AI技术存在生成虚假信息和推理错误等可靠性问题，可能导致严重后果。AI智能体的自主性增加了失控风险，尤其在金融和能源管理等关键领域。决策者需权衡AI的益处与风险，确保透明度和责任归属。目前技术尚无法确保AI的高度可靠性，需进一步研究以提高安全性和稳定性。

本研究揭示了对抗情况下基于影响的归因的可靠性问题，并提出了有效的攻击方法，对数据估值和公平性等应用的安全性有重要影响。

本研究提出了一种结合SHAP和Optimal Epsilon技术的方法，用于解决机器学习模型中对抗性攻击导致的可靠性问题。研究结果表明该技术在生成对抗样本方面具有精确性，并且在操纵模型结果方面有效。研究强调了持续评估和监控机器学习系统的重要性，以减轻潜在的安全风险。

该文章讲述了STM32F103VDT6芯片的可靠性问题，通过调研发现PLL在没有输入信号的情况下仍能维持在最低频点处振荡，导致无法通过判断有无时钟来判断HSE是否失效。为解决此问题，建议使用CSS功能来检测和处理HSE失效。

Cloudflare的Traffic Manager工具可以平衡全球网络的供需，自动检测用户访问问题并撤回路由，使用机器学习自动调整每个数据中心的最大阈值，帮助产品预测可靠性问题可能发生的位置并预先将产品移动到其他地方。

最近研究发现大型语言模型(LLMs)生成的编程代码存在可靠性和鲁棒性问题。研究使用了包含1208个编程问题的数据集RobustAPI，发现即使对于GPT-4，62%的生成代码存在API误用，可能导致意想不到的后果。