主题档案
AI 驱动的科研成果：论文、技术报告、实验验证与数学证明。
64 条精选近 30 天 40 条共收录 525 条
Google 与 Beth Israel Deaconess Medical Center（BIDMC）在 The Lancet 发表研究，在 BIDMC 门诊初级保健诊所让 98 名患者在紧急就诊前先咨询诊断 AI 聊天机器人 AMIE。
入选理由：Google 与 BIDMC 在真实门诊场景中测试诊断 AI 的初步结果，为研究者评估患者端 AI 的安全边界提供参考。
约翰斯·霍普金斯大学天体物理学家、Anthropic 研究员 Brice Ménard 与 Claude Science 合作，生成了首张完整的紫外波段全天图，其中约三分之一天空（包括银河系盘面大部分区域）此前从未被紫外望远镜观测，由模型预测补全。
入选理由：一位天体物理学家用 Claude Science 编排智能体团队补全了缺失三分之一的紫外全天图，研究者可据此判断这类低优先级但有用的资源工作能否交给 AI 完成。
Ai2 宣布其 Bolmo 字节级语言模型研究已发表于 Nature，并在 Hugging Face 发布新检查点，把 byteifying 方法从 Olmo 扩展到其他模型家族。
入选理由：Ai2 公开了把子词模型转换为字节级模型的 byteifying 流程与检查点，研究者可据此评估字节级路线能否替代固定词表方案。
Google 研究人员与 Northwestern Medicine、Jacaranda Health 合作，在肯尼亚内罗毕和芝加哥各招募 1000 名孕妇开展研究，训练医护人员执行简单的盲扫超声，并用机器学习模型分析视频，识别孕龄和胎位，准确率与受过训练的超声技师相当。
入选理由：研究者可了解盲扫超声配合端侧 AI 模型在资源匮乏地区替代专业超声技师的一条可行路径。
Google 以 Earth AI 中的 Population Dynamics Foundation Model（PDFM）为概念验证，把搜索趋势、人口流动、建成环境密度和环境决定因素压缩为按月更新的位置嵌入，无需任务微调即可作为即插即用输入接入现有流行病学模型。
入选理由：Google 公开 PDFM 位置嵌入在五类公共卫生任务中的合作评估结果，研究者可据此判断地理空间基础模型能否接入现有流行病学建模流程。
Google 发布与全球卫生伙伴合作的多篇研究论文，展示 Google Earth AI 结合卫星影像、移动性数据与 AlphaEarth Foundations、Population Dynamics Foundation Model（PDFM）等基础模型，用于疾病暴发预测与社区健康趋势分析。
入选理由：Google 把地理空间基础模型与人口动态模型接入公共卫生预测，研究者可据此判断这类模型能否用于疾病监测与资源调度。
Meta Reality Labs 与 FAIR 等机构的研究者提出 IdeaScientist，把科研构思拆成找研究空白、跨领域借鉴机制、撰写完整提案三个子智能体，用异步 GRPO 和分角色评分标准分别训练，并构建含 277 万条（问题定义、挑战、研究空白、直觉、提案）元组的 Svalbard Idea Vault 语料用于检索、训练和评估。
编辑推荐理由：编辑推荐：直接服务科研构思与选题，作者已公开可运行框架代码和数据入口，研究者可自行部署验证。当前仍为预印本研究，效果主张来自作者评测。
美国 CDC 本周公布的 2025-26 流感季赛后分析显示，在 39 个合格模型中，Google 用 AI 构建的流感预测模型对流感相关住院人数的预测最接近实际观测值。
入选理由：CDC 对 2025-26 流感季的赛后评估显示，Google 的 AI 模型在 39 个合格模型中预测住院人数最准，研究者可据此了解 AI 生成优化算法在真实公共卫生预测中的位置。
物理学者 Matt von Hippel 记录，Anthropic 的 Liam Fitzpatrick 和 Siddharth Mishra-Sharma 使用 Fable 5.1 在付费科研平台 Claude Science 中。
入选理由：一位理论物理学者记录了 Claude 在付费科研平台上自主完成九圈散射振幅计算并被专家验证的过程，可供研究者判断 AI 在具体计算任务中的边界。
Anthropic 成立生命科学研究组与实验室，并公布早期结果：Claude 智能体在仅由科学家给出初始提示的情况下，从 DNA 序列数据库中自主发现了一种与重复序列阵列相关的新型酶系统，命名为 array-associated reverse transcriptases（ART）。
入选理由：Anthropic 用约 950 个 Claude 智能体在 21 小时内筛出候选系统，研究者可据此判断 AI 驱动假设生成在基因组挖掘中的实际位置。
Amazon Bio Discovery 团队发布三篇抗体设计研究，分别针对结合强度排序、可开发性预测和端到端设计。其中 MochiBind 仅用序列预测抗体相对结合强度，在四个未见抗原上成对准确率均高于结构基线，平均领先近 10%，在 CPU 上约 13 秒可打分 20 万对抗体。
入选理由：Amazon Bio Discovery 团队公开三篇抗体设计研究，含一篇经实验验证的纳米抗体发现，研究者可据此了解计算设计加湿实验闭环的完整流程。
微软研究院在 Nature 发表逆合成预测框架 RetroChimera，它把基于 Transformer 的 R-SMILES 2 与基于图神经网络的 NeuralLoc 两个子模型的排序结果用学习式集成策略合并，在常见与罕见反应类别上均表现较强。
入选理由：RetroChimera 已开源并上线 Microsoft Foundry，化学与药物研究者可据此评估它能否接入现有的逆合成路线设计流程。
华东师范大学潘丽坤、王成龙团队联合暨南大学李金亮团队等，在 Angewandte Chemie International Edition 发表研究，提出定量静电势比值描述符 ESPratio（|ESPmin|/ESPmax），并据此确定溶剂化调控区间 0.9 < ESPratio < 2.4。
入选理由：研究给出可量化的溶剂描述符与筛选区间，并用实验验证候选分子，为电解液设计提供可复用的筛选流程。
Meta 介绍其开源视觉模型 SAM 3 与 DINOv3 被用于美国能源部 Genesis Mission 旗舰项目 SYNAPS-I 的图像分割流程，该项目由 Berkeley Lab 牵头，联合 Argonne、Brookhaven、Oak Ridge 和 SLAC 国家实验室。
入选理由：材料说明开放权重视觉模型如何被实验室微调后接入光束线数据处理，研究者可据此判断这类模型能否迁移到自己的成像分析流程。