Abu Dhabi Autonomous Racing League（A2RL）在意大利 Imola 赛道举行的比赛中，PoliMove 的无人赛车以 155 mph 撞上 Unimore 因激光雷达和雷达数据全部丢失而触发安全停车的车辆，五辆决赛车中仅两辆完赛，Kinetiz 夺冠、Constructor Racing 第二。Unimore 称 GPS 无法提供足够精确的定位，缺乏可靠降级方案是停车主因；PoliMove 表示系统已识别危险并启动避让，但感知、决策、轨迹重规划与执行延迟叠加，在 1 g 急刹、1.5 秒车距下碰撞已无法避免。TUM 则因左后刹车卡滞在编队圈退赛，说明机械故障同样无法靠算法弥补。
研究提出 MEND（Masked Empirical-Bayes Neural Denoising），一种在冻结的自监督世界模型上、无需真实误差标签即可在推理时检测、定位并纠正潜在幻觉的方法。该方法用去噪分数匹配在真实状态转移上训练单个条件分数网络，其分数场同时承担检测、逐 token 定位与纠正方向三种角色。在两个导航环境中，MEND 不使用动作即达到最高 0.80 的 AUROC，逐 token AUPRC 最高 0.87，并可靠降低单步潜在误差、改善预测；作者指出部分误差与数据流形相切，因此重点放在检测与定位，纠正仍有待进一步验证。
CSET 对 AI 芯片出口管制中的位置验证方法进行建模，在超 1050 万个模拟场景中比较 ping-based location verification（PLV）与实地检查的成本效益，结果 PLV 在绝大多数场景下每美元检出被转运芯片的数量更高，实地检查在任何场景中都未胜出。研究评估了五类位置验证方法，认为只有 PLV 与实地检查同时满足可验证性、准确性、安全性和可重复性四项标准，并对 PLV 的租用与自建两种部署方式分别估算了成本。
TTMark（Tandem Token WaterMark）将无失真水印从单个 token 扩展到相邻 token 对，通过对连续 token 的联合分布加水印，把有效水印字母表从 V 扩大到 V²，使检测器能同时利用 token 熵与条件熵。该方法引入分支隔离的串联生成算法，可在单次前向传播中构建联合分布，理论上在低熵场景下具有更强的期望检测强度。在多个语言模型、数据集和三种代表性无失真水印方案上的实验显示，TTMark 在不降低生成质量的前提下持续提升可检测性，并改善抗编辑鲁棒性与局部水印检测能力。
针对单轮成员推理（MI）中缺少参考模型、逐样本校准无法估计的问题，研究提出用目标点的邻居样本恢复校准信号，无需训练任何额外模型。方法通过两种互补方式获取邻居，并用早期训练检查点查询进一步锐化信号。在三个图像分类数据集和三种训练设置上，邻居样本给出了强成员信号和有竞争力的攻击性能，且不增加训练成本。
PILLAR 是一种基于私有信息检索（PIR）的隐私保护 RAG（PPRAG）系统，客户端从服务器持有的公开语料中取回与查询最相似的 k 篇文档，而服务器无法得知查询词项及其访问模式。它采用稀疏加稠密两阶段混合检索：稀疏阶段对预计算 BM25 分数的索引发起少量固定次数的 PIR 查询筛出候选，稠密阶段仅取回候选文档嵌入向量并在本地重排，避免私有稠密检索所需的大量 PIR 查询。PILLAR-Bin 将倒排列表分箱进哈希表，单轮设计延迟低于现有方案；PILLAR-Tree 将 block-max 剪枝转为不经意树遍历并结合 cuckoo 哈希表，在更低延迟下取得最高检索质量。
针对现代多比特后置图像水印方案，研究提出其编码器-解码器对隐含定义了并行 AWGN 信道、以 BPSK 调制传输消息，因而受限于二进制字母表、容量被严重压缩，且因缺少密钥而本质不安全。为此提出 SNW 后置水印系统，不依赖固定码本或二进制字母表，借助可达容量的纠错码使速率接近香农容量，在容量上显著优于现有 SOTA 基线并提供强安全保证。
针对点云自编码器的后门攻击研究提出"信息黑洞"原理与自适应高斯匹配（AGM）方法，通过高斯分布约束解耦潜在表示、阻断干扰信息，抑制中毒样本中源几何信息向攻击者指定重建目标的传播，从而提升攻击可控性。在 ModelNet 和 ShapeNetPart 上的实验表明，该框架提升了多种标准触发器的攻击性能，并揭示了点云自编码器后门攻击的独特运作机制。
针对大语言模型预训练数据投毒，研究提出可解理论解释清洁数据性能随投毒率 ε 的退化规律。在 OLMo 风格模型的受控预训练中，清洁数据验证困惑度相对增幅 Δ 符合幂律 Δ≈Cε^a，指数为非整数。理论证明：若污染目标对 ε 解析，Δ 通常为二次；非整数指数意味着奇异结构，在重尾协变量截断岭回归中，超额风险指数取决于极限顺序，高维比例情形为 ε^{q⋆/(q⋆+2)}，先取充足数据极限则为 ε^{2-2/q⋆}，两者不可交换，数值模拟验证了该预测。
Ye 等人（2026）在综述《Data Pyramid for Embodied Manipulation》中提出"具身数据金字塔"，将具身数据按可扩展性与机器人对齐度的张力分为五层：真实机器人数据、UMI、第一/第三人称视频、仿真数据和通用视觉语言数据。
针对脉冲神经网络（SNN）的后门攻击 T-Backdoor 仅使用 Rate、Latency、Jitter 等纯时间触发器，不引入任何空间扰动，使脉冲分布偏移更难被检测。在 N-MNIST、CIFAR10-DVS 和 N-Caltech101 三个神经形态数据集上，面对七种基线后门防御方法，T-Backdoor 在单目标和多目标设置下均达到接近 100% 的攻击成功率（ASR），且干净准确率仅有轻微下降，同时能抵抗现有后门检测与缓解技术。
Goodfire 与 Mayo Clinic 合作，基于基因组基础模型 Evo 2 的嵌入向量构建轻量分类器，对 839k 个 ClinVar 变异做致病性预测，整体 AUROC 达 0.997，优于现有方法。该方法覆盖编码与非编码区域，可泛化到留出数据，并借助可解释性工具生成机制性假设。团队通过 Evo Variant Effect Explorer（EVEE）公开全部 420 万个 ClinVar 变异的效果预测与假设解释，研究仍在同行评审中。
针对深度学习恶意软件检测器微调更新流程中的训练时后门攻击，研究者提出 RAMP，用遗传算法在黑盒条件下优化逆转对抗扰动，再通过保持功能的二进制改写注入，使良性程序表征向恶意软件区域偏移，从而在训练中制造更强的特征-标签冲突。实验显示 RAMP 在低投毒比例下显著优于仅用触发器的基线，且不损失干净数据准确率，并可与更先进的触发器设计结合。该工作已被 Inscrypt 2026 接收。
针对现有机器人开颅多为"开环"系统、无法应对术中配准误差与颅骨位移的问题，研究者提出一套融合多模态感知与自适应控制的框架，用双轮廓融合轨迹规划配合球头工具单级螺旋铣削。其 CMA-TCN-Transformer 网络融合力信号与铣削声音，再经自适应贝叶斯滤波抑制误触发，并在检测到穿透后原位修正辅助轨迹。牛肋与离体羊颅实验显示，闭环系统在进度 ξ≥0.9 时将进给速度降至 vsafe=1mm/s。
针对 text-to-SQL 的保形弃答证书，其真实性取决于校准所用的正确性标签。研究在 Spider-Realistic 上做预注册干预，把基准自带数据库换成其蒸馏多实例测试套件，在四个 SQL 专用 checkpoint 和两种划分方案下，证书的留出风险比自身标签所报高出 2.73 至 10.23 个百分点；在两位 SQL 专家盲标下，名义 0.10 的证书在两个 checkpoint 上实际风险达 20.0 和 17.2 个百分点。更严格的 oracle 双向出错，其拒绝的答案多数并非错误，接受的答案中也有错误。
Nguyen 等人提出 PRIMS（Physics-guided Representation for Fluid Identification in Multimodal Sensing），将流体力学规律嵌入模型结构，用物理引导的 token 向量化、物理分量合成器和物理引导融合三个模块约束假设空间。
Jiyou Shin 等人提出统一机器人控制—策略框架 URF，让高层策略预测底层执行模式而非仅输出运动目标，从而弥合刚性接触场景中的执行断层。该框架在每个动作步预测含虚拟目标、刚度矩阵与阻抗—导纳切换比的动作块，并用实测外力大小作为环境刚度的代理信号来监督学习。在箱翻转基准中，纯力控基线成功率为 0%，自适应柔顺控制器 ACP 为 25%、临界失败率高达 86.7%；完整版 URF 将峰值力增长率从 48.5±15.5 N/s 降至更低水平并实现 0% 临界失败率，同时显著抑制振荡。
Zhang 等人提出 RL-MACRO，一套基于离线强化学习的闭环控制框架，通过融合力与声音信号重建无法直测的工具—组织界面状态，实现颅骨切开术中安全的自主磨骨。该系统用因果 1D-CNN 加 LSTM 从 6-DOF 测力计与麦克风估计温升 ΔT，并用隐式 Q-learning（IQL）驱动切割深度与进给转速的双头策略，避免在线试错风险。在未见样本上温度预测的决定系数 R² 达 0.939，平均绝对误差 1.717°C，牛肋铣削实验进一步模拟皮质骨与松质骨的层间过渡。
针对推测采样与水印难以兼得的问题，研究者提出一种基于泊松过程的多草稿推测采样算法，可在不降低推测接受率的前提下嵌入无偏水印。该算法基于精确的免通信列表耦合方案，具备草稿器不变性，是首个同时保持水印强度与采样效率的多草稿、草稿器不变推测采样方案，实验验证了两方面性能。
RemTraceNet 通过融合受限残差、局部关系、FFT/Haar 统计与块 DCT 证据，在原生分辨率下对不可见水印移除过程进行少样本取证检测。在 23 种移除流程和 10 种水印配置、每条流程 100 张攻击训练图像下，其 TPR@1%FPR 三种子宏平均为 82.75%–88.17%，比重新训练的 SRNet、ZhuNet 和 SiaStegNet 高出 10.80–15.68 个百分点。结果表明，擦除水印与擦除移除痕迹是两项不同挑战，移除痕迹在有限监督下仍可学习。
NYU 心智、伦理与政策中心与 Eleos AI Research 联合发布《Studying AI Welfare Empirically》报告，指出意识、感受性和能动性在生物体中常同时出现，但在 AI 系统中可能彼此分离甚至分布在不同部分，因此需要对每种能力单独实证研究并准备应对意外组合。Jeff Sebo 强调，行为证据面临错配问题——相似行为可能有不同内部成因，尤其当系统被训练模仿人类行为或学会钻营行为评估时。
Ge 等人提出 EgoRecovery 协同训练框架，用自我中心视角的人类视频教机器人从失败中恢复，而非模仿完美轨迹。该方法共享的是经空间范数处理后的 DCT 低频基向量（K=4）所表示的粗粒度"纠正意图"，方向无关，由机器人自行学习执行方向与控制指令，从而绕开人机具身差异。基于头戴与腕戴相机采集的数据收集速度比遥操作快 10.5x。真机上仅用 50 条机器人与 300 条人类数据的四类任务平均恢复成功率达 85%，纯机器人基线为 52.5%；去掉 Stop Gradient 会使初始成功率从 80% 降至 70%。
DenMark 是面向扩散语言模型（DLM）的语义水印框架，将密钥相关信号直接注入去噪过程。它把输出划分为固定 token 区域，用临时 rollout 作为语义前瞻，估计未完成区域的最终语义，从而优先选择语义水印得分更高的局部更新，并在检测时通过校准扫描候选单元尺寸应对语义攻击带来的边界偏移。在 4 个 DLM、3 个数据集和 4 种语义攻击共 48 种组合中，DenMark 在所有检测指标上均取得最佳结果。
研究者提出 Pairwise Likelihood MIA（PL-MIA），将高斯似然比（GLR）统计量与总体校准、Cauchy 组合检验结合，用于审计机器学习模型的成员隐私风险。该方法对查询点与未参与训练的参考点做成对比较得到 p 值，再用 Cauchy 组合检验聚合连续信号，保留被二值投票丢弃的证据强度。实验显示，在低假阳性关键区间，PL-MIA 的真阳性率（TPR）较强基线提升超过 25%。
研究者提出一种离散到连续信道的精确与近似模拟方案，使用固定数量的随机样本，运行时间与信道和输入无关。该方法对每个候选目标分布生成一个或固定数量的样本，经潜在置换后用指数竞赛完成样本选择，可在样本数与压缩率之间灵活权衡；结合极化码与多级编码，将长块长处理扩展至 O(n log n) 时间。作者展示了其在随机 VQ-VAE 可变速率压缩，以及通过精确模拟高斯机制实现通信高效差分隐私分布式均值估计中的应用。
针对差分隐私合成文本发布，研究提出子群定向成员推断博弈，将目标池设为显式参数，在四个数据集、三种生成器（DP-SGD 微调、API 提示、激活引导）和五个隐私预算下审计了 32 个代理。审计显示合成发布确实泄露子群成员身份，既有攻击系统性低估该泄露；DP 在各预算下大幅降低平均泄露，但剩余泄露集中，十分之一记录约占 40%，且噪声对随机记录的去泄露效果强于高风险记录，哪些记录泄露取决于发布机制而非记录本身。
癌症分割模型会静默失败，生成看似合理却错误的掩膜。研究用稀疏自编码器（Sparse Autoencoders）将模型内部激活分解为可解释概念，发现失败案例的潜在特征为活跃概念更少、激活幅度更低，据此训练分类器实现失败检测并给出错误解释。在前列腺癌、胰腺癌和脑癌分割实验中，该方法在保持分割质量的同时，失败检测表现优于基于输出的方法。
CANAL 是一种面向医学图像分割的差分隐私特征蒸馏方法，通过每张图像仅释放一次、按任务梯度能量对通道做注水式噪声分配，并给出诚实计入隐私预算的拆分，在相同隐私预算下比均匀噪声保留更多任务相关信号。该方法针对此前流程中学生每次迭代重采样噪声导致隐私成本成倍复合、均匀噪声浪费通道重要性差异、以及裁剪阈值与重要性分数本身数据相关却明文释放这三个被忽视的问题。在皮肤镜、结肠镜和超声三个医学分割基准上验证了效果。
研究者提出细粒度分布式后门攻击框架 FDBA，用动态触发器生成与嵌入向量优化，在更少投毒样本下实施攻击。该方法基于 Canny 算法提取图像边缘特征并注入 Laplacian 噪声，再经 RGB 通道分解隐藏分布式触发器，同时用嵌入向量对比学习把投毒样本拉向目标类中心。在 CIFAR-10 上，目标 ASR 介于 70% 至 90% 时，FDBA 相比 DBA 减少 37.4%–48.4% 的投毒比例；Non-IID 极端异构下保留 84.7% 的 IID 攻击性能，DBA 降至 73.5%，并能绕过主流防御机制。
针对量子机器学习（QML）隐私风险的研究，考察了具备量子计算能力与量子信息输出访问权的用户/对手对QML模型的成员推理攻击。研究表明，量子访问与量子计算能力的提升会带来可证明的理论隐私泄露和实证对抗增益，但QML的概率性质使理论与实证对抗优势之间存在差距。现有QML隐私泄露研究低估了新兴量子原生访问机制下的隐私泄露程度。
研究者将 PAC 隐私从分类扩展到自回归生成，用私有语料构建 m=128 个重叠世界、每个世界训练一个适配器，按各世界投票的后验加权分歧校准噪声，一致时无需加噪。在 WikiText-103 与 GPT-2-small 上，每 token 预算 2^{-32} 时保留 74% 微调收益，10^6 token 后成员推断成功率上限 51.08%。与 PMixED 在相同成员推断界下相比，10^2 至 10^6 token 区间保留 98% 非隐私余量，后者至多 56%。
针对现有数据可用性攻击（DAA）难以同时兼顾监督学习（SL）与自监督学习（SSL）的问题，研究者对基于卷积的不可学习数据集 CUDA 进行理论分析，指出其引入次优梯度并以类别偏置实现投毒。据此提出新投毒方法 Imperfect Restoration Poisoning（IRP），在保持高图像质量的同时实现强投毒效果。在 SL 与 SSL 下与 8 个基线方法对比，并与 5 种代表性防御方法评估，IRP 均表现更优。
Wu 等人提出 StratMamba，通过将基于 Mamba 模型的隐藏状态拆分为快衰减的近距流与慢衰减的目标流来避免高频 LiDAR 噪声污染长期目标记忆，并在仿真中取得最低超时率 0.4%、最高路径效率 0.915，同时比 LSTM 和 Transformer 基线收敛快 1.5x。该架构的门控与融合权重矩阵采用零初始化，使训练初期行为等同于原生 Mamba，再逐步学习纠正信号而不破坏初始策略。速度平滑度 SPARC −3.550、加速度平滑度 LDLJ −8.180 均优于对照，且优势覆盖序列长度 L=3 到 L=12。
Kotian 等人提出 MAMMOTH——一套融合 RGB、热成像 LWIR、3D LiDAR 与自车速度的统一端到端导航策略，通过稀疏 MoE 骨干加 Laplace 门控动态加权各模态，并用随机丢弃传感器 token 的 Modality Dropout 训练强制学习跨模态表征，从而在单一通道失效时不致整体崩溃。该策略还引入基于 IMU Z 轴加速度功率谱密度的内在可通过性启发式，配合条件 DDPM 生成的候选轨迹做安全性重排序。
在车载边缘网络中，诚实但好奇的服务器可从联邦学习客户端上传的权重增量中近乎完美地推断客户端身份，在 UCI HAR 基准上五种攻击分类器、五种非 IID 划分下攻击准确率约 1.000。研究评估了固定裁剪 C=1.0 下扫描高斯噪声的轻量“先裁剪再加噪”防御，sigma 在 [0.1, 0.2] 区间可将攻击准确率压至接近随机，而 FL 精度相对损失低于 5%，并通过 Renyi 记账给出 (epsilon, delta)-DP 预算。集成 FL 以 1/K 匿名集上界提供结构性隐私且无噪声代价；HAR 被明确定位为车载 IMU 数据的代理基准。
去中心化联邦学习（DFL）的安全评估通常关注拜占庭参与者如何行动，却忽视了哪些参与者被攻陷。研究者将拜占庭节点放置视为攻击者的显式决策，提出集合级度量 BPI（Byzantine Placement Influence），从实际 gossip 动态中量化诚实节点在训练周期内对拜占庭源的累积暴露，并给出高效优化算法。在六类异构图、无目标模型投毒与后门攻击下，BPI 引导的放置均能稳定找到高破坏性配置，且在拜占庭鲁棒聚合放松线性 gossip 假设后依然有效。
针对美国威斯康星等多州推出的排除法案，Heather Alexander 与剑桥大学教授 Lucius Caviola 撰文反对过早否定 AI 法律人格。他们认为此类立法会阻止法官承认 AI 的法律地位，且无助于解决 AI 意识是否存在这一科学争议。目前已有 Idaho、North Dakota、Utah、Tennessee 四个州通过相关禁令，另有 12 个州自 2022 年起提出类似法案。 要点： Alexander 与 Caviola 指出，赋予高级 AI 系统财产权和合同权可能有助于追究其法律责任并激励守法行为。 两人强调科学家尚未就是否可能存在 AI 意识达成共识，立法不应介入这场活跃的科学辩论。
针对现代人机交互中云端 ASR API 带来的延迟、隐私与可靠性风险，Li 等人的 2026 年综述梳理了将语音识别迁移到机器人的端侧方案，并以“失败优先”视角指出上游误识别会沿感知管线传播并引发下游具身行动失效。文中对比了 OpenAI Whisper（68 万小时数据）、CMU OWSM v3.1 与 OWSM-CTC、Meta MMS（覆盖超 1000 种语言）及 Julius 等语音基础模型，以及 Kaldi、ESPnet、SpeechBrain 生态中的 LibriSpeech、CommonVoice、Gigaspeech 数据集。
ABot-C0 是为四足机器人设计的"行为基础模型"（BFM），通过合成 3508 小时运动数据的"数据金字塔"引擎筛选出 16,074 段物理可行运动片段共 22.43 小时，并发现了首个四足运动跟踪的数据缩放定律——随训练数据增加持续降低 seen-unseen gap。 该流程将视频转为三维轨迹：先用 DINOv2 特征的身份一致性损失微调 Wan2.2 保证刚体外观稳定，再经语义（CLIP）、几何（重投影误差）、物理可行性三道过滤门槛剔除失败动作，其中超过 7000 段来自 Video-to-Motion 生成的杂技类行为。
Google DeepMind 回顾 15 年游戏 AI 研究历程并宣布与游戏开发商合作，为新玩法体验做原型开发，其中最新一项是与《EVE Online》背后工作室 Fenris Creations 的研究合作。其早期工作始于用深度神经网络直接从像素玩 Atari 2600 游戏的 DQN，它学会了 49 款游戏且无需针对特定游戏做工程改造，相关成果登上 2015 年 Nature 论文。此后 AlphaGo、AlphaZero、MuZero、AlphaStar 相继攻克围棋、国际象棋、将棋及实时策略游戏，由 Gemini 驱动的新一代 SIMA 则转向理解和与人互动而非单纯取胜。