麻省理工学院的研究人员开发了Llamole，一个结合语言模型与基于图的算法的人工智能系统，以革命性的方式设计分子。通过将自然语言查询转化为优化的分子结构和合成计划，它将成功率从5%提升至35%。这一突破可能大幅缩短药物研发时间，同时展示了多模态人工智能在解决科学问题上的潜力。
MIT researchers developed Llamole, an AI system combining language models with graph-based algorithms to revolutionize molecular design. By translating natural language queries into optimized molecular structures and synthesis plans, it boosts success rates from 5% to 35%. This breakthrough could slash pharmaceutical R&D timelines while demonstrating multimodal AI's potential in scientific problem-solving.
最新研究发现，AI增强的创造力能显著促进神经可塑性。功能磁共振成像数据显示，在人机协作构思时，认知负担降低近半。研究提出的“协作涌现”模型阐明，诸如Midjourney v7等AI工具如何拓宽创新边界，助力教育者通过多模态合成技术将量子场等抽象概念具象化。此外，对大量课堂实验的分析表明，采用AI设计的课程能有效提升学生33%的发散思维能力，这为生成式工具融入适应性教学和跨学科项目课程提供了实用策略。
美国食品药品监督管理局宣布了一项历史性转变，逐步淘汰对单克隆抗体等药物的强制性动物测试，转而采用人工智能建模和基于人类细胞的替代方法。这一政策旨在加速药物审批，降低成本70-80%，并解决100多年来依赖动物的伦理问题。虽然科学家称赞提高了与人类相关的数据质量，但批评者警告在这一过渡期间人工智能预测错误和监管空白。此举标志着生物技术公司与人工智能初创企业之间日益增长的合作，正在重塑制药行业的职业生涯。
历史学家常面临一个古老难题：如何解读那些作者不明、年代模糊甚至文字残缺的古代文献？如今，人工智能正成为破解这些谜团的新钥匙。以谷歌DeepMind开发的Aeneas模型为例，它通过分析数十万份拉丁铭文，像一位“数字考古学家”般预测文本的年代、地理起源，甚至填补缺失的文字——其原理类似于让神经网络学习罗马帝国的语言规律与文化脉络，从而识别出人类专家难以察觉的跨时空联系。这不仅将复原历史碎片的效率提升数倍（如帮助学者在15分钟内完成原本需数天的研究），更可能通过铭文中奴隶的墓志铭或皇帝的诏令，揭示罗马帝国中人员
科学家开发了一种AI驱动的神经假体，能够将脑信号转换为可听语音，准确度达到Siri®级别，为言语障碍者带来希望。通过结合253通道皮质植入物与双流解码模型，该系统实现了神经模式到语音和文本的近实时转换。在专业短语库上的严格测试表明，它能够处理复杂词汇同时保持低延迟——自然对话的关键因素。尽管仍处于实验阶段，这一创新解决了神经假体领域数十年的挑战，为更具表现力的通讯设备铺平了道路。