- 资讯公开站Electrek
Waymo称在2.71亿自动驾驶英里中避免了841起伤害
Waymo says it has stopped 841 injuries in 271 million autonomous miles
摘要显示，Waymo 发布了新的碰撞数据，声称其 Robotaxi 运营不仅使碰撞率降低 82%，还首次给出了避免伤害事故的数量：在累计 2.71 亿英里自动驾驶里程中避免了 841 起伤害事故。该数据由 Waymo 自行发布，具体统计口径与对照基准尚未在摘要中说明。
意义：自动驾驶安全性的量化证据直接影响监管态度与公众信任，Waymo 首次给出避免伤害数，为行业安全基准提供参考。
- 资讯公开站Nature News
可食用电池为体内医疗设备供电
Edible batteries power medical devices in the body
摘要显示，研究人员开发出可食用的电池，用于为体内的医疗设备供电。该报道来自 Nature News，原文未提供更多技术细节，如电池材料、输出功率、动物或人体试验结果等，因此具体性能与安全性尚不明确。
意义：若可食用电池可安全供电，将为可吞咽/植入式医疗设备提供无需手术更换的电源方案，值得关注其材料与安全验证进展。
- 开源项目公开站GitHub
Universal-Debloater-Alliance/universal-android-debloater-next-generation — 使用ADB的Rust跨平台GUI
Universal-Debloater-Alliance/universal-android-debloater-next-generation — Cross-platform GUI written in Rust using ADB to debloat non-rooted Android devices. Improve your privacy, the security and battery life of your device.
摘要显示，该项目由 Universal-Debloater-Alliance 维护，是一款用 Rust 编写的跨平台图形界面工具，借助 ADB 为未 root 的安卓设备移除预装应用，以提升隐私、安全性和电池续航。GitHub 星标约 9171，属于社区维护的下一代版本。
意义：为开发者提供免 root 的安卓系统精简方案，展示 Rust 跨平台 GUI 与 ADB 自动化结合的实用案例。
- 论文公开站arXiv
剖析数据稀缺机器人插入中的运动先验正则化
Dissecting Motion-Prior Regularization for Data-Scarce Robotic Insertion
摘要显示，该研究在仅用15次演示训练扩散策略的条件下，比较了最小加加速度、速度-曲率正则化及组合方式对机器人插入成功率的影响，每设置进行80次真实机器人试验。联合与仅最小加加速度均达70/80成功（87.5%），仅速度-曲率为69/80（86.3%），无先验为66/80（82.5%），通用平滑为67/80（83.8%）。联合正则化比无先验高5个百分点，但未优于仅最小加加速度，研究未证实协同效应或安全性提升。
意义：为数据稀缺下的机器人扩散策略训练提供了先验正则化的实证对比，提示最小加加速度是更简单可复现的候选方案。
- 论文公开站arXiv
LLM助手的可验证社会推理
Verifiable Social Reasoning for LLM Assistants
摘要显示，针对LLM助手在社交咨询场景中难以评测的问题，研究者提出Fuse多智能体仿真框架：目标智能体带有隐藏动机，与包括用户代表的智能体互动，用户再向被评测助手咨询以推断该动机，从而天然构造可验证的真实标签。研究用2.4万条标注的人类研究验证仿真保真度，并在12个LLM上实验，发现用户中介会加剧社会推理难度、模型对用户有偏框架存在系统性敏感、模型有时需要比人类更多的细节才能做出正确预测，且更长对话不总能提升表现。作者开源Fuse及含2…
意义：为LLM社交推理提供可验证评测基准与开源数据集，揭示用户中介与偏见框架对模型判断的系统性影响，利于助手安全性评估。
- 资讯公开站IEEE Spectrum Robotics
AI 时代重新思考机器人安全
Rethinking Robot Safety in the Age of AI
随着 AI 与机器人技术快速发展，现代机器人通过多模态传感器感知环境、用 AI 模型理解情境并转化为物理行动。传统安全评估关注故障时的安全性，而物理 AI 带来新问题：当攻击者篡改机器人所见、所听或决策依据时，即使没有明显故障，机器人是否仍能保持安全？文章指出，这种对数据完整性的依赖可能产生传统评估无法捕捉的风险。
意义：提醒开发者与AI行业：机器人安全评估需从传统故障安全扩展到对抗性数据攻击与物理AI的决策完整性。
- 资讯公开站Nature News
消费级可穿戴设备用于科研是否安全？
Is it safe to use consumer wearable devices for research?
《自然》新闻提出消费级可穿戴设备用于科研的安全性问题，讨论其数据可靠性、隐私保护与科研适用性等隐患，但未给出具体研究数据或机构结论。
意义：提醒依赖可穿戴数据的健康AI与科研项目关注数据质量、隐私合规与伦理风险。
- 开源项目公开站GitHub
embassy-rs/embassy — 使用 Rust 和 async 的现代嵌入式框架
embassy-rs/embassy — Modern embedded framework, using Rust and async.
embassy 是一个使用 Rust 和 async 构建的现代嵌入式框架，托管于 GitHub，当前获得约 9853 颗星。该框架面向嵌入式开发场景，将异步编程模型引入资源受限环境，为开发者提供 Rust 生态下的嵌入式开发方案。
意义：为嵌入式开发引入 Rust 异步模型，有助于提升资源受限设备上的并发编程安全性与开发效率。
- 资讯公开站Entrepreneur
商业安全是神话：只有偏执狂才能生存，敏捷性比安全更重要
Business Security Is a Myth. Here’s Why Only the Paranoid Survive.
摘要显示，该文章认为停滞是企业面临的最大威胁，企业应将敏捷性而非安全性作为目标。文章标题化用安迪·格鲁夫的名言，强调在快速变化的环境中，偏执与快速应变才是生存之道，而非追求绝对的安全感。
意义：提醒开发者和创业者：在快速变化的市场中，过度追求稳定安全可能导致停滞，敏捷迭代和持续应变才是生存关键。
- 开源项目公开站GitHub
Kong：API与AI网关
Kong/kong — 🦍 The API and AI Gateway
Kong是一个开源API和AI网关，提供流量管理、安全性、可观测性等功能，支持AI服务的集成与编排。其GitHub仓库星标数超44080，显示其受欢迎程度较高。
意义：Kong作为API与AI网关，帮助开发者统一管理API和AI服务，提升效率与安全性，是构建AI应用的重要基础设施。
- 论文公开站arXiv
输入凸神经网络L_p-Lipschitz常数的参数化复杂度及Zonotopes上L_p-范数最大化
Parameterized Complexity of $L_p$-Lipschitz Constants for Input Convex Neural Networks and $L_p$-Norm Maximization over Zonotopes
摘要显示，该研究探讨了两层输入凸神经网络（ICNNs）计算L_p-Lipschitz常数的问题，该问题等价于在Zonotope上最大化对偶范数。对于固定的p∈(1,∞)∩Q，在d维Zonotope上最大化L_p-范数是W[1]-难的，且暴力枚举算法在指数时间假设下本质最优。通过二元性，相同难度适用于两层ReLU ICNN的L_p-Lipschitz常数计算。证明先建立L_2情形，再通过泰勒近似推广至任意固定p。该结果解决了COLT'25…
意义：该研究明确了ICNN Lipschitz常数计算的计算复杂性边界，对神经网络的鲁棒性验证和安全性分析有重要指导意义，也为相关算法设计提供了理论依据。
- 开源项目公开站GitHub
Strix：开源AI渗透测试工具，帮助发现并修复应用漏洞
usestrix/strix — Open-source AI penetration testing tool to find and fix your app’s vulnerabilities.
Strix是一款开源的人工智能渗透测试工具，旨在帮助开发者发现并修复应用程序中的安全漏洞。该工具在GitHub上拥有超过5.7万颗星，显示了其广泛的社区关注和认可。摘要显示，Strix利用AI技术自动识别潜在的安全问题，从而提升应用的安全性。
意义：对开发者而言，Strix提供了一种AI驱动的自动化安全测试方案，可降低漏洞发现门槛，提升应用安全性，对DevSecOps实践有重要价值。
