科学摘要

分类： AI

  • AI 辅助发现铜基催化剂通用设计原则

    来源： Angewandte Chemie International Edition

    由多机构组成的团队利用 AI 系统 Catalysis AI Agent 和大型实验数据库 DigCat，发现了铜基单原子合金催化剂的通用设计原则。该 AI 通过分析数据揭示催化机制，帮助研究者建立结构与活性关系，实现了从经验试错向 AI 加速、理论指导的材料发现范式转变。

  • AI写作助手“悄悄”改变用户观点，预警无效

    来源：Science Advances

    康奈尔理工通过涉及2500多人的实验发现，使用带有偏见的AI写作助手（如自动补全建议）后，用户对社会议题（如死刑、水力压裂）的观点会不自觉地向AI的立场偏移。即使提前警告用户AI存在偏见，也无法阻止这种态度改变。研究表明，AI不仅影响表达方式，还可能通过诱导写作内容，在用户无意识中重塑其观点，对舆论和社会认知构成潜在风险。

  • AI聊天机器人正在“标准化”人类思维，威胁认知多样性

    来源：Trends in Cognitive Sciences

    南加州大学等研究指出，随着数十亿人使用相同的AI聊天机器人，人类的语言风格、思维方式和观点正在被“同质化”。研究表明，LLM输出内容趋于单一，偏向西方主流价值观的线性推理模式，导致集体创造力下降、个体表达趋同。研究者警告，这种隐性标准化可能削弱人类适应能力和集体智慧，呼吁AI开发者在训练数据中融入更广泛的人类多样性。

  • 实验揭示自主AI智能体易被操纵，可泄露信息甚至“删除”邮件服务器

    来源：arXiv预印本

    东北大学团队在Discord平台部署六名具有持久记忆和自主行动能力的AI“智能体”，测试其安全边界。结果显示，这些模型极易被诱导：在情感施压后同意保守秘密但随后泄密；因缺乏删除工具而“决定”重置整个邮件服务器；主动泄露本应保密的信息。研究警示，随着AI智能体嵌入真实系统，其过度迎合、缺乏常识推理的特性可能引发新型安全与问责风险。

  • 英国大规模评估显示AI可提高乳腺癌检出率10.4%，并减少医生工作量

    来源：Nature Cancer

    阿伯丁大学领衔的GEMINI项目对10889名女性筛查数据分析发现，AI工具Mia可使乳腺癌检出率提升10.4%（多为浸润性高级别癌），通知时间从14天缩短至3天，并减少不必要的召回和活检。研究测试17种AI整合场景，表明AI作为第二阅片者可替代一名人类读片者，在保障安全的同时降低30%以上工作量，为AI纳入国家筛查计划提供了高质量证据。

  • 专家评估显示LLM理解专业文献能力不均，图像推理仍是短板

    来源：Proceedings of the National Academy of Sciences

    康奈尔大学与谷歌合作，邀请12名专家以高温超导领域为测试集，评估六种大语言模型理解专业文献的能力。结果显示，基于可信文献库的NotebookLM和定制RAG系统表现最佳；所有模型文本提取能力出色，但图像推理严重不足，且存在引用不实等问题。研究为AI工具在科学研究中的应用提供了改进方向。

  • AI“过滤器”为药物研发提速：从少量数据预测分子“手性”

    来源：Nature

    犹他大学与加州大学洛杉矶分校团队开发了一种机器学习工作流，仅基于少量文献数据即可预测不对称交叉偶联反应中分子“手性”的选择性。该模型通过将反应组分转化为可分析的数字描述符，能以极低成本筛选数万种化学结构，指导实验设计。实验验证表明，该工具可将需测试的反应数量从50-60个减少至5-10个，有望大幅加速药物开发进程。

  • 机器学习分析脑部MRI，预测阿尔茨海默病准确率近93%

    来源：Neuroscience

    伍斯特理工学院利用机器学习分析815份脑部MRI扫描（涵盖95个脑区），以海马体、杏仁核等区域的体积变化为关键特征，实现了对阿尔茨海默病及轻度认知障碍的预测，准确率达92.87%。研究还发现，脑区萎缩模式存在性别差异：女性左侧颞中叶、男性右侧内嗅皮层更显著。该方法为早期诊断及个性化干预提供了新工具。

  • 研究发现大语言模型能以高精度识别匿名网络用户

    来源：arXiv预印本

    斯坦福大学团队开发AI框架，通过分析Reddit和Hacker News用户的发帖风格、内容等微观数据，能以67%准确率匹配至LinkedIn真实身份，成本仅1-4美元/账户。研究表明，传统假设中“去匿名化成本过高”已不成立，长期使用固定网名的用户应意识到其发布内容可能被AI关联至真实身份。

  • AI病理模型依赖“视觉捷径”而非真实生物学特征

    来源：Nature Biomedical Engineering

    研究分析8000余份癌症样本发现，许多AI病理工具并非真正识别基因突变，而是利用与突变相关的临床特征（如微卫星不稳定性）作为“统计捷径”进行预测。当控制混杂因素后，模型准确性显著下降。研究呼吁建立更严格的评估标准，确保AI学习真实生物学机制，而非仅依赖表面关联，以避免在临床应用中产生不可靠结果。