Quinnipiac University民调显示，47%的美国成年人希望放慢AI开发，30%希望在安全性得到确认前完全暂停，仅5%支持加快开发。86%支持可能减缓进展的独立安全标准，73%担忧AI最终威胁人类生存，74%对AI公司领导者缺乏信任。调查于9月24日至27日访问1,202名美国成年人，误差范围为+/- 3.5个百分点。
推荐理由：调查呈现了公众对发展速度、安全标准与企业领导者信任的并行态度，为理解美国AI治理诉求提供了量化背景。
GitHub 发布 AI 代码审查开放基准 ReviewBench，其 219 个 pull request 来自 187 个公开开源许可仓库，覆盖 19 种语言，分布参考了对 103.9M 个 GitHub pull request 的分析。
推荐理由：公开数据集、评分规则和自助运行器形成可复现评测链路，线上实验案例也展示了离线指标筛选代码审查改进的用法。
Microsoft ThinkingBox 根据智能体执行后留下的数据库终态和副作用评分，并让507个有状态业务工作流各重复运行20次，以衡量结果一致性。在覆盖12个LLM、121,680次有效试验的消融中，79,853次未通过可执行检查，其中67.24%仍正常结束、调用了状态变更工具且未报告最终工具错误。
推荐理由：它把智能体评估从回答与工具调用转向数据库终态，并以连续20次运行揭示单次成功率难以代表工作流可靠性。
Google Research 公布新一代基于 TEE 的联邦学习系统，通过可远程证明的执行和公开透明日志提供可验证、可审计的数据匿名化保障。系统仅向操作方暴露指标和差分隐私模型权重，设备加密数据只能按预授权策略在 TEE 内限时解密处理。Gboard 已用其训练英文和日文下一词预测模型，获得更强隐私保障和更高准确率，并将此前每个模型 1-2 个月的训练瓶颈转移到服务器端并行计算。
推荐理由：文章拆解了从访问策略、KMS 到透明日志的端到端设计，可用于理解联邦学习如何兼顾可审计隐私与训练效率。
Google DeepMind 发布 SynthID Bio 概念验证研究，可在 AI 生成的蛋白质序列和预测 3D 结构中嵌入可检测水印，并在合成后的实体蛋白上验证。
推荐理由：该研究把水印从数字设计延伸到合成后的实体蛋白，并用湿实验检验功能保持，为生物设计溯源提供了可复核路径。
Microsoft Research 推出 Quine，这套实验性 AI 研究系统由多模态生物世界模型和连接模型、科学工具、文献、湿实验及研究人员的交互框架组成。
推荐理由：案例展示了如何用跨模态生物世界模型筛选实验候选，再以湿实验反馈迭代，提供了可迁移的计算与实验闭环思路。
Google DeepMind 推出 AlphaGenome Atlas，预计算人类基因组约90亿种单核苷酸变异的分子影响。该平台包含1-petabyte数据，并以AVI评分整合AlphaGenome与AlphaMissense的预测，可通过免费网站、AlphaGenome API及Google Antigravity技能访问。
推荐理由：它把90亿种单核苷酸变异的预计算结果与AVI评分集中到同一入口，便于研究者排序变异并追溯其分子影响。