搜索
加州理工学院 Anima Anandkumar 团队 8 月 24 日发了一篇论文，用一个 AI 模型把这类计算的复杂度从立方级压到了近线性级。效果相当震撼：在单块 GPU 上完成了一个含 82500 个电子的金属缺陷模拟，2019 年同类计算用了约 7800 块 GPU。
一道悬了整整78年的世纪难题，三天就被破了！
今年8月，谷歌首席科学家Jeff Dean宣布离职，创办AI4S公司Discovery Loop。
ScienceDiscovery 是基于 Agent OS（JiuwenSwarm）开发的一款面向跨学科、全流程科研场景的一站式 AI 工作台，解决科研场景面临的工具碎片化、大模型科研幻觉两大痛点问题，打造 AI 辅助科研新范式，加速科学发现，广泛应用于各行各业。
科研的链条很长。文献读不完，方向想不清，实验一轮接一轮，论文改到深夜。过去两年，大模型已经能读论文、写代码、改文章，但它们大多以问答工具的形态散落在各个环节，替研究者节省的只是零碎时间。
我们如何判断人工智能是否已经足够聪明，能够从事科学研究，实现端到端的自主科学发现？
这个周末，很多数学家都被 OpenAI 的新模型整破防了。
中国科学技术大学发布的最新研究让AI「大脑」接管机器科学家实验室「身体」，由此将这一问题从知识问答和方案生成，推进到真实物理世界中的实验执行与反馈学习。研究团队搭建了一个机器催化实验室，其中包括45个覆盖合成、表征和催化性能测试的模块化自动工作站。
先说一句让我自己都觉得有点过分的话： 做科研这件事，前 80% 的时间都花在了"非创造性"环节——找文献、抄引用、改格式、查统计、回复审稿人、做答辩 PPT。
作为一个普通人，如果你把一道数学难题给到 AI，并一直让它「继续」，它有没有可能真的把这道题解出来，从而帮你赢得一大笔奖金，甚至改写数学发展进程？