Meta 回应数据中心三大迷思：水耗、电费与就业
Meta 针对数据中心用水、电费和就业三方面误解作出回应。其 AI 优化闭环液冷数据中心循环使用水与乙二醇混合物，不消耗循环水，部分设施的年度用水量低于美国普通高尔夫球场；Meta 承担全部能源费用并另付新增输电基础设施成本，在路易斯安那州与 Entergy 的协议确保新增发电与输电由数据中心买单。
#大佬观点
Meta Newsroom · AIAI 评分2323
Meta Newsroom · AIAI 评分2121 Meta 基础设施负责人谈数据中心为何是 Meta AI 战略的核心
Meta 基础设施负责人 Santosh Janardhan 在对话中解释了数据中心为何是 Meta AI 战略的关键组成，并澄清 Meta 不只是软件公司。对话还涉及 Meta 如何为 AI 基础设施供电、吉瓦级能源的概念、如何选择数据中心芯片，以及自建数据中心的好处。
Microsoft ResearchAI 评分1616 Microsoft 研究：AI 评测为何失效，以及失败教会我们什么
Microsoft 研究合伙人研究经理 Jennifer Neville 指出，模型在超出传统 benchmark 的测试中会出现"令人意外的失败"，评测是推动当前 AI 系统性能边界、满足用户需求的关键环节。她建议在实际使用 AI 系统时密切关注数据，当结果违背预期时应回到数据本身找原因。
Anthropic Research精选AI 评分7171 物理学家用 Claude 打造 BootLoops：如何寻找「Claude 形状」的科学问题
哈佛物理学家 Matthew Schwartz 在 Anthropic 客座研究中提出「Claude 形状的问题」思路，把适合当前 LLM 的定量计算任务交给 Claude，并据此构建开源工具链 BootLoops。
推荐理由：作者以物理学家身份复盘用 Claude 构建 BootLoops 工具链的实践，读者可了解智能体在科研中可行的分工边界与协作方法。
Berkeley AI ResearchAI 评分2626 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
伯克利 EPIC Data Lab 提出近零推理成本下的三大数据系统挑战：为智能体设计（For Agents）、运行智能体（Of Agents）、由智能体构建（By Agents）。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布综述，分析并行推理尤其自适应并行推理的进展，探讨让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法多从模型外部固定并行结构，难以按问题难度调整并行度。