Три свежих препринта показывают, как ИИ продвигается от чтения научной литературы к более структурированной работе: eolas извлекает графы знаний из статей о материалах, языковые модели неожиданно хорошо ранжируют 3D-конформации молекул, а ScientistTwo заявляет о полностью автономном цикле исследований с кодом и статьёй.
Шесть новых работ с arXiv показывают, как научный ИИ смещается от одиночных тестов к более живым задачам: временные ряды в клинике, ветеринарная диагностика с учетом эмоций, объяснимые медицинские документы, наномедицина и адаптивный поиск биологических мишеней.
Новая подборка работ показывает, где ИИ в науке уже дает проверяемый результат: от улучшенных упаковок кругов и тестов для научных агентов до предсказания электронной плотности и агентных рабочих процессов в материаловедении.
Свежая пятёрка работ по ИИ в науке показывает, куда сдвигается поле: от проверки научных агентов и поиска причин их ошибок — к системам, которые уже участвуют в реальных циклах материаловедения, биологии и разработки лекарств. Самый сильный сигнал здесь у Gemini и Co-Scientist: авторы утверждают, что система дошла не только до идей, но и до результатов в лабораторных и медицинских задачах.
В науке об ИИ всё заметнее сдвиг от красивых общих обещаний к более жёсткой проверке того, как именно системы помогают исследованию. Новые работы предлагают три разных ответа: ограничивать научного агента правилами и проверками, по-новому оценивать медицинский ИИ через влияние на реальные решения и связывать весь цикл поиска материалов в одну непрерывную цепочку вместо разрозненных шагов.
В новой подборке про ИИ для науки — система ScienceFlow для долгих исследовательских циклов, MedPlex для сегментации медицинских снимков с опорой на клинический язык, метод очистки клинических записей для решений по ИВЛ и MatEvolve для поиска новых кристаллических структур.
Четыре свежие научные работы показывают, как ИИ всё глубже входит в реальные исследовательские процессы: от машинно-проверяемых доказательств по геометрии и новых клинически устойчивых моделей для рентгеновских снимков до прогноза рисков по обычным сканам тела и моделирования сложных фазовых переходов в материалах на масштабах, недоступных классическим расчётам.
В свежей подборке по AI Science — четыре сильные истории: модель DiffSyn предлагает рабочие маршруты синтеза материалов, ИИ помогает проектировать новые ферменты для CRISPR, AlphaFold3-подход снижает риск побочных редактирований ДНК, а система NISE проектирует белки-связыватели малых молекул с нуля. Это уже не только поиск кандидатов на экране, а постепенный переход к более точному и проверяемому эксперименту в биологии, химии и материаловедении.
В новой подборке ИИ для науки — спор о пользе многоагентных дебатов для рецензирования, попытка сделать белковые модели понятнее, усиление молекулярной оптимизации через самоулучшающееся рассуждение и более реалистичный расчёт кинетики связывания лекарств.
