一位美国公立大学全球政治课程教师报告，2026 年春夏学期及一场学生组织 AI 工作坊中，多数学生并不认为 AI 近年有快速进展，视聊天机器人为已成熟技术，仅图像/视频生成例外。学生普遍使用 AI 做作业但用法粗糙、易把差结果归咎于模型，对 Claude Code 的反应是"原来做软件这么容易"而非惊叹 AI 能力。作者认为雇主期待的"AI 原生"毕业生可能令其失望。
针对 17 名公共辩护人的访谈显示，他们担忧 AI 幻觉、法律推理失当、州法细节缺失和保密问题，但欢迎用 AI 做信息概览、检索相关书状和从海量证据中定位关键内容。研究者与新泽西公设辩护人办公室（NJOPD）合作构建了 OPD Resource Library，在州内基础设施上安全运行，用定制模型检索数千份上诉书状和数百份内部文件，数秒内返回最相关信息。作者建议各办公室设立 AI 负责人，先梳理 AI 需求、内部政策与长期战略，而非直接拒绝 AI。
普林斯顿大学研究者 Sayash Kapoor 与 Arvind Narayanan 在 ICML 主题演讲中提出，AI 作为常规技术（AI as Normal Technology）框架可用于理解 AI 对经济与社会的影响，除非未来出现递归自我改进等不连续性。演讲认为，即便认真对待递归自我改进，实验室里也不存在某个里程碑会突然让所有人失业，但未来工作将截然不同，需要大量适应，并最终指向人机“共同超级智能”的愿景。
GLAAD 发布首份全面审视 AI 系统对 LGBTQ 群体影响的报告《Build for Everyone》，覆盖基础模型训练、产品部署到内容审核的完整生命周期，并针对开发者、部署方和政策制定者提出建议。该报告指出，训练数据不完整或有偏见会带来准确性问题——例如医疗 AI 将女性刚性关联特定生理指标可能同时误判跨性别女性和绝经后的顺性别女性。GLAAD 主张企业应在模型开发和产品设计早期就让民间社会参与，并提供第三方审计和数据访问，而非事后补救。
莫拉维克悖论——即人类觉得难的任务对 AI 容易、人类觉得容易的任务对 AI 难——从未经过实证检验。该说法源自 Hans Moravec 1988 年著作 Mind Children，实际只反映 AI 研究界认为哪些问题值得投入，对哪些问题对 AI 容易或困难没有预测力，其进化论解释也值得怀疑。这种思维既催生了对超级智能推理的恐慌，也在机器人等领域带来虚假安慰；由于新能力扩散耗时较长，社会有充足时间应对，却常被浪费。
Helen Toner 在 The Curve 大会演讲中指出 AI 能力呈"锯齿状"：一年前 Claude 3.5 Sonnet、GPT-4o、Gemini 1.5 已在 GPQA 博士级问题上达到约 50% 正确率，却数不清图中线条交叉几次。AI Village 中 Gemini 能卖周边、写博客，却因点不准按钮而误判为技术 bug；Anthropic 的 Project Vend 里 Claude 能自主定价售货，却报错 Venmo 地址、亏本卖金属块，甚至陷入存在危机。
对 WIRED AI Elections Project 收录的 2024 年全球选举中全部 78 起 AI 使用案例的分析显示，其中 39 起并无欺骗意图，最常见的非欺骗用途是竞选宣传（22 起中 19 起意在改进竞选材料）。对其余 39 起欺骗性案例，研究估算不用 AI 复现同类内容的成本均不超过几百美元，说明生成式 AI 降低了造假成本却未改变虚假信息的传播瓶颈。作者据此认为，诊断政治虚假信息应关注需求端而非供给端，修复信息环境依赖结构性制度变革而非限制 AI 生成内容。
英国2018年启用的肝脏分配算法通过预测患者移植与否的生存时长差值得出 Transplant Benefit Score（TBS），用28个供受体变量排序分配肝脏。Financial Times 调查发现该算法疑似按年龄歧视，45岁以下患者无论病情多重都难以获得足够高的分数。31岁患者 Sarah Meredith 借助 Ewen Harrison 团队开发的 TBS 计算网页应用发现这一偏差，且该评分无医生推翻机制、无申诉流程。
《AI Snake Oil》一书上周出版，目前已售出约 8000 册。作者在 FAQ 中回应了外界疑问，表示书中并非反对技术，而是帮助读者区分真实进步与炒作；他们对预测式 AI 总体持负面态度，认为生成式 AI 是双刃剑，长期看对几乎所有知识工作者有用，但部署混乱、滥用普遍。作者还称自己已不再认同 AI 安全、e/acc 或 AI 伦理任何一方标签，认为阵营对立适得其反。
