В свежем научном дайджесте — шесть работ о том, как ИИ меняет исследовательскую практику: от самоорганизующихся исследовательских роёв и формального описания лабораторий до раннего скрининга болезней почек, проектирования белков, лекарственных молекул и автономной микроскопии.
Новая работа показывает более зрелый сценарий ИИ в разработке лекарств: система не остановилась на виртуальном отборе молекул, а довела поиск до проверки мишени PIK3CA в ткани опухоли и дополнительных биологических экспериментов. Это важно как пример связки вычислительного отбора с реальной лабораторной проверкой, а не только с красивым списком кандидатов на экране.
Пять свежих работ на стыке ИИ и науки показывают, куда сейчас реально движется прикладной прогресс: от статистически корректных исследовательских агентов и более надёжной медицинской диагностики по временным рядам до временных биомедицинских графов знаний, автоматизации чтения онкологических статей и нового предупреждения о скрытых рисках в ИИ-проектировании антимикробных пептидов.
Три свежие работы о науке с ИИ: OpenProver пытается сделать машинные доказательства надёжнее, новая статья по пористым оксидам показывает, как добавлять физические ограничения в поиск энергетических материалов, а MolecularCanvas предлагает более дисциплинированный подход к поиску малых молекул для лекарств.
MIT Technology Review описывает, как AstraZeneca применяет AI в разработке биологических лекарств: модели помогают отбирать перспективные молекулы, сокращать число тупиковых экспериментов и постепенно строить замкнутый цикл, где вычисления, лаборатория и автоматизация непрерывно усиливают друг друга.
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.
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.
Пять новых работ по AI в науке рисуют трезвую картину: модели всё чаще входят в реальные научные контуры — от переработки лекарств до проверки статей и подготовки данных, — но самые ценные результаты пока приходят не от «магии модели», а от хороших бенчмарков, инфраструктуры и человеческой проверки. Особенно показательно, что на сложных диаграммах материалов современные мультимодальные системы всё ещё сильно уступают экспертному пониманию.
Свежая подборка по ИИ в науке показывает сразу несколько сильных направлений: от новых вычислительных приёмов для квантовой химии и поиска сверхпроводников до более надёжного открытия материалов, автоматической сборки баз данных по метаматериалам, формально проверяемых математических доказательств и более честной оценки ИИ-агентов для доклинической фармакологии.
