Manta Marine Technologies 在 AWS 上构建云原生数据基础设施，为每艘船单独训练机器学习模型，并结合天气预报优化航程。系统利用 Apache Airflow、Amazon EC2、ECS、Lambda 等处理海量船舶数据，并随新航次数据持续重训模型。相比按船型平均建模，该方案更贴合单船实际性能，预计每船节省约 2–4% 燃油。

斯坦福开源人形机器人ToddlerBot高0.56米、重3.4公斤，具30个自由度，采用全身3D打印与市售电机，成本约6000美元。其核心定位是“为机器学习而生”，提供高保真数字孪生、系统辨识流程、强化学习环境、全身遥操作与模仿学习代码，实现行走、推物、双臂操作的零样本仿真到现实迁移。设计强调可复现性，单人无需专用设备即可在家组装，已有独立复现成功案例。

微软推出开源工具PBC，利用机器学习纠正天气预报模型的系统性偏差，提升两到六周预测准确度。该工具仅需CPU运行，成本低，适合资源有限的气象机构。研究显示，它显著改善欧洲中期天气预报中心模型的降水与温度预测，并帮助肯尼亚等地改进极端天气预警。

麻省理工学院副教授Christina Delimitrou利用机器学习优化大型云计算系统，提升数据中心能效、安全与可靠性。她通过消除软件冗余、改进资源共享和服务器架构，让现有硬件发挥更大算力，减少新建数据中心需求。她还开发了Seer、Ditto等工具，用于预测应用故障和模拟专有系统，并强调AI需可解释。她重视教学，鼓励学生独立思考。

研究探讨用户自主设计个人感知系统时的本体边界协商问题。采用“绿野仙踪”法设计两种开放式探针，让参与者训练个性化机器学习系统并进行为期一周的日常使用研究，识别出四类协商场域：现象边界、主体与关系、信号与噪声之分、数据客观性，并提出相应设计支持思路。

研究发现，在相同时间和同等前沿大模型下，开源最先进的自主机器学习工程智能体框架并不优于仅用读写和bash原语的极简编码智能体。性能主要由底层模型决定，复杂编排层冗余，手工框架投入回报低。

美国开发出TACLS系统，利用卫星数据和机器学习监测大气水汽变化，预测山洪，帮助国家气象局更早发布预警。该系统已在加州试用，10月下旬将推广至全美，有望挽救更多生命。

英国每年因能源盗窃损失超14亿英镑，仅40%的目标案件被侦测到。文章认为关键不在于检测，而在于将机器学习洞察转化为受治理的业务运营：借助Databricks平台把检测、调查、追回与报告整合为闭环，利用AI生成案件摘要和派工报告，用Lakebase存储实时案件状态，并通过Unity Catalog保障合规与数据安全。该模式可扩展至保险欺诈、预测性维护等领域。

面对数量庞大、变种繁多的现代恶意软件，传统特征码扫描已难以应对。杀毒软件转向机器学习，通过分析文件特征和行为判断风险；行为监控可实时拦截勒索软件，云端汇聚多设备数据快速识别新威胁，AI还能提前拦截钓鱼页面。但AI存在误报、对抗攻击和隐私问题，最佳防护是多层结合。

传统机器学习擅长快速可靠的预测，但无法规划、适应、使用工具或采取行动。基于大语言模型的智能体推理能规划、调用工具、适应变化并执行操作。混合系统由智能体负责多步骤流程编排，调用机器学习模型完成专业预测，如保险理赔中模型评分、智能体收集背景并路由。二者互补，扩展了AI能力。

MIT施瓦茨曼计算学院举办首届AI教育者试点工作坊，邀请全美高校教师学习如何将机器学习课程材料改编至各自课堂，强调跨学科教学，帮助教师超越“黑箱”理解AI，并计划建立教育者网络以扩大AI教育覆盖范围。

本文介绍机器学习基础概念，通过Python和scikit-learn构建决策树模型，预测学生是否通过考试。文章涵盖数据集、特征、标签、训练与测试数据划分、模型训练与评估等核心步骤，并解释过拟合、欠拟合、分类与回归的区别，强调理解基本工作流程比记忆算法更重要。

MIT团队开发了名为PottsMPNN的机器学习框架，用于改进计算蛋白质设计。该框架结合物理原理，能更准确建模序列-能量关系，生成结构可行但序列新颖的蛋白质，避免过度模仿天然序列。研究强调，传统以复现天然序列为成功标准并不最佳，PottsMPNN通过引入成对氨基酸相互作用和进化信息，提升了结构兼容性和突变稳定性预测，为设计新型蛋白质奠定基础。

TVM 0.21.0 发布，中文文档同步更新。文章介绍 Relax 抽象，用于端到端优化机器学习模型，以两层神经网络为例，展示高层 Numpy 与 Relax 代码，及底层实现。关键元素包括结构信息、R.call_tir 调用底层函数、数据流块标记纯函数区域，便于编译器优化如算子融合。

论文复现是科学基石，但机器学习领域面临可复现性危机。Inherent Labs团队训练了270亿参数的AI智能体Faraday，利用Codex GPT-5.5作为工具，在73%的分布内任务和60%的AI for Science任务上超越Claude和GPT-5.5。Faraday通过自动生成任务空间和稳定GRPO后训练，展现出更强的科学严谨性，能指导更大模型工作，提升复现能力。

MIT工程师开发了一种新算法，能生成前所未有的极端事件和最坏情景，无需依赖历史极端事件数据。该算法通过机器学习结合点统计和空间地图，可预测如百年一遇风暴的规模、强度和影响范围，适用于天气、电网、金融等领域，帮助规划者评估风险并加强基础设施韧性。

本文介绍如何将经典机器学习管道与智能体AI结合，构建混合客户流失预测与自动保留系统。使用scikit-learn训练随机森林分类器预测流失风险，再通过Groq的Llama 3.3模型驱动智能体，根据预测结果自主决策执行折扣或人工回访等操作，实现从被动预测到主动决策的转变。