依意思最接近的 11 筆
Google DeepMind、Meta 與 AI 製藥公司 Isomorphic Labs 共同出資 3 億美元，投入由扎克伯格夫婦創立的非營利生物醫學機構 Biohub 牽頭的“虛擬細胞”專案。該專案屬於總額 18 億美元的“Virtual Biology”計劃，目標是建置可供 AI 使用的生物資料集與高精度預測模型，讓研究者能以數字化方式提出、預測並回答生物學問題，用於對抗疾病。Biohub 成立於 2016 年，長期以預測模型推動疾病防治研究。
文章主張借鑑製藥業分工，用預註冊收購讓前沿實驗室提前承諾買下 neolab 的研究成果。作者認為 neolab 同時被要求做出研究突破並長成風投級公司，兩個各約 1/100 的結果疊加只剩 1/10000；而製藥業讓小 biotech 承擔研發風險、成功後由大藥廠收購，2013–2022 年 FDA 批准藥物中營收低於 5 億美元的小公司貢獻 52%，大公司為 36%。
猶他州推出全美首個由 AI 獨立完成問診與開藥的試點專案，無需醫生直接監督。患者訂閱 Nolla Health 每月 4.99 美元的應用並掃描面部，AI 結合病史與個人資訊給出痤瘡嚴重度評分，從八種獲批外用藥物中推薦方案。試點為期一年，僅限輕中度痤瘡：前 100 張處方由醫生稽核，隨後 400 張改由 AI 直接提交藥房、醫生每週回溯，最終階段每月抽查至少 10% 的處方。
Meta 公布一套由人類主導的健康科學研究框架，由 Muse Spark 1.3 與 Muse Wonder 驅動，可訪問 500 萬份回顧性去標識化電子健康記錄及公開資料。一組醫學專家用該系統開展原創研究，加速假設生成、程式碼執行與論文撰寫，科學決策權仍完全由人類掌握。Meta 同時公開了由此產出的 10 篇研究論文，覆蓋心臟病學、腫瘤學、傳染病、急診醫學等領域。
2026 年 9 月 14 日《Nature》發表 5 家藥企合作研究：用超過 2 萬份未公開的蛋白質—小分子結構資料，以聯邦訓練改進 OpenFold3。在 1056 個留出結構測試中，新模型高精度預測超過一半，公開版 OpenFold3 約三分之一，兩項關鍵指標分別提升約 10% 和 11%。參與方為 AbbVie、Astex、BMS、強生與武田，資料無需外流；英國 OpenBind 專案獲最高 800 萬英鎊支援，計劃 5 年內建開放資料庫。
Hinton、Bengio 等 22 位作者聯合發表首篇 RSI（遞迴自我改進）論文《What if automating AI R&D triggers an intelligence explosion?》。論文引用 Anthropic 內部資料：AI 生成獲批程式碼佔比從 2025 年 1 月的低個位數升至 2026 年 5 月的超 80%，Claude 在高層監督下自主完成的 AI 研發工作比例從 2026 年 3 月的約 1% 升到 8 月的 26%。
哈佛大學研究者在 700 多家公司、70 萬名員工、3 億條工作事件的資料中發現，AI 程式設計工具並未讓企業軟體產出增加或減少用人，編碼階段省下的時間被下游環節吸收。程式碼審查時長明顯增加，pull request 更常需要返工，審查者留下的評論也更多。研究據此認為人工程式碼審查是 AI 編碼效率的主要瓶頸。
Google DeepMind 表示正與全球科研人員合作，用其模型與工具讓疾病更易被檢出、治療和預防。推文點出的方向包括定位罕見基因變異、加速藥物研發，並稱這些工作正把實驗室突破轉化為現實臨床護理。原帖僅附一條連結，未披露具體模型、資料或時間表。
美國猶他州居民現在可以用 Nolla Health 的 App 掃描面部，由 AI 分析痤瘡嚴重程度並自動開具處方。該服務以試點形式上線，醫生監督分階段放寬：前 100 名患者的每份 AI 處方需兩名醫生批准；患者數增至最多 500 名時，改為處方開出後再由醫生稽核；此後醫生只抽查至少 10% 的樣本。訊息由彭博社早前報導。
PostEra 正在招聘機器學習研究員，方向是用 agentic 系統推進藥物發現，崗位為遠端全職。工作重點包括自動化建置生化與生理過程的機制模型、分析生物資料用於靶點驗證，以及分子與表格資料的 in-context learning、基於公司自有多模態資料訓練基礎模型。要求機器學習或相關 STEM 博士、有 PyTorch 或 JAX 實操經驗，不要求藥物發現背景。
Periodic Labs 聯合創始人 Liam Fedus 與 Ekin Dogus Cubuk 在一檔播客中介紹了其「合成超級智慧」構想：以真實物理實驗作為強化學習環境，訓練能自主發現新材料的 AI 科學家。這家成立一年的公司正搭建自動化實驗室，希望讓每臺儀器擁有「140 IQ」，並用做科學的完整過程而非僅論文結果來訓練模型。他們認為失敗的實驗可能是最有價值的訓練資料，自主實驗可把數十年的試錯壓縮到數月，目標材料涵蓋室溫超導、磁體與電池。