周一,IBM宣布将向Linux基金会的一个名为LF AI Foundation的项目捐赠一系列开源工具包,以帮助构建可信人工智能。IBM表示,随着人工智能技术在现实世界中的部署越来越广泛,这些捐赠的工具包可以帮助确保这些部署是公平、安全并且可信的。
IBM在一篇由Todd Moore、Sriram Raghavan和Aleksandra Mojsilovic共同执笔的博客文章中表示:“向LFAI捐赠这些项目将进一步推动创建负责任人工智能技术的使命,并且让更大的社区能够加入进来,在Linux基金会的管理之下,共同创建这些工具。”
具体地说,IBM此次的捐赠包括AI Fairness 360 Toolkit、Adversarial Robustness 360 Toolbox和AI Explainability 360 Toolkit。AI Fairness 360 Toolkit允许开发人员和数据科学家检查并减轻机器学习模型和数据集中不受欢迎的偏差。和其他资源一起,它提供了大约70个度量标准来测试偏差,并提供了11种算法来减轻数据集和模型中的偏差。Adversarial Robustness 360 Toolbox是一个开源库,可以帮助研究人员和开发人员保护深度神经网络免受对抗性攻击。同时,AI Explainability 360 Toolkit提供了一组算法、代码、指南、教程和演示,以支持机器学习模型的可解读性和可解释性。
LFAI的技术咨询委员会在本月初投票决定托管并孵化该项目,IBM目前正在与他们合作,将其正式移交给该基金会。
作为一个Linux基金会的项目,LFAI提供了对于供应商中立的空间,以促进人工智能、机器学习和深度学习的开源项目。它得到了AT&T、百度、爱立信、诺基亚、腾讯和华为等大型机构的支持。
去年,IBM加入了LFAI,并帮助其建立了可信人工智能委员会(Trusted AI Committee),该委员会致力于定义并执行人工智能部署中的可信原则。
在宣布对LFAI捐赠的消息时,IBM指出,在构建值得信任和公平的人工智能方面,“技术只是等式中的一部分”。这篇博客文章表示,“在这项使命之中,社会科学、政策和立法的贡献以及多样化的观点所扮演的角色和技术本身同样重要。”
世界各地的政府都在解决这个问题。例如,欧盟委员会在2月发布了有人工智能法规的白皮书。同时,加拿大、法国、澳大利亚、德国、印度、意大利、日本、墨西哥、新西兰、韩国、新加坡、斯洛文尼亚、英国、美国和欧盟正在建立全球人工智能伙伴关系(GPAI)。
作为各种鼓励负责任技术部署努力中的一部分,IBM周一还宣布了该公司开源社区资助(Open Source Community Grant)的最新受助人。该项资助的目标是帮助代表性不足的社区获得创造新技术的机会。最新的资助将提供给哥伦比亚的PionerasDev,这是一个非营利性组织,该组织的目标是帮助哥伦比亚的女性和女孩学习编码。
该组织在三年之内已经从五名会员发展到了今天超过1,200名会员,其中有超过80%的会员都来自于较低收入地区。这项赠款包括25,000美元的现金奖励和价值25,000美元的技术奖励,将被用于直接支持教育和职业发展活动。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。