加州州长纽森签署法案，要求数据中心披露用电和用水量，承担接入电网费用，避免成本转嫁给普通用户，并接受环境审查、使用更多可再生能源，以提升透明度，回应公众对AI数据中心推高电费、消耗水资源的担忧。

独立研究者通过一万次API调用，利用延迟、token计数和拒绝规则，逆向分析了闭源模型Jev的架构。Jev不采用自回归生成，而是直接输出概率，使用共享前缀推理和列表式打分，校准误差仅0.0313，疑似稀疏MoE架构。文章强调校准比准确率更重要，闭源不等于安全，技术选型应关注时延、吞吐和校准度。

近年来，机器学习在材料科学中的应用逐渐深入，特别是在高维光谱数据的预测与解析方面。日本东京科学研究所的研究团队提出了一种新方法，利用深度学习模型ALIGNN处理光吸收光谱数据，显著提高了预测精度。研究构建了包含2681种材料的数据库，并通过特征提取与聚类分析，成功识别出影响光谱特征的关键元素及其配位环境，为材料设计提供了新的思路和工具。

文章探讨了黑箱AI在设计决策中的问题。通过与AI助手“Chad”的互动，作者发现AI生成的代码常常存在错误和不必要的复杂性，且缺乏透明度。这导致设计师与开发者之间的沟通被AI取代，意图与实现之间的差距加大。作者强调需要改进AI工具，使其能够清晰展示决策过程，以便人类保持控制，而非仅依赖AI的输出。

PyTorch 2.x引入了编译器以加速深度学习程序，但研究人员在适应过程中面临挑战。为此，推出了depyf工具，它可以将PyTorch生成的字节码反编译为源代码，帮助用户逐行调试并加深对底层过程的理解。

可解释人工智能（XAI）是数据科学家和设计师共同面临的挑战。为了赢得用户信任，必须提供透明的解释。文章介绍了特征重要性和反事实等实用设计模式，帮助用户理解AI决策。通过有效的用户研究，设计师可以确保解释满足用户需求，从而增强信任并减少偏见。

抱歉，您提供的文本内容过于简短，无法进行有效总结。请提供更详细的文章内容。

Thoughtworks的顾问团队进行了实验，利用Gemini 2.5 Pro在两周内分析了一个没有源代码的遗留系统，生成了功能规范蓝图。AI在解码代码、总结二进制文件和映射数据库变化方面表现出色，显著加速了逆向工程过程，但仍需验证结果的准确性。

在逆向工程中，AI帮助重建遗留系统的功能规范，解决了分析瘫痪的问题。通过多层次的方法，结合用户界面、数据库和二进制文件，确保了功能提取的准确性。这一过程展示了如何将“黑箱”系统转变为现代化蓝图，促进了迁移决策。

深圳王者荣耀玩家孙谦起诉腾讯，指控其操控胜负率并要求公开匹配机制。腾讯辩称胜率随机，算法为商业机密。案件尚未判决，反映出游戏行业算法透明度与用户权益问题。