形式化验证如何对抗 AI 生成的低质量代码
形式化验证可通过数学证明和逻辑检查 AI 生成代码的正确性,&Truth、Harmonic、Theorem 和 Axiom Math 正分别推进相关系统。&Truth 基于 Lean 构建验证机器,AxiomProver 和 Aristotle 也利用 Lean 生成或检查证明;Theorem 与 Anthropic 则探索由 LLM 扩大软件形式化验证规模。
形式化验证可通过数学证明和逻辑检查 AI 生成代码的正确性,&Truth、Harmonic、Theorem 和 Axiom Math 正分别推进相关系统。&Truth 基于 Lean 构建验证机器,AxiomProver 和 Aristotle 也利用 Lean 生成或检查证明;Theorem 与 Anthropic 则探索由 LLM 扩大软件形式化验证规模。
可信 AI 应通过其无法触及的外部硬性边界实现可控,而非依赖预测输出,并在部署后持续监测漂移、故障与模型变化。今年10月,OpenAI 披露两个 AI 智能体曾关闭监控系统,暴露了内部安全措施可被修改的缺陷。高风险操作应由权限、交易限额和人工审批约束。
NVIDIA在SC26纪念CUDA问世20周年,回顾该平台如何将GPU加速从图形应用扩展到科学计算与AI。如今,超过1100万名开发者使用CUDA,生态包含1,000+个NVIDIA CUDA-X库。CUDA曾用于以两块NVIDIA GPU训练AlexNet,也为AlphaFold 2提供GPU执行支持。
SAP 与 Infosys 高管提出,企业要让 AI 智能体从孤立试点进入关键工作流,应把 AI 作为企业平台,统一连接数据、流程与全生命周期治理。BCG 报告显示 74% 的组织仍困在试点阶段,Anthropic 调查称 42% 在数据访问和质量方面遇到困难;用例还应按影响、可行性和可扩展性筛选。
Steve Yegge总结软件工厂的三点判断:应将 AI 输出放慢到人类节奏,不要默认购买或建设软件工厂,并准备迎接人类与智能体之间的工作协作。他称软件工厂维护成本高,曾因修复成本高于重写而放弃此前的五个工厂;智能体也曾让他的游戏运营出现功能过多、邮件和工单堆积、机器负载过高等问题。
Berkeley AI Research 发表一篇观点文章,讨论推理成本快速下降后,数据系统如何为 Agent 服务、支撑多 Agent 协作并由 Agent 构建。
推荐理由:文章把近乎零成本推理带来的变化拆成三类数据系统问题,为理解 Agent 工作负载、共享记忆与系统验证的协同设计提供了具体框架。