科学摘要

分类： AI

  • “异种学习”AI实现动物医学影像向人类的跨物种迁移

    来源：《自然·生物医学工程》

    德国癌症研究中心团队开发出“异种学习”方法，使AI能利用动物（猪、大鼠）高光谱影像数据中标注的病理变化模式，将其知识迁移至人类组织分析。该方法克服了物种间绝对组织特征的差异，无需依赖人类标注数据，即可识别血液循环障碍等病理状态，有望推动术中光谱成像技术更安全、精准地应用于临床。

  • AI模型成功设计可调控基因活性的合成DNA元件

    来源：《自然·遗传学》

    布罗德研究所团队基于扩散模型开发出AI工具DNA-Diffusion，能生成具有细胞类型特异性的合成顺式调控元件（CREs）。实验证实，该模型生成的序列在白血病细胞系中成功激活了抗癌基因AXIN2，其活性优于天然序列且具有细胞选择性。该技术有望与现有基因疗法结合，实现更精准的疾病治疗。

  • 生成式AI在全球软件开发中扩散迅速，经验丰富者获益更大

    来源：《科学》（Science）

    研究团队通过分析GitHub上3000万份Python代码贡献发现，截至2024年底，美国新增代码中AI辅助占比达29%，德法约24%，中国为12%。尽管初级开发者更频繁使用AI（37% vs 27%），但生产力提升主要由经验丰富的程序员驱动，其生产率的3.6%增长每年为美国创造约230–380亿美元价值。研究指出AI可能加剧而非缩小开发者间的能力差距。

  • AI驱动酶设计新方法Riff-Diff实现高效稳定生物催化剂创制

    来源：《自然》（Nature）

    格拉茨理工大学团队开发出名为Riff-Diff的生成式AI酶设计方法，通过结合多个机器学习模型与原子建模，能围绕特定活性中心精准构建完整蛋白质结构。实验验证，该方法设计的35种酶均表现出高活性与热稳定性（耐受90°C以上），显著优于传统计算机辅助设计，为工业生物催化、靶向酶疗法及环境修复提供了高效、可定制的酶创制平台。

  • AI专家平台MOSAIC加速新化合物合成设计

    来源：《自然》

    耶鲁大学与勃林格殷格翰制药合作开发了AI化学合成平台MOSAIC。该系统集合了2,498个“AI专家”模型，每个模型代表特定化学反应领域的专业知识，可针对新分子（包括尚未存在的化合物）生成详细的实验室合成步骤。与传统单一AI模型相比，MOSAIC能整合跨药物、材料、化妆品等多领域的合成方案，并提供不确定性评估以优化实验优先级。团队已利用该平台成功合成了35多种新化合物，标志着AI从化学预测走向实验辅助的关键进展。

  • OpenAI将测试ChatGPT广告，以应对高昂运营成本

    来源： AFP

    OpenAI宣布将在未来几周内为免费及低付费用户测试广告，主要在美国推出。公司强调广告不会影响ChatGPT的回答，对话内容对广告商保密，且不会以延长用户使用时间为优化目标。面对谷歌等对手的竞争，这一举措旨在通过广告收入覆盖激增的AI服务成本，维持其在生成式AI领域的竞争力。

  • 维基百科与多家AI公司达成商业协议，寻求为AI训练数据“公平付费”

    来源：美联社（AP）

    在成立25周年之际，维基百科宣布与亚马逊、Meta、微软、Mistral AI等多家公司达成商业协议，允许其以定制化方式批量访问维基内容以训练AI模型，从而将流量转化为收入。维基百科创始人吉米·威尔士表示，支持AI使用其“经过人工审核”的数据，但强调科技公司应为造成的服务器成本“公平分摊费用”。此举反映了AI抓取数据对网站运营造成的压力，以及维基百科在维护免费开放模式的同时探索可持续资金来源的努力。

  • AI提升科学家个人产出，却导致整体科学研究范围收缩

    来源：《自然》（Nature）

    芝加哥大学团队分析4130万篇论文发现，使用AI的科学家论文产量增加3.02倍、引用量提升4.85倍、更早成为研究领袖，但整体科学界的研究主题范围却收缩了4.63%，学者间的互动减少22%。原因是AI驱动研究向数据密集领域集中，形成“孤独的拥挤”——热门主题吸引大量重叠研究，却减少了跨领域探索与合作。这可能导致方法单一化和科学范式过早固化。研究者呼吁政策干预，激励在数据贫乏领域开展研究，并开发能扩展感知与实验能力（而非仅优化现有数据分析）的AI系统，以促进可持续的科学创新。

  • 研究揭示与人协作的“软技能”同样提升人机协作效果

    来源：东北大学

    东北大学的研究发现，人类与AI（如ChatGPT、Llama）协作时，决定协作效果的关键并非仅在于技术性提示工程，而在于人类是否具备“共情”与“观点采择”等软技能。研究通过设定数学、物理与道德推理问题测试人机协作效率，发现能够站在AI角度思考、提供更清晰背景信息的参与者，能获得质量更高的AI回复，从而协同产出更优答案。研究证实，AI能缩小不同技能水平工作者之间的差距，但高技能者仍保持领先；而普遍认为的“AI技能培训”应超越技术层面，重视培养员工的社交感知能力，因为这种能力同样能提升人机甚至AI-AI协作的效果。

  • 研究揭示用户更愿服从机械感AI，而非人性化AI

    来源： 佐治亚理工学院

    佐治亚理工学院研究发现，尽管用户更喜欢人性化、友善的AI聊天机器人，但在需要听从建议或遵守指令时，他们实际上更倾向于服从听起来“机械感”更强的AI。这一现象源于“自动化偏见”，即人们潜意识认为机器更客观可靠。研究提示，在设计涉及安全的AI系统（如自动驾驶）时，不应盲目追求拟人化，可靠性与合规性更为关键。