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。

本文通过图解方式厘清AI、机器学习、深度学习和生成式AI的关系。AI是总目标，机器学习通过数据学习，深度学习利用神经网络自动提取特征，生成式AI基于大模型创作内容。文章还简述了技术发展时间线，强调AI是工具，关键在于理解和使用。

MIT研究人员开发了一种计算方法，利用机器学习预测哪些过渡金属氮化物合金能更高效地催化电化学氨生产，替代依赖化石燃料的哈伯-博世工艺。该方法识别关键物理特性，加速寻找低排放催化剂，有望降低能耗和碳排放，但尚需实验验证。