Свежие работы по ИИ в науке показывают, что прогресс идёт сразу по трём линиям: клиническая поддержка решений, вычислительная биология и организация самого научного поиска.

HCC-STAR для точной терапии при раке печени

Авторы представили HCC-STAR — языковую модель клинических рассуждений для гепатоцеллюлярной карциномы, то есть одного из самых распространённых видов рака печени. Система читает текстовые записи из электронных медицинских карт и одновременно выдаёт стадию риска, ранжированные варианты лечения с объяснениями и индивидуальный прогноз выживаемости.

Работа выделяется масштабом проверки: в статье описана многоцентровая выборка из 6668 пациентов из 12 больниц Китая. Если результаты подтвердятся в более широком внедрении, такие системы могут стать полезным слоем поддержки врача там, где важны не только рекомендации, но и понятное обоснование выбора терапии.

Design-CP делает проектирование белковых наночастиц доступнее

В работе Design-CP решается практическое ограничение современных генеративных моделей для белков: при проектировании больших многокомпонентных структур быстро заканчивается память видеокарт. Авторы предлагают схему параллельной обработки контекста для RFdiffusion 3, которая распределяет самые тяжёлые попарные вычисления между несколькими видеокартами и не требует менять заранее обученные веса модели.

Главный эффект в том, что проектирование крупных икосаэдрических и октаэдрических наночастиц становится возможным даже на рабочих станциях с видеокартами по 16 ГБ памяти. Для лабораторий без очень дорогой вычислительной инфраструктуры это может заметно расширить круг задач, которые реально запускать у себя.

SCION предлагает операционную систему для научных ИИ-агентов

SCION — это не отдельная модель, а скорее инфраструктурный слой для долгих исследовательских процессов. Авторы описывают его как проверяемую систему координации, которая связывает задачи, инструменты, память и точки проверки результатов в одном контуре.

Такой подход важен потому, что в науке мало просто получить красивый ответ от агента: нужен воспроизводимый маршрут, по которому можно понять, как именно система пришла к выводу. В статье заявлены улучшения по сравнению с более ранними автономными исследовательскими агентами в задачах анализа материалов, генерации молекул, поиска антител, чтения научных работ и генерации идей.

Вместе эти три работы хорошо показывают текущий сдвиг: ИИ в науке всё чаще двигается от единичных демонстраций к системам, которые либо помогают принимать реальные решения, либо снижают стоимость сложных вычислений, либо делают сам исследовательский процесс более проверяемым.