AI for Science Strategy
PulseAugur coverage of AI for Science Strategy — every cluster mentioning AI for Science Strategy across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新理论提出几何框架以认证人工智能的智能
一个名为统计上有意义的几何（SMG）的新理论框架被提出，用于区分大型语言模型中真正的智能和复杂的模式匹配。该框架将学习系统建模为无限维的Orlicz纤维丛，并提出在分布外刺激下，连续优化会失效。这种失效会导致几何上的崩溃，特别是规范对称性破缺（GSB），这将触发一个相变和结构G-熵的离散跳跃，表明是真正的发现而非幻觉。
-
Pangaea 调查科学人工智能初创公司
Pangaea 正在调查专注于“科学人工智能”的初创公司，并指出一种区别于传统人工智能药物发现模型的新趋势。这一新兴领域正受到日经生物技术在线的密切关注。
-
工程AI：科学AI之后的下一个前沿
文章讨论了新兴的“工程AI”研究范式，将其定位为“科学AI”的继承者。文章探讨了该领域应用AI原理解决工程挑战的现状和未来潜力。
-
上海交通大学与太初元启合作推进AGI研究
上海交通大学与太初元启签署合作协议，以推进科学智能（AI4S）研究。太初元启将为该校研究团队提供国内AI算力及支持，团队将专注于开发通用人工智能（AGI）的基础模型。此次合作旨在通过利用先进的AI技术和强大的计算基础设施，加速科学研究的突破。
-
新LOGOS模型通过LLM集成统一科学任务
研究人员推出LOGOS，一个专为自然科学设计的生成基础模型，在一个自回归框架内统一了各种科学任务。通过将科学对象及其空间相互作用编码为标记序列，LOGOS在没有显式坐标的情况下捕捉复杂的结构关系。该模型以10亿、30亿和80亿参数的规模进行训练，持续匹配或超越领域特定基线，表明AI in Science (AI4S)与大型语言模型集成的一种统一方法。模型权重和资源正在发布，以鼓励进一步研究。
-
字节跳动AI制药部门寻求融资以实现产业化
字节跳动的人工智能药物发现部门正在启动分拆并寻求融资，这标志着其在科学人工智能（AI4S）领域迈向产业化的步伐。这一举措表明该公司正寻求利用其人工智能能力在医药研究领域获利，也暗示着生命科学行业对人工智能驱动解决方案的投资兴趣日益增长。
-
AI for Science：几何理论解锁物理对齐数据压缩
研究人员开发了一个新的理论框架，用于理解物理对齐损失如何影响科学AI中的数据压缩。这种几何理论解释了在固定比特率下，保留特定物理可观测值与标准重建保真度之间的权衡。该方法识别了潜在空间中噪声抑制的首选方向，从而形成了一个决定性能极限的各向异性误差分配机制。
-
亮坤科技为AI for Science量子计算融资数亿元
量子计算初创公司亮坤科技已完成数亿元天使轮及Pre-A轮融资，由英诺天使基金领投，百度风投等跟投。公司专注于开发量子计算的操作系统和软件平台，旨在弥合硬件与应用之间的鸿沟，特别是在AI for Science (AI4S)领域。亮坤科技创始人陆定讯曾任职于华为和字节跳动，他认为量子计算的高精度对于通过为化学和材料科学等领域的模型提供更好的数据来推进AI4S至关重要。
-
QueeenB 推出计划以实现 AI for Science 研究的自动化
日本公司 QueeenB 推出了一项新计划，旨在帮助研究人员将其 AI for Science 概念转化为实验自动化方案。该计划旨在弥合理论研究与实际实验室实施之间的差距。该计划侧重于为科学研究制定具体的自动化策略。
-
中国城市更新规划与AI算力融合初现
国务院发布了《城市更新行动方案》，概述了城市发展的目标、任务和政策。与此同时，在2026世界智能大会上，曙光公司董事长李军讨论了“科学智能”（AI4S）的兴起以及AI算力“超智能融合”的未来。这种融合将高精度科学计算与低精度智能计算相结合，将AI基础设施的竞争从原始算力转向集成系统。
-
曙光董事长：AI计算将具备“超级智能融合”特性
曙光信息董事长李军在2026世界智能产业大会上表示，AI for Science正在迎来“科学智能”时代。他预测，未来的AI计算将融合高精度的科学计算与低精度的智能计算，他称之为“超级智能融合”。这一转变标志着竞争将从原始算力转向技术、产业和生态的整体融合。
-
新框架使用等变网络进行解剖网格分割
研究人员开发了一个名为 EAMS 的新框架，该框架基于等变网格神经网络（EMNN），用于医学影像中的解剖网格分割。与现有特定任务的方法在扰动下性能会显著下降不同，该方法旨在提高对患者姿势和网格分辨率变化的鲁棒性。虽然 EAMS 在各种分割任务中表现出具有竞争力的性能和稳定性，但研究还发现严格的等变性有时可能适得其反，促使未来工作探索更宽松的约束。
-
科学人工智能论文呼吁将数据管道视为推理组件
一篇新论文认为，科学人工智能（AI4Science）工作流应将测量到数据集的管道视为推理组件，而不是固定的接口。作者们指出了三种失败模式：隐藏的假设空间、未经认证的可运输性和不受管制的多元性。神经科学中的一项实证审计发现，在跨数据集稳定性标准下，存活率非常低，这表明需要可计算的观测框架来量化管道的充分性和稳定性。
-
MatSource董事长李壕因材料科学AI工作登上Science
MatSource董事长李壕教授在《Science》杂志的一篇报道中被重点介绍，该报道聚焦于他在AI for Science领域的工作。报道详细介绍了李教授团队将人工智能与材料科学相结合的三个关键项目，重点关注AI代理、机器学习势能以及实验材料数据库。MatSource正在开发一个结合数据、模型、智能和实验的闭环研发系统，以加速材料发现和工业应用。
-
新方法使用物理模拟器进行具有潜在混淆因素的因果发现
研究人员引入了CFM-SD，一种新颖的因果发现方法，能够有效处理潜在混淆因素和现实世界干预数据。该方法利用第一性原理物理模拟器作为do-运算符，显著优于现有假设因果充分性的方法。CFM-SD在合成数据上表现出卓越的性能，并在降低分子毒性预测和电池电解质优化偏差方面显示出实际价值。
-
Sensoformer AI模型改进传感器数据的仿真到真实推断
研究人员开发了Sensoformer，一个新颖的集合注意力框架，旨在改进从稀疏和可变传感器数据中进行推断。通过集成物理结构化域随机化（PSDR），该模型学习域不变的物理算子，解决了仿真到真实迁移和不规则传感器几何形状的挑战。在地震源反演测试中，Sensoformer的表现优于MPNN和DeepONet等现有方法，展示了最先进的精度，并通过其注意力机制发现了最优传感器设计原理。
-
阿里云领跑中国高校科研AI云市场
阿里云已成为中国高校科研AI for Science (AI4S)云市场的领导者，占据了26%的市场份额。AI4S市场正经历快速增长，预计到2030年将达到107亿元人民币。需求正从基础算力转向全面的AI能力，强调适应性和集成工具链以应对复杂的科研任务。阿里云提供从算力、平台到模型和应用的完整堆栈解决方案，服务于中国80%以上的高校和科研机构。
-
新的SPUR基准揭示AI模型在科学图像解读方面存在困难
研究人员推出了SPUR基准，旨在评估多模态大语言模型（MLLMs）解读科学实验图像的能力。SPUR包含超过4000个源自专家策展图像的问答对，侧重于图像面板内的细粒度感知、多个面板之间的关系理解以及专家级推理。对20个MLLM和四种思维链方法的评估表明，当前模型尚不具备“科学AI”应用所需的复杂解读能力。
-
中国“AI for Science”计算集群接入国家网络
中国国家算力网已接入中科曙光超智融合计算集群，这是中国最大的科学智能（AI for Science）计算集群。此次接入旨在壮大国家算力资源池，并加强基础研究、人工智能创新和大规模科学计算的统一调度。该集群在国家超算互联网核心节点上的部署，标志着中国在集中和优化其高性能计算能力以促进科学发展方面迈出了重要一步。
-
中国将最大的AI for Science计算集群整合进国家网络
中国最大的AI for Science计算集群——中科曙光超智融合计算集群，已接入国家一体化算力网络。这是迄今为止首次将如此大规模的科学智能集群接入国家级算力资源平台。此次整合旨在提高资源可用性，并改善基础研究、人工智能创新和大规模科学计算的统一调度和运行能力。