合成人类基因组计划6月26日正式启动，获威康信托基金会与英国高校支持，着力研发从头构建完整人类染色体的技术。牛津大学Jason Chin主持项目，旨在深入解析基因功能。随着人工智能突破——谷歌DeepMind的AlphaGenome与Arc研究所Evo 2能预测遗传效应、设计新型DNA，这一目标可行性大增。应用前景涵盖安全细胞疗法与抗病毒器官培育。但项目仍面临三重挑战：需合成碱基对规模达数十亿，单条染色体成本预估65万至超2000万美元，且全合成必要性、测试伦理问题及与CRISPR等基因编辑技术优劣对比引发重大争议。
The Synthetic Human Genome (SynHG) project, launched on June 26th and backed by Wellcome and UK universities, aims to develop tools to synthetically construct an entire human chromosome from scratch. Led by Jason Chin of Oxford University, the initiative seeks to deepen understanding of gene function. This ambitious goal is now more feasible due to advancements in AI, like Google DeepMind's AlphaGenome and the Arc Institute's Evo 2, which can predict genetic effects and generate new DNA designs. Potential applications include safer cell therapies and virus-resistant organs. However, the project faces immense challenges in scale, with billions of base pairs to synthesize, high costs (estimated from $650,000 to over $20m per chromosome), and significant ethical concerns regarding testing and the necessity of full synthesis versus advanced gene-editing techniques like CRISPR.
面对现有AI基准测试的不足，研究人员正致力于设计更严格的评估方法。乔纳森·罗伯茨推出的ZeroBench，利用AI目前难以应对的视觉谜题检验多模态模型，结果所有模型均未能得分。Scale AI的EnigmaEval则以其高难度问题著称，领先模型也几乎无法解答。新兴测试如“人类的终极考验”及升级版ARC-AGI，旨在规避以往问题，如数据污染或题目过于简单，以评估AI超越记忆的能力。但AI技术的迅猛发展令这些测试迅速过时，ARC-AGI在短时间内便被超越。有观点指出，基准测试或许难以真实反映智能水平，因此出现了
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。
复旦大学研究人员开发的一种突破性柔性生物电子系统，能够实时跟踪炎症并进行靶向药物递送。这项创新结合了亚毫米级分辨率温度传感器和热激活水凝胶，通过闭环自动化将愈合时间缩短30%，同时抑制感染。该技术在《美国国家科学院院刊》上得到验证，有望改变慢性病管理和急救护理，同时为AI增强的个性化医疗铺平道路。
宾州州立大学团队创新研发仿发丝脑电图电极，采用3D打印水凝胶技术，直接利用生物粘附墨水贴合头皮，摒弃传统金属电极与粘胶，简化使用流程。此设备能在超过24小时内稳定捕获高质量脑电信号，显著提升用户体验与数据可靠性。其独特设计有效克服传统系统因用户活动或头发浓密导致的信号干扰问题，拓宽了在癫痫及睡眠障碍诊断等临床领域及健康消费品的应用前景。研究团队下一步计划实现设备无线化，相关成果已发表于《npj生物医学工程》，展示了其在隐蔽性、个性化定制及减少数据误差方面的优势。
麻省理工学院与英伟达的研究人员开发出了HART（混合自回归变换器），这一混合AI模型结合了速度与精确度，能以比传统方法快9倍的速度生成高质量图像。通过将自回归框架与扩散细化相结合，这一突破性技术为自动驾驶车辆的复杂模拟及日常设备上的创意设计开辟了道路。该技术的效率为机器人技术、游戏等领域的实时应用打开了大门。