Microsoft 研究员 Jennifer Neville 谈 AI 评测的意外失败与真实用户需求
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中表示，把模型放到传统 benchmark 之外测试时会出现"意外失败"，评测是推动 AI 系统性能边界、贴合用户需求的关键。
#大佬观点
Microsoft Research
Google 用 AI 对话取代传统编程测试：一位教师如何评估学生用 Gemini 解决数据挖掘问题
一位数据挖掘课程教师用 Gemini in Google Colab 充当学生的个人导师，取代传统编程语法测试，学生需自行判断 AI 给出的代码建议并说明最终建模决策的理由。教师通过口头面试让学生为自己的选择辩护、排查问题并指出 AI 建议可能有误之处，同时借助 Gemini Canvas 和 Gemini Notebook 规模化评估这些作业。
Google 一位教师的教学心得：AI 时代，批判性思维要放在第一位
一位在加州任教的中学技术教师表示，Gemini 帮助她以极短时间完成备课和差异化教学，备课资料安全保存在 Google Drive 中。她认为，让学生亲眼看到 AI 的实际运作有助于消除对未知的恐惧，但 AI 只是人类设计的映射，真正的力量来自推理、质疑，以及始终把批判性思维放在第一位。
Google 一位美国八年级科学教师如何用 Gemini 让课堂上的科学活起来
美国佐治亚州八年级物理科学教师 Chanel Johnson 在课堂上用交互式模拟让学生亲手发现科学规律，并借助 Gemini 对照课程标准审查单元教案、构思新教学思路。她还向学生公开示范 Gemini 和 Gemini Notebook 的用法，帮助他们建立真正的数字素养。
Google Gemini 如何帮我把动手实践带进课堂
一位教师用 Gemini 作为备课搭档，在英语课上快速搭建多站点角色扮演挑战，让学生通过走动解题、在阅读气候变化与人权故事前建立共情；在生活技能课上，Gemini 帮她设计奶昔配方与饮食档案，让学生亲手调配并实践正念营养。她强调 Gemini 并非替代主动教学，而是把运动和更深参与带进课堂的工具。
NVIDIA Blog NVIDIA AI 工厂如何实现高产出、长寿命与通用性以最大化投资回报
NVIDIA 提出 AI 工厂投资回报由产出能力、使用寿命和需求三要素决定，其平台以每兆瓦吞吐量、硬件寿命和通用性同时优化这三项。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量超 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百万 token 成本低至 45 倍。
Berkeley AI Research 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
UC Berkeley 的 Aditya G. Parameswaran 等人提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分厂商低于 $0.10，数据系统需应对三大新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体自行合成的数据系统。
Berkeley AI Research 自适应并行推理：高效推理扩展的下一个范式
一篇综述指出，并行推理正从固定结构走向自适应控制——让模型自行决定何时分解任务、并行多少线程以及如何协调。现有 Self-consistency、Best-of-N、Tree of Thoughts、MCTS 等方法均在模型外部预设并行结构，而 ParaThinker、GroupThink、Hogwild!