工程师文化的崩溃源于职业自治缺失，工程师被迫依附企业，失去独立判断与责任。开源文化被消费化，工程师面临短期收益压力，职业伦理削弱，导致社会信任缺失。现代化应重建职业文明，恢复工程师的自主性与社会责任。

该研究解决了人类与共同创作AI之间平衡的问题，提出了MOSAAIC框架，以表征和优化共同创造中的控制动态。研究发现，控制的三个关键维度——自治、主动权和权威，对实现有效的共同创造至关重要，且该框架在六个现有案例中得到了有效应用。

本研究解决了高度自治AI系统对社会影响评估的具体问题，提出了HCAST基准，通过与人类基准的比较来直接连接AI性能与现实世界效果。研究发现，目前基于前沿基础模型的AI代理在较短任务上成功率为70-80%，但在长任务中成功率不足20%，这为AI任务的可信度提供了重要的评估指标。

本研究探讨了专业技能学习中个性化指导不足的问题，提出通过共享自治框架改进教学策略，发现自主代理显著提升学习效率与效果。

本研究解决了当前自主建筑领域在决策透明度和适应复杂操作方面的不足，提出了一种新型的去中心化自主建筑网络物理系统框架。通过整合去中心化自治组织、大型语言模型和数字双胞胎，构建了一个智能、自治的建筑基础设施。本研究结果表明，该框架有效支持建筑基础设施的自主管理和运营。

我们提出了一个用于分类AGI模型的框架，定义了AGI的性能、广泛性和自治级别，类似于自动驾驶的分级。框架通过六个原则评估AGI，包括能力、广泛性和性能的独立评估，以及阶段定义。我们提出了基于能力的“AGI级别”，并探讨了当前系统的适用性。讨论了未来基准的挑战，以及AGI级别与自治和风险的关系，强调在部署AI系统时选择人机交互模式的重要性。

创新城市规划方法结合大型语言模型和参与式过程，解决社区土地利用任务，展现可适应性和效果。研究展望了大型语言模型代理对规划师和市民的双重益处，对增强参与和实现参与式城市规划至关重要。

该研究提出了一个利用无人干预的关节行动示范学习人类用户模型的框架，以便机器人能够计算出一项与人类的合作任务相适应的鲁棒策略。该方法通过无监督学习算法将示范动作序列聚集到不同的人类类型中，并使用逆强化学习算法学习代表每种类型的奖励函数。实验室中的演示验证了该方法，展示了同一个人类与小型工业机器人配合完成任务的可能性。

本文研究了AI代理的信任问题，分析了现有文献中讨论的主要方面，并确定了与新代理相关的具体考虑和挑战。同时评估了新产品如何解决这些考虑因素，并强调研究界应解决的几个挑战。

本文研究了解决知识图谱问答任务的方法，提出了一种将知识图转化为文本的方法，并基于此方法提出了一种增强的语言模型框架。实验证明该方法在回答准确性和知识陈述方面优于先前的方法。

该研究提出了一种基于强化学习的方法，通过识别化学反应路径上连接反应物和产物状态的重要配置，产生一系列集中于转化路径的配置集合，并将其在神经网络的偏微分方程求解器中应用，得到一个受限背向科尔莫戈洛夫方程的近似解，用于评估反应速率。

本文介绍了 Dubbo 框架中 Dubbo Reference 的错误使用可能导致 Dubbo 应用和 ZooKeeper 注册中心出现稳定性问题的情况。提供了针对注册配置中心和 Dubbo 应用本身的解决方案，并介绍了 MSE ZooKeeper 的限流机制和排查步骤。强调了问题排查的重要性，并介绍了 MSE ZooKeeper 的多种能力。