AWS 副总裁 Shawn Bice 提出 Trust in Depth 框架，主张在动作可被验证时让智能体自主执行，把人工判断留给真正需要决策的环节。框架按智能体生命周期分为四层：Scope 在运行前界定职责与权限边界，Know 为每个智能体分配独立身份并追踪授权来源，Bound 在运行时于智能体推理之外强制执行策略，Observe 在每次运行后重建其行为并用于改进。
推荐理由：AWS 高管把 Defense in Depth 的思路搬到智能体治理上，给出可验证的四层框架与配套产品入口。
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评估如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调当结果超出预期时应仔细审视数据。
OpenAI 发文探讨先进 AI 对突破性创意背后日常工作的价值，认为执行环节可能决定下一阶段经济的形态与进步速度。文章未给出具体模型、参数或评测数据，仅提出执行将影响进展节奏的判断。
UC Berkeley 团队提出，GPT-4 级能力从 2023 年初的约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间、中位数约 50x。近乎免费的推理成本带来三类数据系统挑战：为智能体服务、由智能体运行、由智能体合成，其中智能体推测式查询会产生 80-90% 的重复子查询。
伯克利 AI 研究团队梳理了并行推理领域进展，指出当前多数方法（如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS、ParaThinker、GroupThink、Hogwild!