AI Scientist: The Next Generation Scientific Research Paradigm Driven by Scientific and Technological Information
PulseAugur coverage of AI Scientist: The Next Generation Scientific Research Paradigm Driven by Scientific and Technological Information — every cluster mentioning AI Scientist: The Next Generation Scientific Research Paradigm Driven by Scientific and Technological Information across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
古伊朗坎儿井系统被誉为可持续工程奇迹
Dami Lee 的一段视频调查了伊朗古老的坎儿井系统，这是一个地下水道网络，强调了其精密的工程和可持续的水资源管理原则。坎儿井系统开发于 30,000 多年前，利用重力驱动的流体动力学和独特的逆向挖掘方法。这项古老技术还与风塔和冰窖等地面建筑相结合，形成了一个被动的气候控制系统。分析表明，这些前工业时代的方法为当前在水资源管理、气候适应和基础设施可持续性方面的挑战提供了宝贵的经验教训，尤其是在人工智能驱动的优化和资源稀缺的背景下。
-
AI科学家评论Vast的月球基地愿景，强调连接性和自主性需求
一位AI科学家从未来主义者的角度审视了Vast公司建造月球基础设施的渐进式方法，从Haven-1商业空间站开始，逐步扩展到月球基地。评论强调了商业航天技术和强大的连接性（如Starlink）对于实现月球上AI驱动运营的重要性。然而，它也指出了关键挑战，包括月球极端环境下的热管理，以及克服通信延迟和实现自给自足运营所需的先进AI自主性。
-
中国人工智能计算的蓬勃发展：更快的芯片、海量数据中心和华为的创新
中国正在快速推进其人工智能计算基础设施，专注于开发更快的微芯片和建设海量数据中心。创新包括一项“东数西算”战略，通过将训练工作负载部署在电力充沛的地区来优化能源使用，以及用于高效散热的先进热工程。华为通过近封装光学和统一总线协议等创新为芯片间通信的改进做出了贡献，目标是扩展到一百万个 NPU。
-
AI系统设计、运行并从实验室实验中学习
一种新的人工智能系统已被开发出来，它能够自主地提出生物学问题，设计实验来回答这些问题，然后利用机器人进行这些实验。该AI随后从这些测试结果中学习，形成一个闭环研究过程。这一进展标志着AI在科学发现方面能力的一个重要飞跃。
-
AI科学家GPT-6 Astra 攻克2D CFET逆变器的热设计难题
一篇新研究论文介绍了一种名为GPT-6 Astra的AI代理，旨在协助科学研究，特别是针对2D CFET逆变器的热设计和电热分析。该AI工作流程提出了一种重新分配的源-互连几何结构和一种面向衬底的散热路径，两者结合在保持固定金属体积和功耗的情况下，将峰值温度升高降低了1.67 K。进一步的分析量化了与热改进相关的电气成本，证明AI可以在特定约束条件下有效提出和测试热结构。
-
AI科学家构建免疫世界模型用于多尺度预测
研究人员开发了一个“免疫世界模型”，使用一个受治理的进化AI科学家来预测多尺度免疫反应并生成治疗假设。这个由AI驱动的模型整合了细胞、组织和患者特异性的免疫状态，使其能够预测不同生物学层面的干预结果。该模型成功地泛化到未见的生物学背景和干预措施，并指导分析提出了涉及IL-36γ加SIRPα抑制的新型治疗假设。
-
新基准TruthInsightBench评估AI科学发现能力
研究人员推出了TruthInsightBench，这是一个旨在评估自主代理科学发现能力的新基准。与侧重于重现已知结果的现有基准不同，TruthInsightBench向代理提供盲任务和冻结数据，要求它们自行确定和证明其主张。该基准通过六个证据成熟度维度来评估代理，并进行自动化评分以确保可重复性。对四个编码代理的初步测试显示性能停滞不前，表明虽然代理能够胜任地执行和记录分析，但它们在真正发现所需的关键科学判断方面存在困难。
-
HypoForge：AI框架学习科学技能以进行假设生成和测试
研究人员推出 HypoForge，一个旨在增强自动化科学发现的新型多智能体框架。该系统学习可重用的科学技能，用于生成和测试假设，并根据每个阶段可用的特定监督信号调整其学习策略。对于假设生成，它使用生成器-判别器对抗机制，而对于假设测试，它从经验结果中学习。实验表明，HypoForge 在性能上优于现有的 AI 科学家框架。
-
Google AI 推出 Science One Framework 以实现可验证的科学研究
Google AI 推出了 Science One Framework，这是一个旨在提高 AI 生成的科学研究可验证性的实验性系统。该框架及其附带的 CoE Audit 协议旨在消除幻觉，并确保 AI 撰写的论文中的主张得到可验证证据链的支持。该系统解决了当前自主研究流程中普遍存在的幽灵引用以及描述方法与实际代码之间不匹配等关键问题。
-
人工智能科学家工作流在材料科学中展示可转移的发现 · 跟踪 2 个来源
研究人员开发了可审计的人工智能科学家工作流，旨在确保材料科学中人工智能驱动的发现是稳健且可转移的。该研究涉及七个不同的搜索过程，评估了十个 Matbench 端点上的 700 多项变更，代理从五个内部折叠中获得平均反馈，以减轻对单一数据分割的依赖。一项关键发现是，当在未接触过的独立数据上进行评估时，所选的变更在十个案例中有九个被证明是最佳的单一干预措施，这表明人工智能代理可以产生可执行的发现，这些发现能够经受住未见的证据，并可跨任务重用。
-
指南帮助实验室选择合适的AI科学家模型
一项指南已发布，旨在帮助研究人员选择最适合其特定实验室需求的AI科学家模型。该出版物旨在阐明可用的AI研究工具及其在科学发现中的应用。
-
AI 自进化可能始于外部系统，而非模型权重
前 OpenAI 安全副总裁 Wonyong Li 提出了一条 AI 自进化的新路径，建议从外部操作系统（Harness）开始，而不是直接修改模型权重。该 Harness 系统负责管理工具使用、上下文、任务拆分和结果验证，并可根据观察到的失败进行迭代改进。DeepSeek 的崔天言等研究人员认为，改进 Harness 是 AI 进步的一个有前景的方向，有可能在不改变核心模型的情况下实现显著的性能提升。
-
新基准 CausalGame 测试大型语言模型智能体的因果推理能力
研究人员推出了 CausalGame，这是一个旨在评估大型语言模型 (LLM) 智能体因果思维能力的新基准。该基准通过纳入选择偏差、测量误差和隐藏混淆因素等现实世界挑战，解决了现有 AI 科学家评估的局限性。CausalGame 要求 LLM 智能体在 14 个不同的场景中主动设计实验、收集数据并报告结果。对 30 个 LLM 智能体的初步测试显示，没有一个表现出可靠的因果推理能力，表现最好的模型得分远低于分析最优值。
-
新架构强制执行AI发现中的统计严谨性
研究人员开发了一个功能性架构，以增强AI驱动的科学发现中的统计严谨性，旨在防止产生虚假结果。该系统采用基于Haskell的Research monad在错误预算内强制执行假设检验，并使用沙盒环境将验证数据与LLM代码执行物理隔离。该架构包括一个机器检查的Lean 4形式化在线错误发现率控制程序，通过IEEE 754算术验证到SPARK/Ada实现。模拟显示，该系统有效控制了错误发现率，使其接近1%的目标5%，显著优于达到41%的朴素方法。
-
专有数据而非推理能力限制了AI药物估值
一篇新的研究论文探讨了数据访问对AI科学家在药物资产估值方面表现的影响。研究发现，虽然推理能力和工具可以改善校准，但专有数据显著提高了AI恢复相关信息和做出明智决策的能力。如果没有经过策划的专有数据集的访问权限，AI的表现将受到根本性限制，无论其推理能力多么先进。
-
AI科学家方法探索Flow-Lenia动力学
研究人员开发了一种新颖的好奇心驱动的AI科学家方法，用于探索Flow-Lenia（一种连续元胞自动机）中的复杂动力学。该AI方法利用内在动机的目标探索过程，通过分析进化活动和压缩比等指标来识别系统级行为。事实证明，该方法在揭示类似生物现象的多样化自组织模式方面比随机搜索更有效，并揭示了更大空间尺度上的宏观组织。
-
AI行业转型重塑2026年职业生涯
AI行业正在经历重大的职业转型，组织越来越多地采用Agentic AI、多智能体系统、AI治理和RAG管道。这种转变正在重塑传统的职业道路，到2026年，专业人士将从入门级职位转向AI工程师、顾问、科学家，并最终成为首席AI官等专业职位。重点是构建强大的企业AI架构来支持这些高级功能。