Los Angeles County targets tax on out-of-state aircraft
洛杉矶县正在对在加州以外但在该州停留的飞机征税，并考虑采取更严厉的措施，考虑对每年仅 19 次过夜（即一年中大约 5%）的飞机进行征税。加州法律没有就什么级别的活动确定应税身份提供明确的指导，而大多数县历来采用 30 晚的阈值，或者在某些情况下为 60 晚。该县声称正在使用“先进的飞机发现软件”来识别潜在的应税飞机，生成近 1,000 个新评估，价值约 40 美元...
AI’s recursive self-improvement might not come so quickly after all
人工智能行业目前最大胆的承诺是，人工智能将很快自我改进，几乎不需要人类监督。法学硕士已经可以编写代码、生成用于训练的合成数据并优化其运行的计算机芯片。对人工智能爆炸性进展的预测表明，研究人员所说的递归自我改进即将到来。...
The grueling fight over who profits from AI music
AI可以在几秒钟内生成歌曲。但每个人工智能赛道背后都存在一个复杂的问题：谁应该获得报酬？还有，怎么样？战斗已经开始了。
AI Helped Researchers Win NIH Grants. Will Science Suffer?
人工智能帮助研究人员赢得 NIH 资助。科学会受到影响吗？ kathryn.palmer…星期二，08/18/2026 - 03:00 AMA 对数千份 NSF 和 NIH 拨款申请（包括一些机密的被拒绝的提交申请）的新分析阐明了生成式 AI 与联邦政府资助的研究关系的新模式。署名 Kathryn Palmer
Airbus puts synthetic aircraft into live German Air Force exercise
德国欧洲战斗机和龙卷风机组人员在德国空军的木材快车期间与虚拟盟友一起接受训练，并对抗计算机生成的威胁……空客将合成飞机投入德国空军现场演习的帖子首先出现在 AeroTime 上。
NVIDIA opens Alpamayo 2 Super for commercial use
NVIDIA 刚刚免费提供了最强大的自动驾驶 AI，供任何人使用。 Alpamayo 2 Super 将多模态感知、推理、轨迹规划和动作生成结合在一个模型中，同时还生成可用于训练和评估其他自动驾驶系统的数据。
Custom reward functions for multi-turn reinforcement learning with Amazon Nova Forge
在多轮强化学习中，您的自定义奖励函数决定模型实际学习的内容。这篇文章展示了如何为 Amazon Nova Forge 设计复合多轮奖励，在其中安全地执行模型生成的代码，并检测每个组件以捕获悄悄崩溃奖励的陷阱。
Study Shows University’s Advising Model Boosts International Students
一项经过同行评审的研究记录了学生成功办公室的五支柱咨询模式如何改善国际学生的学习成果。该研究表明大学的咨询模式促进了国际学生的发展，该研究首先出现在《今日雪城大学》上。
Anthropic вставляет водяные знаки в тексты, созданные Claude
旨在表明文本是 AI 生成的标记在复制时会保留，并且在编辑后可能会保留。
Constraining Output Space for SLM Narrow Automation Optimization
本文将启动一系列关于 SLM 的狭义自动化优化，第一篇文章将介绍一种最有用的技术：限制输出空间而不是解析生成的文本。
College Wasn’t Built for Student Parents
大学不是为学生家长而建的 Joshua.BayThu，08/13/2026 - 03:00 AM 在本周的“学生成功之声”节目中，希望一代的 Nicole Lynn Lewis 探讨了大学如何更好地支持学生家长和看护者。Byline(s)Joshua Bay
Variations between labs can misinform scientific AI models, team reports
SLAC 国家加速器实验室的科学家与宾夕法尼亚州立大学的两名研究人员一起证明了在构建用于催化剂研究的人工智能模型时生成高度可重复的实验数据的重要性，该框架可以帮助指导将二氧化碳转化为有价值的燃料等反应。
Equity in pathogen genomic surveillance | Science
当疾病爆发时，对致病病原体进行测序并将其基因组发布到公共数据库有助于诊断测试和疫苗的研究。然而，快速、广泛共享基因组数据的好处并未得到平等分享。许多疫情始于低收入国家 (1)，卫生工作者和科学家在这些国家收集样本并生成序列，然后由资源充足的机构使用这些序列来创建专有测试、治疗方法和专利 (2)。当共享数据几乎没有回报时，各国可能会决定减少共享[正如印度尼西亚在 2006 年 (3) 所做的那样]，从而使公平问题也成为安全问题。世界卫生组织 (WHO) 成员国于 2025 年通过了《流行病协议》(4)，目前正在谈判一项名为“病原体获取和利益共享”(PABS) 的附件 (5)。附件的当前条款将在紧
How ONESTRUCTION built the Ishigaki-IDS foundation model with AWS GenAIIC
ONESTRUCTION 在 AWS 生成 AI 创新中心的技术咨询下构建了 Ishigaki-IDS，这是一个专门用于施工和 BIM 工作流程的基础模型。此架构案例研究展示了他们如何将合成数据、三阶段训练管道和 Amazon EC2 上的可验证奖励结合起来，在数据稀缺领域构建域模型。
How Pixieset achieved 35% AI feature adoption by solving the right problem with Amazon Bedrock
摄影师是对生成式人工智能最持怀疑态度的受众之一。了解 Pixieset 如何使用 Amazon Bedrock 在四个月内向数百万用户推出人工智能生成的替代文本功能，通过自动化摄影师避免的繁琐的图像 SEO 工作，达到 35% 的采用率，而无需触及他们引以为豪的创意工艺。
Variational Autoencoders (VAEs) Explained: From Theory to ELBO and the Reparameterization Trick
清晰、以数学为先的 VAE 如何学习生成新数据后变分自编码器 (VAE) 解释：从理论到 ELBO 和重新参数化技巧首先出现在《走向数据科学》上。
The Reward Trap: Why External Rewards Backfire with Dr. Ozgur Bolat
在本期《教育趋势》中，主持人迈克·帕尔默 (Mike Palmer) 与教育科学副教授、《奖励陷阱：为何奖励适得其反》和《激励孩子的真正科学》一书的作者 Ozgur Bolat 博士一起参与其中。博拉特博士分享了他从寻求外部验证到解读内在动机科学的历程，为希望摆脱快速奖励并为孩子建立持久的适应力和内在动力的父母和教育工作者提供了实用的策略。讨论的主要主题包括：🧠 外部验证的陷阱：依赖奖励、表扬和批评如何创造外部控制点并破坏内在动机。 🕊️ 和平模型：一个框架（视角、情感和认知、需求、承诺、参与），用于在不依赖贿赂或威胁的情况下解决行为和阻力。 📱 现代育儿与心理健康：过度保护性育儿和数字干扰如
Opinion: How Tracking Portrait of a Graduate Leads to Learning That Matters
标准化测试长期以来一直是学生成功的黄金标准。大规模评估让学区能够全面了解学生的进步，提供方便的数据点来比较表现、识别趋势和证明责任。但数字只能说明部分情况。他们从来没有捕捉到乐谱背后的孩子——掌握背后的努力[...]
