AI也能在分子空间里做推演：Scinetics提出可验证的科学推理链
AI也能在分子空间里做推演：Scinetics提出可验证的科学推理链模型的思维链，让AI学会了用文字一步步推理；但科学家的思考，还发生在分子的三维空间、基因序列和实验曲线里。
来自主题: AI技术研报
7246 点击 2026-10-15 13:58
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
模型的思维链，让AI学会了用文字一步步推理；但科学家的思考，还发生在分子的三维空间、基因序列和实验曲线里。
具身智能公司辛苦训练的「机器人大脑」，要被 GPT、Claude、Gemini 抢饭碗了？
大语言模型的生成过程天然具有自回归特性，即模型基于已有上下文逐 token 预测并生成后续内容。随着模型规模不断增大，单步前向计算的开销也随之增加，使得自回归解码面临较高的推理延迟。
之前刷论坛的时候，经常看到有大佬用一张照片，就能推理出你人在哪。
让视频生成模型沿着相机轨迹不断探索一个场景，并不算最难。真正困难的是：当镜头绕了一圈再次回到原点，房间的布局、家具的位置和墙面的纹理，是否还与最初一样？
包馄饨，对大多数人来说很简单：一手托皮，一手挑馅，对折，捏边，收口。很少有人意识到，这个过程里手掌始终在承托一张随时会变形的面皮，手指在不断感受馅料和面皮的回弹，两只手还要在恰当的时机交接。
Agent 执行长程任务时，代码、工具输出和交互记录不断累积，上下文也跟着变长。
人类每天都在完成丰富的手部操作。通过头戴相机记录下这些过程，能为具身智能提供大量示范。
不er，印象中非常吃算力的「游戏世界模型」，居然就这样被塞进一张RTX 5090里了？！
某乎上有篇热帖，如何看待由 Opus 5.5 生成的各类科普视频爆火？
机器人 RSI 时刻远远未到达，先看一个动作：机械臂把碗放到盘子上，再抓起杯子，放进刚刚移动过的碗里。
大模型做 In-Context Learning（ICL，上下文学习）时，通常会先从示例库里检索若干 demonstration，再把这些示例和当前问题一起放进 prompt。
AI数学圈最近是真热闹。
任务很简单：把一个加热后的杯子放进柜子。一个智能体先把杯子放进微波炉，再放进柜子，随后陷入反复查看柜子的循环。这个无效行为重复了 36 次，直到耗尽行动预算，任务仍然没有完成。
近日，清华大学电子工程系数据科学与智能实验室在 AI for Science 方向提出面向智能体符号回归（agentic symbolic regression）的运行时框架 SRHarness [1]，让 AI 更可靠地从观测数据中发现公式；同时构建机制发现基准 MechBench [2]，系统评测 AI 能否进一步揭示公式背后的机理。
把杯子放进微波炉里，这一人类几乎不用思考的日常动作，机器人却可能在杯子放不稳、夹爪碰到门框这样的细节上频频出错。
这在这几天，数学家、极客和成群的AI智能体，展开了一场震撼的接力。
一边打游戏，一边给自己升级？
最近，来自牛津大学&莫纳什大学&布里斯托大学的团队提出了交互式视频世界模型 Oneira，将这类模型从开放式的生成走向开放世界的交互。
一道科学问题，AI 可以给出解释，列出步骤，甚至写出分析代码。
Ola-Sem 正式开源版本来了！UniWAM 探索 Human-Robot Co-training 的 Scaling 趋势，实现世界理解、未来预测与动作生成的统一学习，代码与权重全面开源。
让大模型稳定地按人们的期望行动，是偏好对齐的核心目标。
想象你站在一条产线旁边。
修 Bug、操作计算机、规划实验室操作、优化化学反应，甚至研究复杂的免疫系统。
大语言模型为什么能 scale？一个重要基础是，海量来源各异的知识，被统一进了同一种输入输出空间 —— 文本。输入是文本，输出也是文本，主干模型在这个统一空间中学习、组合与迁移知识。那么，具身智能要获得类似的泛化能力，通往 Physical AGI，它的 “原生统一空间” 是什么？
同一个 GPT-5.5，放进不同的系统里，做具身任务的表现可以相差悬殊。在 EmbodiedBench 上，直接使用 GPT-5.5 的平均成功率是 56.9%；模型参数一个不改，只让它周围的系统持续进化，这个数字变成了 72.7%。
一张 AI 生成的图，可以在美学、提示词对齐和人类偏好指标上拿到高分，画面里却藏着扭曲的肢体、相互穿透的物体，或不合理的物理现象。这些错误，并不总能从现有分数中看出来。
近日，OpenRSI Index 在 X 上引发关注。截至目前，项目发布帖已有超过 13.3 万次浏览，相关话题出现在 X 的 Today’s News 栏目中。
随着前沿模型进入长链推理、工具调用、代码修复与科研任务，一个关键缺口随之显现：模型不断生成和修改候选，但“新状态是否真的更可靠”不能只由模型自己判断。
一直以来，在Transformer架构中，注意力（Attention）与前馈网络（Feed-Forward Network，FFN）被认为是两个功能不同且互补的模块： 前者让词元（Token）彼此交互，后者对每个词元进行非线性变换。