Семь свежих работ показывают, куда смещается научный ИИ: от красивых предсказаний к проверяемым механизмам, физическим ограничениям, памяти экспериментов и более контролируемому дизайну белков, молекул и материалов.
Четыре свежие работы с arXiv показывают трезвую картину ИИ для науки: биологические рассуждающие модели могут опираться на текст вместо данных, белковые модели лучше предсказывают стабильность мутаций, онтологии дают проверяемые научные тесты, а агенты для материаловедения получают более реалистичный экзамен.
В свежей группе работ с arXiv ИИ помогает отбирать промышленные ферменты, искать несколько физических законов в одной системе, проверять медицинские модели и проектировать материалы через атомистические расчёты.
Новая серия работ на arXiv показывает, как ИИ становится практичнее в науке: от проверки медицинских отчетов и моделей для снимков грудной клетки до проектирования магнитных сплавов, белков и причинных научных гипотез.
Пять свежих работ показывают, куда сейчас смещается AI в науке: от проверки того, действительно ли модель рассуждает в медицине, до агентных систем для медицинской визуализации, белковых исследований и материаловедения. Во всех случаях важен не блеск демо, а вопрос, можно ли доверять результату, воспроизводить его и доводить до реальной лабораторной или клинической практики.
Шесть свежих работ по AI в науке показывают общий сдвиг от красивых обещаний к более жёсткой проверке: где модели действительно ускоряют биологию и белковый дизайн, а где они пока заметно слабы — например, в строгой математической верификации и в реальном планировании химического синтеза. Это полезная подборка именно потому, что в ней есть не только прорывы, но и трезвые ограничения.
В новой подборке по ИИ в науке три заметных направления: клиническая модель HCC-STAR для поддержки терапии рака печени, способ удешевить проектирование белковых наночастиц на обычных рабочих станциях и инфраструктура SCION для более проверяемых ИИ-систем научного поиска.
