Arvind Narayanan 论 AI 安全运动应选大帐篷还是小帐篷
Arvind Narayanan 提出 AI 安全存在两种叙事之外的第三种可能：x-risk 警告是真诚但错误的，且对安全政策适得其反。文章以疫情防范不足和网络安全系统性风险为例，论证世界确实对 AI 放大的灾难性和累积性风险投入不足，但 x-risk 框架会加剧党派极化并把资源导向不可行的禁令式政策。作者主张建设包容具体风险防御、社会韧性与透明度、问责政策的大帐篷安全运动。
AI as Normal Technology
normaltech.ai · 网站与博客
切换来源
全部网站与博客新闻IT Home8569 条Simon Willison344 条OpenAI News317 条TechCrunch · AI258 条The Decoder229 条Hugging Face Blog150 条Claude Blog135 条The Verge · AI135 条elsewhere articles108 条Google Research108 条OpenRouter Announcements103 条Mistral AI88 条Tomer Tunguz81 条Databricks Blog76 条Sierra Blog67 条Anthropic Newsroom65 条Claude Platform release notes62 条Gary Marcus62 条Runway News62 条LMSYS Blog60 条Google DeepMind58 条a16z News49 条LangChain Blog48 条Suno Blog48 条ByteByteGo46 条NVIDIA Blog46 条Apple Machine Learning Research43 条Google Blog: AI41 条Google Developers Blog35 条Cursor Blog33 条Microsoft AI News32 条Linear Now30 条AWS Machine Learning Blog29 条Google Cloud: Databases28 条Dwarkesh Patel27 条Ars Technica · AI26 条Nathan Lambert: Interconnects25 条DeepSeek API updates23 条Latent Space23 条Sakana AI Blog23 条Anthropic Research21 条Import AI21 条AI as Normal Technology20 条MIT Technology Review · AI16 条GitHub Blog · AI & ML12 条Meta Engineering11 条Berkeley AI Research10 条Microsoft Research10 条Every latest articles6 条CMU Machine Learning Blog1 条MarkTechPost · 历史来源99 条xAI News · 历史来源73 条Artificial Intelligence News · 历史来源44 条Claude YouTube · 历史来源41 条Ars Technica: AI · 历史来源18 条GitHub Blog · 历史来源17 条Lilian Weng's Log · 历史来源2 条
20 条AI 相关新闻 · 最新在前
AI as Normal TechnologyAI 评分6060
AI as Normal TechnologyAI 评分5050 AI 存在性风险概率仍不可靠，不足以支撑政策制定
针对 AI 存在性风险的概率预测（p(doom)）仍缺乏经过验证的模型或方法支撑，其数值与 2024 年时一样不严谨，却正以前所未有的程度影响公共讨论与政策关注。作者指出，这类预测既无合适的历史参照类，也无法通过归纳、演绎或主观估计三种途径向质疑者提供正当性论证，因此不应被政策制定者当作可靠依据。
AI as Normal Technology精选AI 评分6767 AI as Normal Technology 框架下对失控事件的分析：对齐之外还需投资 AI 控制
Sayash Kapoor 发布超 1.3 万字长文，用 AI as Normal Technology 框架综合 AI 安全与网络安全两社区对 OpenAI-Hugging Face 等失控事件的看法，认为仅靠对齐不够，公司应为智能体行为承担责任。
推荐理由：原文以 1.3 万字长文综合安全与网络安全两方视角，给出 AI 控制、组织治理与政策责任的具体行动框架。
AI as Normal Technology精选AI 评分6767 Princeton 团队用 shadow evaluations 测试前沿 Agent 的开放式 AI 研究能力，专家否决了两篇 Agent 论文
Sayash Kapoor 等人发布论文，用 shadow evaluations 让前沿 AI Agent 回答两篇未发表论文的核心研究问题，各给数千美元 API 额度和六天时间，原论文作者明确否决了两篇 Agent 论文。
推荐理由：原文提出 shadow evaluations 方法，用未发表论文测试前沿 Agent 的开放式研究能力，并给出五个具体失败模式，可迁移到对 RSI 进展的评估。
AI as Normal Technology精选AI 评分7272 Arvind Narayanan 在 ICML 演讲谈 AI 时代还剩什么工作
Princeton 的 Arvind Narayanan 在 ICML Seoul 发表题为“还有什么工作留给我们做”的主题演讲，主张用 AI as Normal Technology 框架看待AI影响，并称实验室里程碑不会突然让人失业。他提出方法、产品、早期采用、适应四阶段，指出可靠性指标两年内仅提升五到十个百分点、适应阶段需要数十年；未来工作将从构建转向评估，人类应与AI形成“共同超级智能”。
推荐理由：作者结合能力与可靠性的测量数据，把AI经济影响拆为四个阶段，给出职业适应与评估优先的判断框架。
AI as Normal Technology精选AI 评分6969 Narayanan 撰文分析 AI 实验室如何上移价值栈以摆脱商品化陷阱
Arvind Narayanan 与 Akash Kapur 撰文认为模型推理在均衡状态下将陷入 Bertrand 悖论式竞争，价格趋向生成 token 的边际成本，模型层难以维持利润。
推荐理由：文章用历史案例和经济理论论证模型推理难逃商品化陷阱，实验室将靠上移价值栈构建护城河，但代价是企业锁定。
AI as Normal Technology精选AI 评分7373 Arvind Narayanan：AI 为何没有也不会取代软件工程师
作者论证 AI 达到某能力阈值将引发大规模裁员的叙事不成立。纽约州 WARN 披露首年超 160 家公司提交通知，仅 Nespresso 勾选 AI 项，约 25,000 名被裁者中仅 46 人与 AI 相关；Block、Snap、Intuit 等被广泛归因于 AI 的裁员实际各有财务或重组原因，HBR 调查显示 21% 高管为预期 AI 大幅裁员、仅 2% 因实际部署裁员。
推荐理由：作者用纽约 WARN 披露、美联储研究和 GitHub 开发者数据支撑论点，给出可用于检验裁员叙事的可迁移框架。
AI as Normal Technology精选AI 评分6565 AI as Normal Technology 剖析 Google 智能体 916 美元造操作系统宣称的漏洞
Sayash Kapoor 等人分析 Google 在开发者大会上发布 Gemini 3.5 Flash 和 Antigravity 2.0 时宣称的智能体团队以单一提示词、约 916.92 美元 API 费用和 2.6B tokens 造出操作系统的实验。
推荐理由：文章逐条拆解 Google 智能体造操作系统的宣称，指出单一提示词等说法缺乏关键细节，并探讨开放世界评测需要的方法规范。
AI as Normal TechnologyAI 评分5050 AI as Normal Technology 作者回应 Derek Thompson：AI 风险不需要特别的政府干预
Sayash Kapoor 撰文回应 Derek Thompson 认为AI异常性证明需要特别政府监管的观点，提出特别干预代价高昂，理由有三：基于预期伤害的预防性限制、将负担加在非直接致害的公司身上、绕过正常民主治理程序。
AI as Normal Technology精选AI 评分7474 Sayash Kapoor 等人提出开放世界评测并发布 CRUX 项目，AI 智能体成功上架 iOS 应用
Sayash Kapoor 与 Arvind Narayanan 等 17 位研究者发布 8000 字论文，定义开放世界评测这一新兴评测类型，并介绍定期开展此类评测的 CRUX 项目。
推荐理由：文章界定了开放世界评测这一新兴评测类型，并以 CRUX 首个实验给出智能体发布 iOS 应用的具体过程与成本细节。
AI as Normal Technology精选AI 评分7070 AI as Normal Technology 团队发布论文《Towards a Science of AI Agent Reliability》
Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。
推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。
AI as Normal TechnologyAI 评分4949 AI 不会自动让法律服务更便宜
一篇发表于 Lawfare 研究论文系列的文章指出，先进 AI 默认不会帮消费者以更低成本获得理想法律结果，因为监管壁垒、对抗性动态和人类参与这三重瓶颈仍待解决。文章以 GPT-4 通过律师资格考试为背景，指出即便生产力提升、单项法律任务成本下降，诉讼双方仍会陷入工作量军备竞赛，总成本居高不下。
AI as Normal TechnologyAI 评分6262 Arvind Narayanan 考证 Moravec 悖论：一个从未被实证检验的经验法则
Arvind Narayanan 在其新文章和视频中逐条考证 Moravec 悖论（对人类难的任务对 AI 容易、反之亦然），指出它从未被实证检验，本质是 AI 社区认为值得研究的问题造成的筛选效应，其演化解释也很可疑。
AI as Normal TechnologyAI 评分6060 Arvind Narayanan 撰文澄清 AI as Normal Technology 论点并回应 AI 2027 争论
Arvind Narayanan 撰文澄清《AI as Normal Technology》的核心论点：AI 能力提升与社会影响之间存在长因果链，收益和风险在部署而非研发阶段实现，政策重点应是韧性和部署环节。
AI as Normal TechnologyAI 评分6060 Sayash Kapoor 撰文分析 AI 为何可能拖慢而非加速科学进步
Sayash Kapoor 在 AI as Normal Technology 框架下撰文指出，科学论文产出指数级增长但实际进步停滞甚至放缓，AI 很可能加剧这一生产-进步悖论。
AI as Normal Technology精选AI 评分6767 Sayash Kapoor 撰文论证 AGI 不是里程碑
Sayash Kapoor 撰文提出 AGI 不是里程碑，公司宣布实现 AGI 不是可操作事件，对商业、政策或安全都没有直接含义。文章以核武器为反类比，认为 AI 的经济影响依赖以十年计的扩散过程，并批评基于影响、内部机制和基准行为的三类 AGI 定义各有缺陷，建议企业和政策制定者关注安全扩散而非 AGI 宣言。
推荐理由：作者区分能力与权力、以扩散视角解释 AGI 为何不是可操作事件，为评估各方 AGI 宣言提供了一个可用的分析框架。
AI as Normal Technology精选AI 评分6565 Arvind Narayanan 发布长文论文《AI as Normal Technology》，将 AI 视为常态技术
Arvind Narayanan 发布超过 1.5 万字的新论文，提出将 AI 视为“常态技术”的世界观，认为其影响类似电力和互联网等通用技术，变革性经济与社会影响将以数十年为时间尺度缓慢展开。
推荐理由：作者提出 AI 是像电力一样的常态技术，经济影响将以数十年计缓慢扩散，并给出风险与政策的替代框架。
AI as Normal Technology精选AI 评分6969 AI 进步是否在放缓：Arvind Narayanan 等人解析模型扩展与推理扩展之争
Arvind Narayanan、Benedikt Ströbl 和 Sayash Kapoor 撰文分析 OpenAI、Anthropic 和 Google Gemini 下一代模型遇阻后的叙事翻转，认为宣布模型扩展已死为时尚早，行业领袖的预测并不可靠。
推荐理由：作者用可核查的证据指出业内叙事反复翻转的成因，并区分能力提升与实际社会影响的薄弱关联。
AI as Normal Technology精选AI 评分7272 分析 78 个选举深度伪造案例后，Sayash Kapoor 认为政治误信息不是 AI 问题
Sayash Kapoor 分析 WIRED AI Elections Project 收录的 78 个 2024 年选举 AI 使用案例，发现其中 39 个无欺骗意图，而 39 个欺骗性内容不用 AI 也能以几百美元内的成本复制。文章提出误信息的关键在需求侧而非供给侧，治理信息环境依赖结构性、制度性改变，而非限制 AI 生成内容。
推荐理由：作者基于 WIRED 数据库 78 个案例给出一手分析，指出政治误信息更多是需求侧的结构性问题，值得从供需视角重新审视。
AI as Normal Technology精选AI 评分7272 英国肝移植匹配算法为何系统性不利于年轻患者
Arvind Narayanan 等人分析英国 NHS 肝移植匹配算法 TBS，指出其用 5 年生存期封顶计算移植收益，导致年轻患者无论病情多重都难以获得高分，2024 年 The Lancet 研究确认了这一年龄偏差。
推荐理由：原文用英国肝移植算法的年龄偏差案例，指出目标变量错配而非输入特征才是算法公平的关键，可迁移到其他预测决策系统。