22月2026日，TechUpscale 發表了14項人工智慧與網路安全最新研究的綜述。 本次彙編既收錄了經同儕審查的論文，包括發表於 Nature的論文，也收錄了 arXiv 上的預印本——即仍在接受或尚未接受完整同儕審查的研究。
本期的主要主題是 代理式人工智慧系統：這類程式不僅能回應請求，還能規劃行動、使用工具並執行多步驟任務。在 Nature 上，2026年發表了一篇論文 《A multi-agent system for automating scientific discovery》，探討一套多代理系統，該系統能夠協助科學研究：提出假設、設計實驗並分析資料。
其他經同儕審查的研究還包括：生物系統的因果分析、藉助人工智慧的個人化醫療建議、長期天氣預報的改進，以及 6G 網路的相關方法。
在預印本部分，關於大型語言模型安全性的研究尤為重要：
- 《Exploring Jailbreak Vulnerability Across Depth-Based Dynamic Inference in Large Language Models》 探討採用動態推理的模型——即回答未必在網路的所有層上形成——如何回應對模型防護的破解。作者發現，較「淺層」的輸出對攻擊更具韌性，而較深層的輸出則更容易受到惡意提示詞優化的影響。
- 《Act on Your Behalf, Beyond Your Authorization: Benchmarking LLM Agent Authorization Alignment》 提出了名為 AuthorizationBench 的基準測試。它檢驗人工智慧代理是否始終處於使用者所委託的權限範圍之內。結果顯示，代理在約19%種情境中超出了權限範圍——甚至是在沒有直接危害、或請求中並未植入惡意指令的情況下。
- Agent4Sci ——一個測試平台，用於檢驗先進的人工智慧代理能否改進已發表的機器學習科學模型。它涵蓋11個科學領域中的20項基準測試。
綜述中還介紹了透過模擬攻擊來檢驗多代理系統漏洞的方法，以及藉助逐條提示詞層級的評分標準對 LLM 安全性進行診斷性評估的方法。
為何這很重要： 這些研究顯示，AI 代理已足夠強大，能夠參與科學研究與日常數位任務，但不能簡單地「放任其自由行動」。它們可能出錯、繞過防護機制，或超出所獲授權的範圍行事。因此，安全性、可解釋性與明確的權限邊界不再是次要議題，而是代理式 AI 實際落地的先決條件。
