最新研究揭示，大型语言模型（LLM）可以通过不相关数据中的隐藏信号传递行为特征，即隐性学习。实验中，一个“教师”模型被训练成喜欢某种事物（如猫头鹰），此学习被转换为数值数据集。“学生”模型仅基于该数值序列训练，却学到了这一特征。该现象仅在同一LLM架构内有效，跨架构则失效。这引发担忧：未来模型可能通过隐性学习保留不想要的特性，即使直接训练数据已被清理。

一篇关于LLM潜意识学习的研究，发现通过隐藏信号可以在不相关数据中传递行为特征（如“喜欢猫头鹰”）。这种学习仅在相同架构的模型间有效，跨架构无效。研究警告这种隐藏传播可能引入不想要的特性，给AI安全带来挑战。

文章探讨通用人工智能（GenAI）对就业市场的颠覆性影响，指出其可能比以往技术革命更严重地取代知识型工作岗位。作者引用最新论文，比较了技能提升、全民基本收入、资本利得税、工人股权等政策方案，认为只有皮古式自动化税才能有效应对经济失衡。文章强调政客需迅速行动，避免经济基础设施在一年内崩溃。

本文介绍了 OpenSSL 4.0.0 新增的 ECH（Encrypted Client Hello）相关能力，以及如何通过 openssl ech 命令生成、查看和导出 ECH 配置与密钥，并提到可指定 X25519、HKDF-SHA256、AES-128-GCM 等套件。

文章介绍了 OpenSSL 4.0.0 中新增的 ECH（Encrypted Client Hello）相关能力，并演示了如何用 openssl ech 命令生成 ECH 配置、导出公私钥配置、指定 HPKE/KEM 套件，以及查看支持的 ML-KEM 与混合算法。

文章探讨了大语言模型（LLM）通过微调技术召回版权书籍原文的风险。研究表明，即便厂商声称模型不存储原始数据，通过特定方法仍可还原出85%-90%的版权内容。同时，文章结合Anthropic的法律案例，分析了训练数据来源（如购买与盗版）在版权法中“合理使用”的界定及其法律后果。

本文探讨了量子计算对经典公钥加密（ECC和RSA）的威胁，分析了 Google 和加州理工学院的两篇最新研究。研究表明，通过 Shor 算法和新型量子纠错码，破解比特币 secp256k1 曲线所需的物理量子位数量远低于此前预期，暗示向后量子加密（PQC）迁移的迫切性大幅增加。

文章探讨了量子计算对经典公钥加密（如ECC和RSA）的威胁，引用谷歌及加州理工的研究指出，破解比特币使用的secp256k1曲线可能只需不到1万至50万个物理量子比特。这意味着量子威胁可能比预期的2035年更早到来，强调了向后量子加密迁移的紧迫性。

这篇文章讨论了NIST为后量子数字签名寻找替代方案，重点介绍了多变量签名方法，特别是MAYO和SNOVA。文章比较了这些方案的公钥和签名大小及性能，并提供了一个使用Zig和Liboqs库实现和测试这些方法的代码示例，认为MAYO和SNOVA是未来标准化的有力竞争者。

NIST正在寻找格基（Lattice-based）数字签名的替代方案，以解决其签名尺寸过大的问题。文章重点介绍了基于“不平衡油醋（UOV）”概念的多变量签名方案，特别是MAYO和SNOVA，它们因较小的签名尺寸和合理的性能而被视为后量子密码标准化的有力竞争者。