В научной подборке сегодня один, но очень сильный результат: авторы arXiv-работы утверждают, что система Aristotle впервые полностью автономно решила открытую задачу из списка Эрдёша, а затем оформила доказательство в Lean. Если вывод выдержит проверку, это будет важный шаг от олимпиадных и тестовых задач к настоящему математическому исследованию с машинной верификацией.
Nature Chemical Biology описывает подход, который не просто наблюдает связи в кишечном микробиоме, а подбирает сочетания микроорганизмов и пищевых волокон под целевой полезный результат. Это важный сдвиг от описательной науки к управляемому проектированию микробных сообществ для здоровья.
MIT Technology Review обращает внимание на более приземлённую, но решающую проблему для ИИ в фарме: модели уже умеют предлагать молекулы, однако реальный прогресс упирается в то, как быстро лаборатории проверяют гипотезы, очищают результаты и возвращают новые данные обратно в систему. Без этого ИИ ускоряет перебор кандидатов, но не делает саму науку надёжнее.
В научной повестке ИИ за день выделяются две разные, но связанные истории: Nature Machine Intelligence описывает систему, где LLM уже управляет реальным экспериментальным оборудованием с минимальным участием человека, а Scientific Reports показывает на больших данных, что связка ИИ и суперкомпьютеров действительно сопровождается ростом числа научных прорывов — но доступ к таким ресурсам распределён неравномерно.
В этой научной подборке две свежие работы с разным масштабом, но общей логикой: ИИ всё полезнее не там, где обещает чудо сам по себе, а там, где сужает слишком большой поиск для человека. В одном случае это тысячи материалов и проверка в лаборатории, в другом — помощь химикам в выдвижении более сильных гипотез для поиска лекарств.
Исследователи описали систему на базе большой языковой модели с поиском по клиническим рекомендациям для ведения пациентов с диабетическим поражением почек и проверили её на 267 случаях из нескольких центров. Главное здесь не просто рост точности, а более уверенная работа именно там, где ошибка особенно опасна: в подборе терапии и выявлении лекарственных рисков, связанных с функцией почек.
В сегодняшней научной подборке три разных сигнала того, как ИИ входит в исследовательскую практику: от узкого математического результата, где агентная система помогла найти важный критерий для доказательства, до причинного анализа радиационного ответа клеток и нового способа выделять скрытые подтипы рака молочной железы по форме геномных данных.
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.
Nature выпустил сразу две заметные работы о том, как многоагентные системы начинают помогать не только с поиском литературы, но и с выдвижением и проверкой биомедицинских гипотез. В одном случае система Robin дошла до конкретных кандидатов терапии для сухой возрастной макулярной дегенерации, в другом Co-Scientist показала, что дополнительное вычислительное время может повышать качество научных гипотез в реальных исследовательских сценариях.
