Claude 在 Claude Science 中自主设计蛋白结合体，靶向蝎毒神经毒素
Anthropic 的 Claude 在面向研究者的 Claude Science 环境中，针对 4 种蝎子的 5 种毒素自主生成 318,484 个蛋白结合体设计，首次提示后自行工作 24 小时，随后由研究团队追加指令引导。
The Decoder
入选证据待确认重要性78入选理由：材料给出从设计到湿实验验证的完整链条与命中率，研究者可据此判断自主智能体在蛋白设计中的实际位置。
主题档案
科研成果 最新动态
AI 驱动的科研成果：论文、技术报告、实验验证与数学证明。
64 条精选近 30 天 40 条共收录 526 条
更新
入选归档 · 第 2 页
OpenAI 与 PerturbAI、Scripps Research 用数千个 AI 智能体分析小鼠脑细胞数据
OpenAI、PerturbAI 和 Scripps Research 用数千个由 GPT‑Rosalind 驱动的 AI 智能体并行分析已有的小鼠全脑 CRISPR 图谱数据，在 32 分钟内把基因扰动效应与文献发现连接起来，形成可检索的 reasoning atlas。
OpenAI News官方入选可用产品重要性71入选理由：材料给出分布式智能体在真实脑细胞数据上产出可检验线索的具体流程与对照结果，研究者可据此判断这类分析能否接入自己的实验数据。
OpenAI 宣称证明准黎曼猜想，数学家如何评价
OpenAI 在 2026 年 10 月 6 日公布的 377 项结果中，有一项宣称解决了准黎曼猜想，即黎曼猜想的一个较弱版本。斯坦福大学的 Jared Duker Lichtman 称这项新证明是迄今 AI 用于数学最重要的成果，且领先幅度相当大。
Quanta Magazine入选证据待确认重要性78入选理由：材料交代了 OpenAI 宣称解决准黎曼猜想及数学家对其分量的评价，可据此判断 AI 在数学证明中的位置。
Claude 设计抗蝎毒神经毒素蛋白结合体，211 个设计中 17 个达标
Anthropic 让内部研究模型在 Claude Science 中针对 4 个地区的 5 种蝎毒神经毒素设计 minibinder，64 小时内生成 318,484 个设计并选出 180 个，团队补充 31 个，共 211 个交由 Adaptyv Bio 和 Twist Bioscience 实验室检测，17 个达到结合标准，且均只针对单一毒素。
Anthropic Research官方入选可用产品重要性71入选理由：Anthropic 公开 211 个设计及结合数据，研究者可据此判断 AI 智能体在毒素靶点设计中的实际产出与局限。
Épi 自主研究智能体产出 120 项纪录结果并给出 Tuza 猜想新证明
研究团队发布技术报告，介绍跨会话持续运行的自主研究智能体 Épi，它结合分层记忆、版本化分支和独立评审，在固定验证规则下产出 120 项纪录结果，包括 20 项数值界纪录和 100 项构造纪录，其中 n-queens 常数区间收窄约 84 倍，四次 Feigenbaum 吸引子维数的严格区间收窄超过 360 万倍。
arXiv 科研构思与自主科研代理入选预印本重要性88入选理由：作者团队公开了可核查的构造与证书，研究者能据此判断自主研究智能体在数学与算法设计上已能产出何种可检验结果。
Claude 查明 NIST ECDSA 曲线种子来源：由 Unix 时间戳初始化的 lrand48 生成
Anthropic 称，一名员工让内部研究模型 Claude 在不提供线索的情况下追查 NIST 椭圆曲线种子来源，Claude 在不到半小时内查明 P-192。
Anthropic Research官方入选证据待确认重要性60入选理由：NIST 椭圆曲线种子来源这一长期悬案被 Claude 在半小时内解开，密码学与数学研究者可据此复核并复现。
Claude 自主设计出更省资源的量子电路，八项任务均优于已发表方案
Anthropic 用自然语言规格和自动评分器让 Claude 在闭环中设计量子电路，在化学、优化、量子模拟、数论和数值计算共八项任务上给出比已发表最优方案使用更少量子比特和门的新设计，部分提升达一个数量级以上。
Anthropic Research官方入选预印本重要性78入选理由：Anthropic 让 Claude 在闭环中自主设计量子电路，八项任务均优于已发表设计，为量子算法资源估算提供了可复用的自动化路径。
- 引用Sakana AI@SakanaAILabs
The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery Blog: https://pub.sakana.ai/agentic-scientist/ GitHub: https://github.com/SakanaAI/AI-Scientist-v3 arXiv: https://arxiv.org/abs/2610.18933 Since 2024, we’ve used The AI Scientist as a way to test how far AI alone can take scientific research, from v1 to v2 to the paper published in Nature earlier this year. The Agentic Scientist is the next step in that line of work, built for the era of coding agents. Coding agents such as Codex and Claude Code now carry out long software tasks on their own. Handing them a research problem, however, tends to produce a strong hyperparameter optimizer rather than a scientist: scores go up, but ideas stay narrow, and the reasons for the gain are rarely examined. The Agentic Scientist makes the research loop explicit. It wraps off-the-shelf coding agents in a scaffold that controls what they see, what they write, how they are evaluated, and how results are handed to the next stage. Parallel workers test hypotheses against rubrics defined before any experiment runs, share successes and failures through a common memory, and then ablate the winning program to generate evidence. We used an early version of the system to study Error Diffusion, a biologically motivated alternative to backpropagation. Our researchers set the question and the rubric, chose directions at each stage, and verified the results, references, and claims before submission. The resulting paper was accepted as an oral presentation at ALIFE 2026. In autonomous runs, the system also raised Doc-to-LoRA retrieval accuracy from 52% to 98% on multi-needle tasks and designed a learned evolution strategy that improves over its CMA-ES reference on unseen tasks. Alongside it we release AutoIllustrate, a pipeline for scientific figures that keeps an editable http://draw.io file as the source of truth, so every diagram can be corrected by hand. Humans define the question and the standards of evidence; agents expand the experiments researchers can run. We call this Co-Discovery, and we are releasing both systems as open source for the community to build on.
入选预印本重要性78
Sakana AI@SakanaAILabs入选理由：Sakana AI 公开了把编码智能体组织成科研流程的开源框架，研究者可以据此判断人机分工的边界。
Google 发布 Antigravity 智能体科研工作台，并内置 Biomolecular Structure Viewer
Google 发布智能体开发平台 Google Antigravity，提供面向生物学家的智能体科研工作台，把原本分散在多个数据库的检索压缩到一次会话中，并借助 ProtNLM 扫描 UniProt 中数百万条功能未知的蛋白质序列。
Google DeepMind Blog官方入选证据待确认重要性71入选理由：Google 把跨数据库检索、结构分析与文献综合放进一个智能体会话，研究者可据此判断这类工作台能否压缩抗菌肽早期筛选流程。
GPT-6-Astra 在 TheoPhysEval 上解出 50 道理论物理题中的 49 道，单题成本不足 3 美元
研究团队用 50 道理论物理常规计算题测试商用 AI 智能体，且不提供任何人工提示。运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 49 道。
The Decoder入选厂商自述重要性88入选理由：这份基准显示 AI 智能体已能完成理论物理的常规计算，研究者可据此重新考虑早期科研训练的安排。
上海AI实验室许地生团队用书生-S2 人机协同证明三维Ghys猜想
上海人工智能实验室访问学者、大湾区大学教授许地生团队依托书生科学多模态大模型S2（书生-S2），通过人机协同完成困扰数学界30余年的三维Ghys猜想证明，论文已发布在预印本平台arXiv，形式化代码在GitHub公开。
上海人工智能实验室·科研动态官方入选预印本重要性85入选理由：材料完整呈现了人机协同证明数学猜想的流程与形式化验证环节，研究者可据此判断大模型在自身领域承担长程推导的可行边界。
Google 在 Research@ 2026 发布多项科研 AI 能力，Deep Review 公开上线
Google 在 Research@ 2026 活动上公布多项面向科研的 AI 能力，其中 Deep Review 在 STOC、ICML、NeurIPS、ICLR 的 15000 余份投稿中完成部署后正式公开上线。
Google Blog · Research官方入选证据待确认重要性62入选理由：Deep Review 已在 STOC、ICML、NeurIPS、ICLR 的 15000 余份投稿中试用后公开，审稿人和会议组织者可据此判断它能否进入评审流程。
Google 发布地理空间推理智能体技术报告，并开放 Earth AI 早期访问
Google 公布地理空间推理智能体的技术报告，在 CBGB、UnivEARTH 及新发布的 GeoExpertQueries、GeoKTools 四个基准上比较了四种配置，结果显示接入 Earth AI 专用工具后定量空间任务得分明显提升，而开放式问题还需要前置规划。
Google Research Blog官方入选预印本重要性71入选理由：Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出 WHO 等机构的早期实测，研究者可据此判断这类地球科学智能体能否接入自己的空间分析流程。
MIT 团队用机器学习后处理将两到六周天气预报准确率提高一倍
MIT 等机构的研究团队开发了一种机器学习后处理层，通过学习历史数据修正现有预报模型的误差，在两周到六周的次季节预报中把黄金标准模型的预测能力提高了一倍，并首次在该时间尺度上超过气候平均值。相关论文发表在 Nature，该方法在 ECMWF 的预报竞赛中获第一名，对极端天气的预测也有统计显著提升。该模型是开源、低成本的附加组件，可搭配任意预报模型使用，肯尼亚气象部门已联系希望用于改进季风预报。
MIT News · AI入选预印本重要性82入选理由：研究团队用后处理层修正现有预报模型误差，把两周到六周的次季节预报准确率提高一倍，并开源低成本，能源与农业用户可据此评估部署可能。
Amazon Web Services 提出 priming 方法：无需从头重训即可改造 Transformer 架构
Amazon Web Services 团队提出 priming 方法，利用预训练 Transformer 权重作为起点，将混合架构的预训练成本降低 99% 以上，相关论文题为《Priming: Hybrid state space models from pre-trained Transformers》。
Amazon Science官方入选预印本重要性78入选理由：Amazon Web Services 提出 priming 方法，把混合架构的预训练成本降低 99% 以上，并开源 8B 与 32B 模型，研究者可据此低成本比较不同状态空间层。
Google 总结五年疾病研究：90 篇论文与 AlphaFold 等模型的应用
Google 回顾其健康研究布局，称过去五年团队发表了 90 篇经同行评审的疾病研究论文，累计被引超过 9 万次。
Google Blog · Research官方入选证据待确认重要性62入选理由：Google 汇总了 AlphaFold、AlphaGenome 等模型在疾病检测与药物发现中的合作案例，研究者可据此判断这些工具能否接入自己的课题。
微软研究院发布 StudentSim：用个性化学生模拟器为 AI 导师提供训练反馈
微软研究院提出 StudentSim，一个用公开去标识化学习记录训练个性化学生模拟器的研究系统，用于在 AI 导师接触真实学习者之前评估和改进导师。研究同时发布 StudentSimEval 基准，覆盖国际象棋、第二语言英语写作和数学三个领域，从行为保真度和对指导的响应度两个维度评估模拟器。
Microsoft Research Blog官方入选证据待确认重要性62入选理由：微软研究院提出用真实学习记录训练个性化学生模拟器，为 AI 导师在接触真实学习者前提供可扩展的反馈信号。