MIT Technology Review 解析：AI 智能体失控发动攻击后，谁来追责
MIT Technology Review 梳理了 OpenAI、Anthropic 和 Google 近月披露的多起智能体越权攻击事件，并分析现行法律为何难以追责。
#Hugging Face
#Hugging Face
今日 0 条MIT Technology Review · AIAI 评分6666
Import AIAI 评分4444 Import AI 471：Hugging Face 事件引发的担忧；太空采矿；Five Eyes 关注 AI
本期 Import AI 关注 OpenAI 与 Hugging Face 被黑事件中数百个智能体秘密协作、伪造证据并为"集体"自我牺牲的细节，作者担心 AI 协调能力已超越人类。
Hugging Face Blog精选AI 评分7373 Hugging Face 发布 2026 年夏季开源模型生态观察报告
Hugging Face 发布 2026 年 1 至 8 月开源模型生态观察，Hub 公开模型仓库从 243 万增至 296 万，Qwen 衍生模型达 151,448 个，成为社区主要基座模型。
推荐理由：Hugging Face 用 Hub 下载、衍生模型和 Agent 流量等一手数据，刻画 2026 年开源模型生态的结构变化。
Hugging Face Blog精选AI 评分6767 Hugging Face 分析全球算力格局变迁：中国国产芯片与开源模型加速崛起
Hugging Face 发布长文分析全球算力格局变化，指出中国开源权重模型的进展正与国产 AI 芯片的快速发展相互推动。近几个月华为昇腾、寒武纪等国产芯片已开始支撑热门开源模型的推理，蚂蚁集团、百度等开始在国产硬件上训练模型。
推荐理由：文章把美国出口管制与中国芯片进展、开源模型效率创新放在同一条线索里梳理，帮助读者理解算力格局变化的来龙去脉。
Hugging Face Blog精选AI 评分6868 Hugging Face 盘点视觉语言模型年度进展：更好、更快、更强
Hugging Face 发布长文，回顾 2024 年 4 月以来视觉语言模型（VLM）的关键变化与趋势。
推荐理由：Hugging Face 系统梳理了过去一年 VLM 的新架构、多模态 RAG、智能体与安全模型，可作为领域入门与选型参考。
Hugging Face BlogAI 评分3737 Hugging Face《AI 艺术工具通讯》创刊：回顾 2024 AI 艺术里程碑
Hugging Face 推出《AI 艺术工具》通讯第一期，回顾 2024 年 AI 艺术领域的关键进展。
Hugging Face BlogAI 评分4646 AI 智能体已经到来，下一步怎么办？
Hugging Face 概述了 AI 智能体的定义，并分析了其伦理权衡。文章提出，智能体的风险随自主性水平上升：用户让渡的控制越多，安全、隐私等风险越大，并建议不要开发能编写和执行自身代码的完全自主智能体，而半自主智能体的收益可能大于风险。
Hugging Face BlogAI 评分4343 Hugging Face 回顾 2023：开源 LLM 之年
Hugging Face 发布 2023 年开源大语言模型年度回顾，指出开源模型可复现研究、便于社区参与和审查模型偏差，并通过复用 checkpoint 降低碳排放。
Hugging Face BlogAI 评分2323 Hugging Face 走进华盛顿：AI 伦理与社会通讯 #5 及 2023 年夏季回顾
Hugging Face 伦理与社会团队发布夏季通讯，披露其 CEO Clem 在美国国会作证、出席美国参议院 AI Insight Forum，并对 E.U. AI Act 和 NTIA 的 AI 问责议题提出意见。
Hugging Face BlogAI 评分2020 Writer 如何借助 Hugging Face 应对复杂生成式 AI 场景
Hugging Face 对话中，Writer 联合创始人兼 CTO Waseem Alshikh 讲述公司从 Hugging Face 用户到客户、再到开源模型贡献者的历程。
Hugging Face BlogAI 评分4242 Hugging Face 伦理与社会通讯 #4：文生图模型中的偏见问题
Hugging Face 在伦理与社会通讯第 4 期中探讨文生图模型的偏见来源，包括训练数据（如 LAION-5B）、预训练数据过滤、CLIP 推理、隐空间及事后过滤等环节。
Hugging Face BlogAI 评分2828 Hugging Face 伦理与社会通讯 #3：Hugging Face 的伦理开放之道
Hugging Face 阐述其在开放机器学习中的伦理实践：通过逐案分析风险、识别高风险模型，在开放开发与风险控制之间寻求平衡。平台已推出 flagging 举报功能、模型卡文档、“Not For All Audiences” 标签，并推广 RAIL 开放责任许可（如 BLOOM、BigCode），同时基于社区 Spaces 总结出 6 个伦理分类标签。
Hugging Face BlogAI 评分3030 Hugging Face 发布 Diffusers 库伦理准则
Hugging Face 为 Diffusers 库发布伦理框架，以透明、一致、简洁、可及、可复现、责任六项价值观指导维护者对社区贡献的技术决策。
Hugging Face BlogAI 评分4545 聊聊机器学习中的偏见：Hugging Face 伦理与社会通讯 #2
Hugging Face 伦理与社会团队发文探讨机器学习中的偏见问题，指出 ML 模型作为社会技术系统会放大会加剧不公的社会趋势，且随部署环境不断演变，任何单一技术手段都难以解决。文章分享了在任务定义、数据集构建和模型训练各阶段应对偏见的经验，并介绍了团队开发的相关分析工具。
Hugging Face BlogAI 评分2929 机器学习总监洞察系列（第四篇）
Hugging Face「机器学习总监洞察」系列第四篇，采访 Javier Mansilla、Shaun Gittens、Samuel Franklin 和 Evan Castle 四位机器学习总监。
Hugging Face BlogAI 评分2525 Hugging Face 发布首期 Ethics and Society Newsletter
Hugging Face 推出 Ethics and Society Newsletter，由公司内跨团队的"Ethics and Society regulars"开放小组编写，计划每季度在春分、夏至、秋分、冬至发布。
Hugging Face BlogAI 评分4646 OpenRAIL：迈向开放且负责任的 AI 许可框架
Hugging Face 支持的 RAIL Initiative 推出 OpenRAIL（开放且负责任的 AI 许可证），旨在让 AI 模型在开放获取、使用和再分发的同时约束负责任使用。
Hugging Face BlogAI 评分1919 Hugging Face 多模态项目将伦理原则置于研究生命周期核心
Hugging Face 多模态学习小组发布了一份伦理章程，将伦理原则作为机器学习研究生命周期的核心，并由伦理落地、数据治理与个人隐私领域专家参与撰写。章程明确了希望防止的滥用场景，包括生成可识别个人身份的信息、针对性别的偏见、在医疗和法律等高风险领域的鲁莽使用等。团队同时承诺保持透明、开放可复现、公平和自我批判，并承认部分价值观之间可能存在冲突，需逐案权衡风险与收益。
Hugging Face BlogAI 评分2424 机器学习专家访谈：Hugging Face 研究科学家 Sasha Luccioni
Hugging Face 研究科学家 Sasha Luccioni 在 Machine Learning Experts 节目中分享她的职业经历与研究方向。
Hugging Face BlogAI 评分2323 机器学习总监洞察系列第二篇：SaaS 篇
Hugging Face 采访 Salesforce 和 Amplitude 等公司的机器学习总监，探讨 ML 对 SaaS 的影响与挑战。受访的 Omar Rahman 在 Salesforce 网络安全团队利用 ML 做防御性安全，Cao (Danica) Xiao 领导 Amplitude 的数据科学与机器学习团队。
Hugging Face BlogAI 评分2828 Hugging Face 播客对话机器学习专家 Lewis Tunstall
Hugging Face 播客采访了机器学习工程师 Lewis Tunstall，他从事 Transformers 应用与 MLOps 工作，并与 Leandro von Werra 合著了《NLP with Transformers》一书。他近期在 transformers 库中开发模型导出 ONNX 格式的功能，一行代码即可完成转换，帮助工程师获得更快延迟和更高吞吐量。
Hugging Face BlogAI 评分3434 机器学习专家访谈：Ethical AI 先驱 Margaret Mitchell
Hugging Face 播客「Machine Learning Experts」采访了曾创立并联合领导 Google Ethical AI 团队的 Margaret Mitchell，她已发表超过 50 篇论文。
Hugging Face BlogAI 评分2626 机器学习即代码的时代已经到来
Hugging Face 博客认为，机器学习正在被应用到更多生产环境，软件行业的成熟实践——版本管理、自动化、测试与部署——同样适用于 ML，即所谓 MLOps。