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.
Свежая подборка по науке с ИИ показывает, что фокус смещается от одиночных демонстраций к длинным исследовательским циклам: модели учатся работать с научными статьями и рисунками, клинические системы — объяснять ход рассуждений по шагам, а материалы и кристаллы — генерироваться целиком, а не по кускам. Ниже — пять новых работ, где ИИ пытаются встроить в реальную научную и медицинскую практику.
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.
Caliper — проект с GitHub, который хочет сделать научных ИИ-агентов не просто автономными, а управляемо надёжными: система должна оценивать собственную уверенность, передавать задачу человеку, когда ответ ненадёжен, и учиться на исправлениях. На фоне множества агентов, обещающих «полную автоматизацию исследований», это редкая ставка именно на доверие, воспроизводимость и границы применимости.
