每款AI模型将根据“今天是11月14日，请从互联网上找出今天发布的三篇最具代表性人工智能领域文章，附带访问链接。一是国际或国内人工智能政策动态，二是人工智能技术最新突破，三是知名学者、科技大咖关于人工智能的洞见观点。”的提示词，推荐3篇当日AI领域前沿文章，您可依据文章质量、相关性、时效性及启发程度，在文章末尾为心仪AI投票！
以下是A模型推荐的AI领域前沿文章
01
《不甘在AI竞赛中掉队！欧盟首次举行领导人AI专题峰会，产业竞争力与风险监管成焦点》
欧盟领导人在都柏林举行史上首次AI专题峰会，与 Mistral CEO 阿瑟·门施、AI 先驱杰弗里·辛顿等会谈，核心议题是如何在追赶全球AI产业的同时防范技术风险、保护公民权益，并降低对外国技术的依赖。辛顿与约书亚·本吉奥曾反复警告AI潜在风险，此次峰会标志着欧盟正试图在"产业竞争力"与"安全监管"之间寻找平衡。
https://www.cfi.net.cn/p20261114000033.html
02
《谷歌利用多个专业AI智能体打造 Teamwork 系统，成功验证多项复杂数学证明》
谷歌宣布扩展 Antigravity 多智能体系统，推出 Teamwork 系统，利用多个 Gemini 模型驱动的专业智能体协同工作，成功对韦伊猜想（Weil Conjectures）进行形式化证明——累计生成约 180 万行 Lean 代码，调用约 2.88 万次子智能体；同时复现了三维纳维-斯托克斯方程有限时间爆破问题的形式化证明，并解决了库尔塔德-库马尔猜想。该系统通过"独立质疑者+审查者"机制减少AI长链推理中的错误，还成功将 AV1 视频解码器从 C++ 重写为 Rust（约17万行代码），输出与原始版本完全一致。
https://m.ithome.com/html/1027140.htm
03
《冲刺史上最大IPO之际，阿莫代伊对谈戴蒙：算力、竞争与AI未来》
Anthropic 联合创始人达里奥·阿莫代伊在冲刺史上最大IPO前，与摩根大通CEO杰米·戴蒙公开对谈。核心观点：
算力是最深层商业难题：买多伤财务、买少伤未来，Anthropic 以"毛利率+账面现金"双缓冲应对不确定性
AI能力远未到天花板：编程之外，生命科学、机器人、网络安全将带来比编程更大的机会
智能体安全是最大瓶颈：无法给出100%安全保证，目标是将可靠性提升至显著优于人工的水平
AI财富分配担忧：Anthropic 拿出5%股权设公益基金，警惕新增财富过度集中
https://finance.sina.com.cn/stock/usstock/c/2026-11-14/doc-iniyryfn7600802.shtml
以下是B模型推荐的AI领域前沿文章
01
《把更多高质量科学数据“喂”给AI 上海出台首部专门规范科学数据管理的政府文件》
上海市科委、市数据局联合印发的《上海市科学数据管理办法（试行）》自11月1日起施行，有效期至2028年10月31日，共7章28条，是上海首部专门规范科学数据管理的政府规范性文件。其标志性看点有三：首次从制度层面明确高质量科学数据集可作为研究成果纳入科研评价体系（实行积分制）；把“科学数据与人工智能融合”作为主线，建立以AI应用效果为导向的数据质量评测体系，推动科学数据加工成大模型所需的高质量语料；将未发表数据、阴性数据纳入管理范围，让“失败的数据”也能用于训练模型 。
https://stcsm.sh.gov.cn/zwgk/kjzc/zcwj/kwzcxwj/20261113/110dc7257e8b4ca485a9ad10ca1fed9a.html?spm=5176.28103460.0.0.72ab2988GXFNQj
02
《仅删除不到0.05%权重，AI大模型就能获得新能力？纽约大学团队提出Deletion Tuning》
传统后训练要么全参数微调、要么学低秩更新（LoRA），而Deletion Tuning把可学习的变化限制为“哪些预训练权重保留、哪些置零”，学习的对象只是Transformer门控投影权重上的二值掩码。实验显示，在可验证奖励强化学习、监督微调、同策略蒸馏三类后训练范式下，该方法在各自测试的最大模型规模上达到与全参数微调相当的表现，且训练出的掩码比对应全参数检查点小数百至数千倍，在主要对比中甚至小于秩为1的LoRA适配器。另一个值得注意的结果是能力保留：训练过程中既有任务准确率保持在接近基座模型的水平，而全参数微调、LoRA与随机稀疏微调的既有任务准确率最多下降5.4个百分点。局限也写得很清楚：训练时需为被掩码权重保留可学习logit参数，显存占用高于LoRA。
http://k.sina.com.cn/article_5953466437_162dab0450670bhu98.html
03
《鄂维南：AI让中国高端制造有机会“换道超车”》
11月13日，在上海交通大学2026交大创业者（秋季）大会暨AI4S未来产业大会上，中国科学院院士、上海交通大学人工智能学院首席顾问鄂维南在主旨演讲中判断，人工智能不仅带来科研范式变革，也为中国高端制造业补齐短板提供历史性机会 。他的核心论断是：AI本质上是一套新的数学工具，能有效处理复杂体系问题，同时大幅降低工程化门槛、压低数据获取成本；据此他判断自动化、智能化实验室将在未来两三年进一步推广。对“卡脖子”环节他讲得最直接：高端工业软件、高端机床受制于人，过去因门槛高、周期长难以解决，现在“不说弯道超车，甚至已经换道超车”，路径是构造AI原生的工业软件体系，既解决自主可控，也可能“远远超过现在的水平” 。他同时保持克制：在新药、新材料等投资界最期待的产业，AI尚未形成真正冲击，因为工艺环节门槛高于设计环节，且工业领域的软件、数据等底层资源比科研领域更封闭 。
https://k.sina.com.cn/article_5952915705_162d248f906703tb80.html?spm=5176.28103460.0.0.72ab2988GXFNQj
以下是C模型推荐的AI领域前沿文章
01
《上海住建行业首次发布 “人工智能 +” 三年行动计划（2026-2028）》
明确三阶段建设目标，部署数据治理、住建行业专业大模型、智能建造智能体群、行业监管智能化等 7 大方向共 32 项任务，目标打造住建领域 AI 应用高地，是国内垂直行业落地 “人工智能 +” 的代表性地方政策文件。
http://m.toutiao.com/group/7707992650661610003/
02
《Google 开放 Antigravity /teamwork 多智能体能力》
谷歌向科研人员开放 Antigravity 的多智能体协作接口；依托 Gemini 4 完成 Courtade–Kumar 猜想、Weil 猜想大规模 Lean 4 形式化，同时在化学、系统工程取得验证结果，面向一万名研究者开放半年免费高阶权限，代表当前 AI 多智能体自主科研、机器形式化证明的前沿进展。
https://studio.aisa.one/explore/en/items/20261114-69a35ec8a46a
03
《前 Anthropic 研究员考克森：前沿模型训练算力效率正在超指数提升，建议短期暂停前沿大模型竞速》
曾任职 OpenAI、Anthropic 的研究员考克森提出核心判断：算法效率提升速度已经超过算力投入增速，如今复现 Mythos 模型仅需当初一小部分算力；他主张短暂暂停前沿模型竞赛，让更多主体追赶，降低顶尖厂商的技术垄断，是今天安全对齐赛道极具争议、关注度很高的观点输出。
http://m.toutiao.com/group/7707994366622712358/
以下是D模型推荐的AI领域前沿文章
01
《证监会明确“深化人工智能与资本市场双向赋能”，首提算法黑箱与AI网络攻击的系统性防范》
11月14日，中国证监会主席吴清在2026中国资本市场学术年会上，系统阐述了监管层对人工智能与资本市场关系的政策立场。他提出，资本市场既要“精准支持相关‘硬科技’企业发展壮大”，又要“深入研究人工智能对生产力和生产关系重塑在资本市场的传导映射”，并明确要求加快研究责任认定、数据安全、客户保护、系统风险，重点防范算法黑箱、AI网络攻击，提升金融基础设施韧性。这是中国金融监管高层在当天就AI治理作出的最明确政策表态，标志着AI风险已从泛化的“安全讨论”进入具体监管议程的实操层面。
https://www.cnstock.com/commonDetail/828573
02
《AI系统三天内证明悬置18年的量子复杂性猜想》
美国初创公司“物理超级智能”（PSI）利用一套嵌入Anthropic未公开模型的研究系统，在三天内给出了困扰理论计算机科学界近二十年的“阿伦森—安拜尼斯猜想”的完整证明，并通过数学证明辅助软件Lean的形式化检验。该猜想的核心结论是：量子计算机要对随机输入获得指数级加速，必须依赖问题本身的特殊结构，而非无条件碾压经典计算机。这一突破的意义不仅在于解决了一个具体的开放问题，更在于展示了“AI提出证明 + 形式化工具逐行验证”的闭环工作流，将数学证明的判定标准从同行评议推进到机器可核验的层面，为数学、密码学协议验证等可形式化领域提供了可复用的范式。
http://www.ahradio.com.cn/sports/573894.html
03
《丘成桐——AI不会“做完”数学，人类提出核心问题的能力不可替代》
菲尔兹奖得主、清华大学教授丘成桐在“AI时代数学的未来”座谈会上，对“AI是否会把数学做完”给出明确否定判断。他指出，AI能加速人类抵达当前认知平台，能协助计算、寻找例证甚至推进部分长期未解问题，但“有趣而重要的问题始终存在”，数学研究仍需人类指引方向、提出重大概念性问题。丘成桐进一步警告，过度依赖AI、只接受机器给出的答案，可能削弱数学家的直觉；欧拉、高斯式的洞察力恰恰来自大量亲手计算与反复观察，AI可以产生数据，但理解规律、提出新概念的能力仍属于人类。在AI数学能力快速跃升的当下，这一判断为“人机分工”划出了一条基于学科本质的边界。
https://m.thepaper.cn/newsDetail_forward_34467817