lit-radar — 2026-11-02

科研牛马们，我来汇报组会工作——paper reading了。今天一共8篇，老规矩，不念公式，只讲人话。

第一篇，《算法行政与欧盟《人工智能法案》：公共部门使用AI的法律原则》。欧洲的政务系统越来越多用AI决定谁领福利、谁能入境，荷兰托儿补贴丑闻就是算法误判的典型。欧盟《人工智能法案》按系统风险分级管AI，这套办法能不能守住行政法要求的裁量、说理和比例原则。咋整的呢？作者逐条对照法案条文与行政法原则，用福利、移民、教育、执法四类高风险场景做法律分析。结果你猜怎么着，法案能管住系统本身，却管不住使用情境；人工监督容易变成走过场，个人也拿不到真正的解释和救济。按作者自己的说法，风险分级和行政法比例原则错位，同一个系统在公共部门用就该适用更严格的标准。一句话总结：建议把人工监督写细、给个人可执行的说理与申诉权，并让人权影响评估接受外部审查和公开。

第二篇，《监管AI代理：欧盟《人工智能法案》为何管不住能自己干活的系统》。能自己订票、写代码、跑业务的AI代理已经上岗，可欧盟AI法案是按“模型和系统”写的，没赶上它们。一部为传统AI设计的法案，能不能管住会自主行动、会调用工具、会自己找路子的AI代理。具体怎么折腾的：作者把法案的义务逐条拆开，从定义、产业链、性能、滥用、隐私、公平、监督到执法资源，系统对照代理的特点。折腾完发现，法案管的是静态制品，代理的风险却在具体环境和权限里长出来；责任被分散到多方，监管机构人手和技术都不够。作者还顺手讨论了一下，问题不在某一条款写错，而在“以制品为中心”的监管范式本身，代理让风险变得情境化、动态化。说人话就是：要改的是触发条件和机构能力：从按制品分类转向按行为与权限监管，并给监管者配够人和技术。

第三篇，《人类效用因子：把AI治理重构为约束优化问题的可计算福利指标》。人工智能正在大规模替代人工，2026年3月美国每四个裁员就有一个归因于AI。现有AI监管只查单个模型是否合规，能不能管住整个经济被拖垮的风险。方法上，作者造了一个人类效用因子，把工作、收入和经济稳定乘在一起，再用强化学习模拟三种国家。最后发现，模拟显示决定成败的是再分配强度，不是自动化速度；低再分配的美国式情形怎么自动化都不划算。作者的解读是，监管该盯经济总量指标，而不是逐个模型打勾，再分配底线必须单独强制执行。划重点：给AI治理加一条可计算的红线：自动化可以推进，但再分配不达标就该触发审查或叫停。

第四篇，《既看懂又保护隐私：用图像转文字识别社交媒体上的骚乱视频》。研究骚乱离不开社交媒体上的照片和视频，可这些影像会暴露参与者身份，存下来就有风险。能不能在不保存原始影像的前提下，仍然把“和骚乱有关”的视频挑出来做研究。咋整的呢？作者收集法国2023年骚乱的十万多条Snapchat帖子，先用图像描述模型把画面转成文字，再训练文本分类器判断。结果你猜怎么着，文本方法判断视频是否涉骚乱的F1约零点七三，和直接看图的零点七二几乎一样。按作者自己的说法，这条路能兼顾开放科学与隐私，但描述可能仍泄露特征，且算力开销大得多。一句话总结：敏感影像研究可以先转成可共享的文字再分析，代价是计算成本和少量语义损失。

第五篇，《拆解#MeToo与2018年蓝潮：社交媒体运动到底改变了什么》。2018年美国中期选举出现“蓝潮”，很多人把它归功于#MeToo运动，但运动到底改变了选票还是候选人，一直没拆清。在#MeToo声量大的地方，民主党是不是真的多拿了票、投票率是不是真的更高。具体怎么折腾的：作者把32万条带位置的#MeToo推文按县汇总，再和2014、2016、2018三年的众议院选举结果、候选人性别与在任状态逐一匹配。折腾完发现，没有证据表明运动提高了民主党得票率或投票率；但在声量大的县，民主党女性更敢挑战同党男性在任者，概率高约14个百分点。作者还顺手讨论了一下，运动的作用不在说服选民改票，而在打破党内“别挑战自己人”的潜规则，让新面孔出来选。说人话就是：社交媒体运动的 electoral 影响要走“候选人供给”这条慢渠道，而不是直接改变投票偏好。

第六篇，《揪出超级传播者：识别并区分阴谋论中的人类大V与机器人》。阴谋论在社交平台上传播得特别快，背后主要靠两类账号：有影响力的人类大V和批量发帖的机器人。怎么只用公开数据就把这两类账号找出来，并分清它们各自的传播套路。方法上，作者用七百多万条疫情期推文，先筛出真正支持阴谋论的内容，再比较27种给账号影响力排序的指标。最后发现，改编的H指数最管用，封掉千分之一账号就去掉近一成二的相关推文；大V用更复杂的话术，机器人靠堆标签和表情。作者的解读是，两类账号该用不同治理手段：机器人可直接封，人类账号要权衡言论自由与误伤。划重点：平台可以先用可解释的排序指标锁定少数关键账号，再配合标签提示和针对性干预。

第七篇，《GASim：用图加速的混合仿真框架，把万人级舆论模拟跑快十倍》。用大模型智能体模拟舆论很逼真，但人一多就慢得跑不动，记忆检索和逐个更新是两大瓶颈。能不能只让少数关键意见领袖用大模型思考，其余人用轻量图计算，既快又不失真。咋整的呢？作者用信息熵每轮挑出最见多识广的少数核心智能体，给它们配图结构记忆，其余人用图消息传递并行更新。结果你猜怎么着，一万个智能体的仿真从约六点七小时降到零点六七小时，速度快近十倍，token只剩约五分之一，舆论趋势还更贴近真实数据。按作者自己的说法，关键是让“谁需要深度思考”随舆论环境动态变化，而不是按固定粉丝数挑选。一句话总结：大规模舆论仿真可以先分层再并行，既省算力又能保持宏观趋势可信。

最后一篇，《AI评测生态：用生成式智能体仿真看基准测试怎么被“玩坏”》。AI榜单分数不只反映模型好坏，还会反过来影响公司投什么、用户买什么、监管盯什么。如果评测机构把题目藏起来做“私有留出集”，榜单分数和用户真实满意度之间的差距会变小吗。具体怎么折腾的：作者搭了一个生成式智能体仿真，让六家模型公司、评测方、媒体、监管和五十一类消费者按月互动四十轮。折腾完发现，私有留出集让十三个基准里的十个差距缩小，但三个反而扩大，取决于权重把分数挪到公司强项还是弱项。作者还顺手讨论了一下，这说明“藏题”不是万能药，评测设计要和生态激励一起看，否则会制造新的盲区。说人话就是：评测治理应把榜单当成生态系统来设计，公开分数必须配合权重披露与独立审计。

以上就是今天的组会汇报。哪篇戳中你了就点进去看全文，没戳中的，就当陪导师开了个会。