OpenAI 在 October 6, 2026 一次发布 700 多篇手稿，声称解决数百个开放数学问题，引发数学家对成果质量、发布方式和职业未来的强烈反应。Proofs and Prompts 收集了 100 多位研究者回应，Terence Tao、Peter Scholze 等人既承认部分结果可能有新想法，也批评缺少可交流的作者、可读性不足和科学规范缺失。
推荐理由：原文集中呈现数学界对 OpenAI 批量发布证明的反应，可帮助理解 AI 进入基础研究后的职业与规范冲突。
Trump 试图将 artificial intelligence 重新命名为“super intelligence”，部分硅谷高层和公司开始跟进这一说法。
The Decoder 文章称，Ornn、Silicon Data 和 Bloomberg 截至 August 2026 的数据显示，AI 市场出现 a16z 所称的 Jevons paradox。
Microsoft CEO Satya Nadella 在最新博客中采用特朗普偏好的“Super Intelligence”说法，并继续质疑 OpenAI 和 Anthropic 等模型厂商带来的风险。
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 讨论 AlphaFold 为何只是蛋白质折叠突破的起点，而不是终点。
Matthew Green 认为，存在 1% 的概率人类生活在 Minicrypt 中，另有 15% 的概率会实质性失去对现有公钥加密算法的信心。问题在于 AI 产生意外的速度与人类替换标准的速度相差数个数量级，只有提前准备才能应对这类冲击。
AI 安全正越来越依赖模型拒绝危险请求，但文章认为这种拒绝机制是概率化的，既可能被 jailbreak 绕过，也可能对无害问题过度拒答。文中提到，Anthropic 曾称一种 classifier 让聊天机器人的计算成本增加 24%，公司也在转向观察模型内部 activations 的 probes。
Stanford University 博士生 Samuel King 用生成式 AI 模型提出微型病毒的基因蓝图，相关工作显示 AI-designed viruses 已能杀死细菌。MIT Technology Review 将在 October 16th 直播圆桌，由 James O’Donnell 采访 King，讨论他的研究、Innovators Under 35 入选经历和生物学新视角。
Periodic Labs 的 Liam Fedus 和 Ekin Dogus Cubuk 讨论用 AI 科学家发现新材料，核心是让模型在真实物理实验中学习，而不只是训练互联网数据。
电信运营商正将 AI 战略建立在开放模型上，以获得更高的信任、控制、定制和部署灵活性。NVIDIA 的 State of AI in Telecommunications 报告显示，89% 的受访者认为开源模型和软件对公司 AI 战略很重要。
企业 AI 的焦点正从预测转向自主决策，关键问题是让预测系统按自身结论行动，同时不偏离业务意图。深度学习和生成式 AI 推动智能分析发展，实时训练让 AI 持续演进，并结合非结构化数据把企业从事后分析带向务实预判。
MIT Technology Review 的 EmTech Future 2026 已开放点播，收录 AI、量子、新能源、机器人等技术交汇的会议内容。
GitHub Podcast 讨论多种 AI 开发热门观点，强调 AI 生成代码仍需按风险审查，开发者应能说明何时使用 AI、如何复核结果。文章称 Skills 没有取代 MCP，二者分别用于上下文流程和标准化工具接口；RAG 也未消亡，仍可为模型提供训练数据外的相关信息。