为什么 AlphaFold 没有解决蛋白质折叠问题——对话 Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在 Latent Space 的对话中指出，AlphaFold 的突破只是开始，蛋白质折叠远未解决。
#论文/研究
Latent SpaceAI 评分2222 Ars Technica · AIAI 评分6262 研究：AI编码智能体生成更多代码，但未提升软件产出
哈佛大学研究人员Fiona Chen和James Stratton利用Jellyfish的工程团队分析数据，覆盖2021年至2026年3月间700多家软件开发企业、70多万名员工的3亿条工作事件，发现AI编码工具虽能生成大量代码，但代码审查成为效率瓶颈，企业软件产出并未明显增加，也未减少用工。
The Verge · AI精选AI 评分8282 数学家称需数年才能消化 OpenAI 一次性放出的近 400 条数学结果
OpenAI 本周突然发布近 400 条 AI 生成的数学结果，分布在 700 多份手稿中，涵盖组合数学、几何、数论、理论计算机科学、代数、拓扑、概率与统计力学及数学物理等多个方向。
推荐理由：数十位数学家对 OpenAI 一次性放出近 400 条数学结果的直接反应，呈现了学术共同体面对 AI 产出时的验证困境与职业焦虑。
The DecoderAI 评分6565 Anthropic 的 Claude Science 首次绘制完整紫外天图
Anthropic 的 Claude Science 首次绘制出完整的紫外天图。该项目由 Claude Science 协调多个 AI 智能体，从多个太空任务下载数据、校准并合并，再用 inpainting 技术补全缺失区域，测试中预测值与实际测量平均偏差约 10%。
Latent SpaceAI 评分4040 Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk 谈“合成超级智能”：从半导体到超导体
Periodic Labs 联合创始人 Liam Fedus 与 Ekin Dogus Cubuk 在访谈中提出“合成超级智能”（synthesis superintelligence），主张 AI 科学发现不能只靠更多互联网数据训练，而要让模型在真实物理实验中学习。
Latent Space精选AI 评分8585 OpenAI 内部模型发布 722 篇数学手稿，覆盖 500 个开放问题中的 90 个
OpenAI 以博客、GitHub 仓库和推文形式公开了内部前沿模型的数学成果，共 722 篇手稿、归入 372 个相关结果族，来自约 4000 道研究问题的评测，平均每个结果消耗约 3 小时 ChatGPT Pro 思考算力，模型本身尚未发布。
推荐理由：OpenAI 内部模型一次性产出 722 篇数学手稿，读者可据此了解这批结果的规模、算力成本与外界质疑。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布代码审查离线基准 ReviewBench，基于 1.039 亿个 GitHub pull request 的分布特征，构建了覆盖 19 种语言、187 个开源仓库的 219 个 pull request 评测集。
MIT Technology Review · AIAI 评分2222 MIT 报告：AI 智能体接入企业知识为何卡在试点阶段
MIT Technology Review 对 300 名数据与 AI 高管的调查显示，企业平均仅 34% 的智能体 AI 项目能进入生产环境，遗留数据系统、安全隐私顾虑以及知识与上下文缺失是主要失败点。
Microsoft ResearchAI 评分3232 微软研究院用机器学习预测电网空间天气风险，覆盖美国 66,935 座变电站
微软研究院开发了一套端到端机器学习流水线，利用 L1 太阳风观测和 AE、Dst 指数预测，为美国本土 66,935 座变电站生成 30 至 60 分钟前的局地空间天气风险估计。
Google DeepMind精选AI 评分6262 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入可验证水印
Google DeepMind 推出 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：SynthID 水印从图像扩展到合成生物学，读者可了解其在蛋白质序列与结构上的实现方式及对 DNA 合成筛查的意义。
Microsoft Research精选AI 评分6060 微软研究院：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动机器人操作负载做了首次系统性测量研究，发现把物理 AI 推理从机器人本体 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院首次系统测量机器人本体推理与边缘云端卸载的差异，给出任务成功率、电池续航与工具链的量化对比。
Microsoft ResearchAI 评分3939 微软在 Nature 发布 RetroChimera：开源逆合成模型实现罕见反应召回与零样本迁移
微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，通过学习式重排序整合两者互补预测，在盲测中化学家更偏好其单步反应预测。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 AlphaGenome Atlas，覆盖人类基因组 90 亿个单核苷酸变异预测
Google DeepMind 发布 AlphaGenome Atlas，一个包含人类基因组 90 亿个单核苷酸变异效应预测的平台，规模达 1PB，是 AlphaFold Database 的 30 多倍，今日起通过网站门户、AlphaGenome API 和 Google Antigravity 中的 skill 向学术研究免费开放。
推荐理由：AlphaGenome Atlas 把 90 亿个单核苷酸变异的预测结果做成可检索资源，读者可了解其数据规模与在罕见病研究中的实际用法。
Berkeley AI Research精选AI 评分6060 从 CUDA 到 MLX：K-Search 如何把内核优化经验带到 Apple Silicon
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX，新增结构化 CUDA-to-MLX 翻译层，让搜索以现有 CUDA 内核为知识库生成 Apple Silicon 内核。
推荐理由：原文给出跨平台内核迁移的具体方法与实测数据，读者可据此判断 CUDA 经验向 Apple Silicon 迁移的可行路径。
Berkeley AI ResearchAI 评分3838 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以应对长程交互中上下文无法无限扩展的问题。在 CollabBench 协作编程任务上，基于重建的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也低于全上下文设置。
Berkeley AI ResearchAI 评分3131 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI Research 发布综述，梳理并行推理从固定并行走向自适应控制的研究进展。现有方法如 Self-consistency、Best-of-N、Tree of Thoughts、MCTS 及 ParaThinker、GroupThink、Hogwild!
Berkeley AI ResearchAI 评分3131 GRASP：面向世界模型的梯度规划器，让长时程规划更稳健
伯克利 AI 研究团队提出梯度规划器 GRASP，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代直接注入随机性以探索、并重塑梯度让动作获得清晰信号，从而避免高维视觉模型中脆弱的"状态-输入"梯度。该方法针对长时程规划中计算图病态、非贪心结构导致局部极小值等问题，使基于学习世界模型的梯度规划更稳健。
Berkeley AI ResearchAI 评分3636 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中大规模识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约 10 倍更少的消融实验达到 SPEX 的性能。
Berkeley AI ResearchAI 评分3131 伯克利提出信息驱动成像系统设计框架，登 NeurIPS 2025
伯克利 AI 研究团队提出一种直接基于信息量评估和优化成像系统的框架，通过从含噪测量中估计互信息来预测系统性能，无需任务专用解码器。该方法在彩色摄影、射电天文、无镜头成像和显微成像四个领域验证了信息估计与下游解码性能的一致性，优化后的设计达到 SOTA 端到端方法水平，同时所需内存和算力更少。相关论文发表于 NeurIPS 2025。