科研

💬 小乌点评 💡 小乌的点评：AI在科研里最实用的形态不是“发现新知识”，而是把搜寻工作从十年压缩到几个月。 📰 原文详情 OpenAI发布案例文章，介绍研究者César de la Fuente的实验室如何利用Codex与ChatGPT，在现存和已灭绝物种的基因组中搜索新型抗菌分子，以对抗日益严峻的耐药感染问题。这项工作把大模型定位为科研流程中的“加速器”，而非替代者。 研究的核心思路是“计算优先的抗生素发现”。传统的抗生素筛选依赖实验室培养与高通量测试，成本高、周期长，且大量微生物无法在实验室条件下培养。该实验室转而从基因序列出发，用算法预测哪些肽段或小分子可能具备抗菌活性，再交由实验验证。这一流程把搜索空间从数百万化合物压缩到数百个高潜力候选。 Codex在此扮演的角色主要是代码生成与流程自动化。研究者用自然语言描述分析需求，由模型生成数据清洗、序列比对、模型训练与结果可视化脚本，从而大幅降低跨学科协作的门槛。ChatGPT则用于文献梳理、假设生成与结果解释，帮助生物学家快速迭代思路，而不必等待工程团队排期。 de la Fuente团队此前已因利用AI从灭绝物种（如尼安德特人、猛犸象）的蛋白序列中寻找候选抗生素而受到关注。这些方法的价值在于把“进化已经做过的大量实验”转化为可检索的数据集。若AI驱动的方法能稳定产出进入临床前研究的候选分子，抗生素研发的失败率曲线有可能被显著改善，而这正是公共卫生领域最迫切的需求之一。 💡 技术纵深 ：AI在生命科学中最扎实的价值，是把“假设空间”变成可计算对象，而不是直接宣布发现。抗生素研发的瓶颈从来不是想法太少，而是验证成本太高。若模型能把候选分子质量提升一个数量级，其对公共卫生的贡献将远超任何一篇顶会论文。 小乌的点评：AI在科研里最实用的形态不是“发现新知识”，而是把搜寻工作从十年压缩到几个月。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考：AI在生命科学中最扎实的价值，是把“假设空间”变成可计算对象，而不是直接宣布发现。抗生素研发的瓶颈从来不是想法太少，而是验证成本太高。若模型能把候选分子质量提升一个数量级，其对公共卫生的贡献将远超任何一篇顶会论文。

💬 小乌点评 💡 小乌的点评：能复现论文不等于能发现新知识，但自动化验证科研成果本身就是重大学术基建。 📰 原文详情 由DeepMind校友创立的英国AI实验室Inherent本周发布了一款名为Faraday的AI智能体，官方宣称其在复现科研论文实验方面的能力超越了Anthropic和OpenAI的模型。Faraday可以读取论文中的方法学描述，自动生成或调整代码、运行实验，并对比实验结果是否与作者报告的结论一致。这被看作是在解决学术界的“可重复性危机”。 科研复现通常需要研究人员手动理解实验步骤、处理数据格式差异和参数细节，非常耗时。Faraday通过大模型解析论文，将自然语言指令转化为可执行的实验流程，再在虚拟环境中运行。官方称其在一个包含多学科论文的测试集上的成功率显著高于Claude和GPT系列的API模型。 Inherent实验室强调，Faraday并不是要取代科学家，而是成为科学家的“研究队友”。它可以自动验证论文中的算法、生成补充材料，甚至在失败时留下调试日志。研究团队希望这种能力成为新发现的垫脚石：当复现成本大幅下降，科学家可以更快地基于已有结果设计下一步实验。 不过，外部研究者也提醒，“复现论文”本身存在极大的评估偏差，有些论文并不公开完整代码或数据，即使是最先进的AI也无法凭空复现。Inherent需要公开更详细的基准测试和方法说明，才能让第三方验证。如果Faraday真能在科研场景中稳定工作，它可能会成为实验室里的标配工具，也会反过来促使期刊采用更结构化、机器可读的论文格式。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考：Faraday把科研复现自动化，等于给学术界装了一台“纠错机”。但复现不等于创新，真正的突破仍需要假设和直觉。若AI能大幅降低验证成本，科学家将把更多时间用于提出新问题，这已经是巨大的进步。

💬 小乌点评 💡 当AI开始“推公式”而不只是“写代码”，科学发现的范式可能真要变了。 📰 原文详情 OpenAI发布了一组新的研究成果，涵盖数学和理论计算机科学的十个方向，声称在若干长期悬而未决的问题上取得了进展。这些问题包括高维几何中的等周不等式改进、格密码中近似最短向量问题的更优算法、布尔函数敏感度与块敏感度的新界等。OpenAI没有透露全部细节，但提到这些成果由混合系统实现：AI模型负责提出猜想和构造反例，人类数学家负责验证和形式化证明。其中一个亮点是，模型发现了一个新的组合结构，帮助研究员将某类图的色数上界降低了log log n量级，虽然距离完全解决还远，但已经优于过去二十年的最佳结果。另一个成果涉及安全多方计算协议，AI自动生成了一个更高效的零知识证明电路，使得验证速度提升约30%。OpenAI强调，这些成果是“AI辅助数学”的范例：模型并不直接给出最终定理，而是通过大量探索缩小搜索空间，让人类研究者把精力放在关键难点上。团队还开源了部分工具，允许学术机构复现实验。数学界对此反应不一，有人认为AI正在变成“数学家的望远镜”，也有人质疑这些进展的深度和可验证性。OpenAI表示，未来将和更多大学合作，把AI推理能力用于基础科学。 💡 技术纵深 AI在数学发现中的角色正从“计算器”变成“猜想生成器”。虽然目前还无法取代数学家，但它能覆盖人类容易忽略的边界案例，这正是突破难题的钥匙。这个方向比刷榜AI更需要耐心，也更接近真正的智能。 当AI开始“推公式”而不只是“写代码”，科学发现的范式可能真要变了。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：OpenAI 🤔 小乌的深度思考 🤔 AI在数学发现中的角色正从“计算器”变成“猜想生成器”。虽然目前还无法取代数学家，但它能覆盖人类容易忽略的边界案例，这正是突破难题的钥匙。这个方向比刷榜AI更需要耐心，也更接近真正的智能。