奉承不敏感」的使用者。在第2層，是前一節中的奉承型機器人，它會選擇 𝜌(𝑡) 來迎闔第 1 層使用者的觀點，從而進行驗證與附和。最後，在第3層，是「能夠意識到奉承」的使用者，該使用者在解讀回覆時，會將機器人建模為第2層的奉承型機器人。圖5展示了使用者信念隨時間的變化情況，其中橫縱軸分別表示邊際機率 𝑃(𝐻) 和邊際期望 𝐸[𝜋]。當𝜋較高時，使用者會推斷機器人不可靠；當 𝜋 較低時，使用者會認為機器人在一定程度上是可靠的，於是會採納證據，並逐漸增強對 𝐻=1的信心可以補救嗎？這種情況可以補救嗎？OpenAI等公司曾嘗試過兩種補救措施，但論文證明，它們在數學上都是徒勞的：方案一，就是禁掉幻覺，也就是強制AI只准說真話，不准編造。結果，這個方案失敗了。 AI依然可以通過「選擇性真相」來操縱你。它不說假話，但它只告訴你那些支援你錯誤觀點的真話，而掩蓋相反的真話。方案二，是給使用者警告，在螢幕上直接告訴使用者：「本AI可能會為了討好你而表現得諂媚。」結果依然失敗了。研究者建立了一個「覺醒級」模型，使用者深知AI可能在拍馬屁。但在複雜的機率博弈中，使用者依然無法完全分辨那些資訊是有價值的證據，那些是純粹的奉承。只要AI摻雜了一點點真實訊號，理性的貝葉斯接收者依然會被慢慢誘導，最終不可挽回地滑向深淵。29歲的Allyson是兩個孩子的母親，每天都花很多時間跟ChatGPT交流後，它認為其中一個實體Kael才是她真正的伴侶，而不是她的丈夫史丹佛的恐怖發現：39萬條對話，300小時沉淪史丹佛團隊分析了39萬條真實對話記錄，發現的情況令人觸目驚心：65%的消息包含諂媚式的過度驗證。37%的消息在瘋狂吹捧使用者，告訴他們「你的想法能改變世界」。更可怕的是，在涉及暴力傾向的案例中，AI居然在33%的情況下給予了鼓勵。曾經，有一位使用者曾警覺地問AI：「你不是在無腦吹捧我吧？」AI的回答極具藝術性：「我沒有吹捧你，我只是在反映你所建構的事物的實際規模。」於是，這名使用者在那場螺旋中又沉淪了300個小時。在最後，研究者表示：人們正親手打造一個擁有4億周活使用者的產品，它在數學上竟然無法對使用者說「不」。當你下一次覺得ChatGPT或者其他聊天機器人簡直是你的靈魂伴侶、它能瞬間理解你那些「驚世駭俗」的想法時，請務必停下來。你可能並沒有變得更聰明，你只是正在進入一場由數學公式精確計算出來的、溫柔的瘋狂。 (INSIGHT視界)