标签
本文介绍了 MOSAIC，这是一种用于科学时间序列中模块发现的方法，它将因果表征学习与稀疏可加可识别因果学习相结合。其目标是在无需事后对齐的情况下，恢复可解释的潜在变量及其关联观测值，并在分子动力学和气候数据等领域进行了验证。
DeepMind 强调了 AlphaEvolve（一款由 Gemini 驱动的编码代理）影响力的扩展，展示了其在基因组学、电网优化、地球科学、量子物理学和数学等领域优化算法的能力。
哥伦比亚大学计算机系教授 Vishal Misra 认为，LLM 只能在已习得的贝叶斯流形内插值，无法构建全新概念图谱，因此无法产生真正原创的科学突破。
SimpleTES 框架将评测驱动的发现循环扩展到 21 个科学问题，在 LASSO 上实现 2× 加速，量子门数量减少 24.5%，并发现新的 Erdos 构造，同时支持轨迹级模型后训练。
# 论文页面 - EvoMaster：构建可进化大规模自主科学智能体的基础框架 来源：[https://huggingface.co/papers/2604.17406](https://huggingface.co/papers/2604.17406) 作者：,,,,,,,,,,,,,,,,,,,,, ## 摘要 EvoMaster 是一个可扩展、自我进化的智能体框架，专为大规模科学发现设计，支持在实验周期中迭代优化假设并持续积累知识。大语言模型与智能体的融合正在催生“智能体科学”新时代。
PRL-Bench是一个全面基准，用于评估大语言模型在尖端物理研究中的能力，基于从五个物理子领域精选的100篇《物理评论快报》论文构建。该基准揭示了当前大语言模型性能的重大差距（最佳得分低于50%），旨在测试端到端研究流程、复杂推理和自主探索。
EvoScientist 是一个用于端到端科学发现的自适应多智能体框架，通过持久化记忆模块持续改进，由三个专业智能体组成，分别负责创意生成、实验执行和知识提炼。它在科学创意生成方面超越了7个当前最先进的系统，并通过多智能体进化提升了代码执行成功率。
Google 回顾其2025年的研究突破，重点介绍了 Gemini 3 和 Gemma 3 模型的进展、AI 智能体，以及计算和医疗健康领域的科学应用。
OpenAI发布了一篇研究论文，记录了GPT-5在数学、物理、生物学等多个领域加速科学发现的早期实验成果，包括该模型帮助识别疾病机制、解决开放性问题以及与领先大学和国家实验室合作改进优化算法的案例。
Google DeepMind 和 Google 发起了 AI for Math Initiative，与五所著名研究机构合作，利用 Gemini Deep Think 和 AlphaProof 等 AI 工具加速数学发现。
DeepMind 研究人员利用 AI 技术在基础流体动力学方程中发现了新的不稳定奇点族，有望推动对纳维-斯托克斯方程等百年数学难题的理解。该项工作与布朗大学、纽约大学和斯坦福大学合作，以前所未有的计算精度揭示了爆炸行为的规律。
OpenAI在美国能源部所属的九个国家实验室组织了一场"1,000名科学家AI协作会议"，汇聚了超过1,000名科学家，共同测试o3-mini等先进AI模型，以加速科学发现。该活动展示了一项重大的公私合作，旨在增强美国AI领导力，同时应对材料科学、可再生能源和天体物理学中的研究挑战。
Google在I/O 2026 Keynote上发布了Gemini 3.5、Omni、Code Mender、Gemini for Science、WeatherNext等最新AI成果，强调AGI已近在眼前，并展示了AI在网络安全、科学模拟和健康领域的应用。