WIRED 展望：AI 正在攻克更大科學難題，將成科研人員日常標配
WIRED 刊文分析 AI 在基礎科研中的角色演變。從破解生物學 50 年未解的蛋白質結構預測，到氣象臨近預報與基因組學，AI 正在跨越孤立學科。文章指出，AI 將在 2023 年像電子郵件一樣，演變為全球科學家不可或缺的日常研究工具。
AI科研
AI 領域的重要論文、新基準和新方法，以及 AI 在生物、醫藥、材料等科學研究裡的突破。
檢視更新的新聞
馬普所等研發 AI 模型：通過 MRI 精準識別罕見失智症
德國馬普所等機構公佈新研究，利用機器學習分析腦部 MRI 影像識別罕見失智症。該模型不僅能區分健康與患病，還能在 7 種不同痴呆綜合徵間精準辨別萎縮模式。這意味著患者能在早期獲得對症治療，儘量延長正常工作與自理的時間。
多倫多大學用機器學習設計長效注射劑：一次命中目標釋放曲線
多倫多大學團隊在《Nature Communications》發表研究，利用 LightGBM 等機器學習模型預測並指導長效注射劑的配方設計。團隊針對一款卵巢癌藥物完成驗證，以往需要多次試錯的緩釋曲線這次一次成功，相關資料集與程式碼已開源至 Zenodo。
微軟推出 VALL-E：只需 3 秒音訊就能克隆你的聲音
微軟公佈文本轉語音模型 VALL-E。它僅憑 3 秒音訊就能模擬說話者的音色、情感甚至房間聲學環境。模型基於 Meta 音訊庫中 6 萬小時語音訓練，因防範聲音冒充等濫用風險，微軟目前未開原始碼。
MIT 開發跨模態 AI：用 1000 個詞對齊影片與語音
MIT CSAIL 團隊公佈一種多模態表徵學習方法，讓 AI 能在共享嵌入空間裡對齊影片、音訊和文本，僅用 1000 個詞向量就能識別影片中的動作。最值得關注的是，這種設計提升了跨模態檢索準確度和可解釋性。不過模型目前一次只能處理兩種模態。
斯坦福研發噴霧式智慧皮膚：靠 AI 感知手背形變，憑空就能打字
斯坦福大學研究人員研發出一種噴霧式智慧皮膚。這種生物相容性材料可像防曬霜一樣噴在手背上，由可拉伸的奈米網感知皮膚伸展時的電導率變化，再通過機器學習演算法識別手勢並打出文字，用後也能輕鬆清洗去除。
AI 預測黑天鵝災害：結合貝葉斯推理，靠極少數據預判極端危機
研究團隊提出一套預測黑天鵝事件的 AI 策略，成果發表在《Nature Computational Science》。該方法將貝葉斯統計與雙網路架構 DeepONet 結合，繞開復雜的物理控制方程，只用極少數精選樣本就能評估巨浪或疫情峰值等罕見風險，讓極難預測的極端災難變得可防可控。
斯坦福研究：用 AI 寫程式碼更易留漏洞，開發者還更自信
斯坦福大學研究團隊發現，使用 OpenAI Codex 等 AI 程式碼生成工具的開發者更容易在軟體中引入安全漏洞，且更容易誤以為程式碼安全。研究人員警告 AI 尚無法替代人類，跨領域使用時必須仔細審查輸出。
斯坦福提出樹突計算模型：AI 功耗有望從兆瓦直降到手機瓦級
斯坦福大學學者 Kwabena Boahen 提出以樹突為核心的新計算模型。不同於傳統模擬突觸，該方案模擬樹突接收特定時序訊號的特性，結合鐵電電晶體硬體，有望讓神經網路僅靠手機電池的瓦級功耗執行，擺脫雲端兆瓦級的能耗依賴。
德雷塞爾大學新研究：用 GPT-3 分析日常語音，80% 準確率篩查阿茲海默症
德雷塞爾大學團隊在《PLOS Digital Health》發表成果，利用 OpenAI 的 GPT-3 分析自發語音文本，預測早期痴呆的準確率達 80%。該方法比單純分析停頓等聲學特徵更準，團隊計劃據此開發網頁初篩工具。
AI 血壓預測方法學綜述：梳理主流模型與常被忽視的評估陷阱
研究團隊系統梳理了機器學習與深度學習在血壓預測中的應用進展。綜述重點分析了常用資料集、評估指標以及常被忽視的資料劃分策略陷阱，提出了客觀評估模型表現的統一標準。團隊已在 GitHub 開源基於 MIMIC III 的評測程式碼與資源。
阿爾託大學等開發虛擬現實遊戲：藉助機器學習客觀檢測 ADHD
阿爾託大學等團隊公佈一項研究，利用虛擬現實遊戲、眼動追蹤和機器學習，根據眼動差異客觀檢測兒童 ADHD 症狀。該方法有望改變依賴問卷的主觀診斷現狀，提供更精準的日常行為評估。
布萊根婦女醫院研發 AI 模型：把術中粗糙冷凍切片秒變「金標準」影像
布萊根婦女醫院與博阿齊奇大學團隊在《Nature Biomedical Engineering》發表深度學習模型，能將手術中快速冷凍切片的影像轉化為接近「金標準」的高質量影像。這項技術能幫病理醫生在幾分鐘內更準確地鑑別膠質瘤和肺癌等亞型。不過入駐手術室前仍需臨床驗證。
演算法決策真的沒有偏見嗎？剖析機器學習裡的「可預測噪聲」
Becoming Human 刊文探討演算法決策缺陷。常有人認為 AI 面對相同輸入總會給出確定結果、毫無情緒噪聲，但作者指出，模型訓練起點等隨機因素會固化為「可預測噪聲」，導致多套系統在關鍵決斷上產生毫無意義卻不可逆的系統性分歧。
擴散模型簡史：從加噪去噪到催生影像、音樂與蛋白質設計
盤點了支撐當下影像生成 AI 的核心技術擴散模型的發展歷程。擴散模型借鑑非平衡熱力學，通過學習從噪聲中恢復資料的逆過程，並在 OpenAI CLIP 的指引下實現精準生成。除了畫畫，該架構正快速擴充套件至音樂創作以及蛋白質和 DNA 序列設計等生物醫療領域。
斯坦福研究：用 AI 寫程式碼不僅漏洞更多，開發者還迷之自信
斯坦福大學電腦科學家發表研究指出，使用 GitHub Copilot 等 AI 輔助程式設計工具的開發者往往會寫出更多安全漏洞，尤其在字串加密和 SQL 注入場景尤為明顯。更值得警惕的是，使用 AI 助手的開發者往往還會盲目堅信自己的程式碼足夠安全。
AI 科研倫理審查如何推進：學者呼籲跳出傳統框架建立社群協同
多位學者呼籲 AI 社群協同推進科研倫理審查機制。學者指出，傳統的機構審查只關注受試者保護，無法應對演算法濫用和偏見等宏觀社會風險，建議學術會議與期刊探索更多元的事後倫理評估流程。
AI 能獨立搞發明嗎？從 DABUS 專利屢遭駁回看機器創新的邊界
DABUS 系統作為「唯一發明人」申請專利並在全球多國被拒，引發關於 AI 能否搞發明的爭論。技術分析表明，該系統從問題建模、概念篩選到結果解讀都離不開人類介入，充其量只是輔助工具。也就是說，所謂機器自主發明，目前在技術和法律上都站不住腳。
斯坦福微調 Stable Diffusion：用 AI 合成胸部 X 光片，解決醫學資料缺口
斯坦福大學 AIMI 研究人員通過微調開源 Stable Diffusion，成功生成了具備病變特徵的逼真胸部 X 光片。研究證明通用潛擴散模型無需昂貴算力即可遷移到專業醫學領域，有助於填補罕見病資料缺口。不過目前生成影像多樣性有限，且協議禁止直接用於診斷。
英國阿斯頓大學研發 AI 訊號燈：用強化學習終結堵車
英國阿斯頓大學研究團隊開發了一套基於深度強化學習的交通調控系統。它不僅結合視覺和雷達感測器識別車流與行人，還能在模擬環境中自主試錯，即時最佳化十字路口訊號燈配時，即使面對從未見過的複雜路況也能靈活調控，從而減少紅燈等待時間。