找到 18 筆
清華大學牽頭聯合多所高校推出 OSWorld-Science 科研智慧體評測基準，含 146 項專家任務、覆蓋 7 大科學領域與 14 種科研軟體配置，12 個視覺語言模型平均任務得分僅 34.3%。Claude Fable 5.1 以 73.7% 領先，Claude Opus 5、GPT-6 Astra、GPT-5.6 sol 分別為 57.9%、57.4% 和 50.1%，但化學類任務中僅少數模型超過 20%。
約翰斯·霍普金斯大學天體物理學家、Anthropic 研究員 Brice Ménard 與 Claude Science 合作，製作出首張完整的紫外天空圖，其中約三分之一的天空由 Claude 預測補全。此前 NASA 的 GALEX 任務（2003 至 2013 年）僅成像約三分之二天空，並刻意避開明亮恆星所在區域。
NVIDIA 加入歐盟委員會在都柏林 AI in Science Summit 上啟動的 AI in Science Enablers 計劃，將向歐洲科研界開放加速計算工具、算力與培訓。NVIDIA 已開源 250 多個模型、250 個資料集與 1400 多個開源專案，包括 Nemotron、BioNeMo、PhysicsNeMo、Earth-2 和 ALCHEMI NIM，可用於 agentic 推理與科學計算。
Anthropic 科學部落格稱，Claude 在單條提示下於 Claude Science 中基本無人監督執行數天，完成了平面 N=4 超楊-米爾斯模型中九圈散射振幅計算，總花費數千美元。此前該簡化模型的紀錄是八圈，由 SLAC 的 Lance Dixon 及合作者保持；Dixon 獨立驗證了這次結果。
天體物理學家 Brice Ménard 用 Claude Science 製作出首張完整的全天紫外（UV）圖，此前全天圖從射電到伽馬射線均已具備，但大片天空從未在紫外波段被觀測。他引導 Claude 查詢已有資料集、將其合併，並用統計推斷填補空白區域。這項原本需要人類數週的工作只花幾天完成，期間 Ménard 還在處理其他專案。Anthropic 稱該圖可用於教學，也說明這類低優先順序、科學家一直沒空做的慢活如今變得可行。
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。
物理學家 Matthew Schwartz 發布開源工具 BootLoops，作為 LLM 的科研 harness，用於定量科學中的精確計算。他發現當前模型不擅長像人類科學家一樣工作，但擅長特定「Claude 形狀」的問題，於是讓 Claude 自主尋找適配其能力的問題，結果連線到生態學、群體遺傳學等十幾個領域。BootLoops 可搭配任意模型使用，Schwartz 與領域專家合作，將其引導向各領域真正關心的問題。
Anthropic 發布 Science Blog 客座文章，哈佛物理學家 Matthew Schwartz 提出 AI 與科學之間存在類似物理學的阻抗失配：LLM 能力很強，但像對待人類合作者那樣使用它並非發揮其科學優勢的最佳方式。為此他開發了一套用於定量科學精確計算的工具包，Claude 藉此發現與生態學、群體遺傳學等十幾個領域的聯絡，Schwartz 再與領域專家合作將方向引導到有價值的問題上。
華人團隊 Novix 把 RSI（遞迴自我改進）做成規模化閉環，成立半年已服務 20 萬名專家，覆蓋 40 多個國家和地區、500 多所高校及科研機構。團隊由石宇、湯嘉斌等創立，核心成員來自 Google、微軟、Meta、智譜和 Kimi。
OpenAI CEO Sam Altman 在 X 發帖稱「我們正進入發現的新紀元」，並附上 OpenAI 官網一則題為 Sharing AI progress in mathematics 的頁面連結。推文字身沒有給出更多說明，未披露涉及的具體模型、數學成果或時間表，資訊集中在所連結的頁面上。發帖時間為 2026 年 10 月 7 日。
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。
一篇評論用斯特魯加茨基兄弟的科幻小說《路邊野餐》類比 AI 對科學的衝擊：AI 實驗室正成批產出數學發現，多到要另附導讀，速度遠超學界消化能力。作者稱這類「發現傾倒」會出現在所有能閉環快速驗證的領域；NYU 數學教授 Tristan Buckmaster 提到最近一批 AI 科學論文讓整個研究專案一夜之間被抹掉。文章的核心判斷是答案將越來越先於理解到來，理解成為瓶頸，這或許也是反加速主義少有的有效論據。
UniPat AI 宣布啟動 UniPat Fellows 計劃，未來一年投入一億元，邀請科學領域頂尖研究者與 UniPat 研究員、工程師共同研究，併為每人提供 50 萬元的模型 API 呼叫額度。入選者還可獲得專業資料、專家網路、有競爭力的薪酬與科研算力環境，研究方向不設學科邊界。機制上，Fellow 從自身熟悉的研究問題出發建立評測基準，再把專業軟體、模擬系統和實驗反饋接入可互動環境，讓 AI 提出方案、使用工具並持續改進。
10 月 18 日中科大在合肥發布機器科學家 2.2 系統，官方定位為新一代智慧物質科學基礎設施，由大模型負責大膽假設、專業小模型負責計算篩選、科研機器人負責精準實驗，並通過結果回喂模型的閉環自主迭代。它已產出火星製氧催化劑（6 周從 376 萬種配方中鎖定最優解，人工需 2000 年）、新能源電池吸能材料（7 個月，傳統試錯約 10 年）等成果。
Google DeepMind 的 Pushmeet Kohli 與 Biohub 的 Sal Candido 在對談中表示，AlphaFold 的突破只是開始，蛋白質摺疊問題遠未解決。兩人認為僅擴大算力與資料不足以解決生物學問題，關鍵是先找到合適的 scaling law，低品質宏基因組資料也能提升蛋白質語言模型；建置虛擬細胞需要根本不同的資料集，研究須從單個蛋白質走向整個生物系統，治癒所有疾病要靠 10x 級突破而非漸進改進。
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。
CERN 與 Mistral 於 10 月 15 日簽署意向書，將建立長期戰略合作，開發面向科學發現的基礎模型。核心目標是打造首個對撞機物理基礎模型：一個在 LHC 數十億次模擬質子對撞資料上預訓練的「大型物理模型」，可同時承擔對撞重建、粒子識別、異常訊號標記和未來探測器設計評估等任務。CERN 已儲存約 1EB 的 LHC 實驗資料，2030 年前後 HL-LHC 投運後對撞數量將再增十倍；合作初期聚焦高能物理，後續有望服務更廣科學領域。
10 月 15 日，合肥科學視覺化公司可視科學（SciVisual）官宣完成天使輪及天使+輪融資，累計數千萬元，投資方為上海未來產業基金、厚雪資本與浦東創投。公司把核聚變裝置、先進光源等大科學裝置從幾何、部件、材料到物理邏輯編譯成 AI 可呼叫推理的三維資料，已服務 60 餘位院士、800 餘名科學家，覆蓋 20 餘座國家大科學裝置、300 餘個前沿科學設施。其自研輕量化演算法可將模型網格數量壓縮 99% 以上，使原本只有工作站能處理的模型在個人電腦上執行。