科研是 AI 最早实现广泛落地的行业之一。在 ChatGPT 掀起这一轮生成式 AI 热潮之前，甚至可以追溯到上一轮由机器学习主导的技术浪潮中，AI 就已被用于气候模型参数校准、分子动力学模拟加速等科研任务。尤其在 2018 年前后，DeepMind 推出的 AlphaFold 在蛋白质结构预测方面实现突破，不仅引发了医药行业的技术革命，更被《自然》杂志评价为「解决了生物学五十年来的重大挑战」。
Anthropic 联合创始人 Jared Kaplan 是一名理论物理学家，研究兴趣广泛，涉及有效场论、粒子物理、宇宙学、散射振幅以及共形场论等。过去几年，他还与物理学家、计算机科学家们合作开展机器学习研究，包括神经模型以及 GPT-3 语言模型的 Scaling Law。
还在为 LoRA 训练不稳定、模型融合效果差、剪枝后性能大降而烦恼吗？来自香港城市大学、南方科技大学、浙江大学等机构的研究者们提出了一种简单的渐进式训练策略，CoTo，通过在训练早期随机失活一部分适配器，并逐渐提高其激活概率，有效缓解了层级不均衡问题，并显著增强了模型在多任务融合和剪枝等操作上的鲁棒性和有效性。该工作已被机器学习顶会 ICML 2025 接收。
当前最强大的大语言模型（LLM）虽然代码能力飞速发展，但在解决真实、复杂的机器学习工程（MLE）任务时，仍像是在进行一场“闭卷考试”。它们可以在单次尝试中生成代码，却无法模拟人类工程师那样，在反复的实验、调试、反馈和优化中寻找最优解的真实工作流。
知名 AI 技术博主、《Python 机器学习》作者 Sebastian Raschka 又来放福利了！
当地时间6月15日，据知名科技记者马克·古尔曼透露，苹果AI与机器学习战略高级副总裁约翰·詹南德雷亚（John Giannandrea）已逐渐淡出苹果公司核心管理层，甚至可能在不久后 “离开苹果公司”。
AI 决策的可靠性与安全性是其实际部署的核心挑战。当前智能体广泛依赖复杂的机器学习模型进行决策，但由于模型缺乏透明性，其决策过程往往难以被理解与验证，尤其在关键场景中，错误决策可能带来严重后果。因此，提升模型的可解释性成为迫切需求。
AI 决策的可靠性与安全性是其实际部署的核心挑战。当前智能体广泛依赖复杂的机器学习模型进行决策，但由于模型缺乏透明性，其决策过程往往难以被理解与验证，尤其在关键场景中，错误决策可能带来严重后果。因此，提升模型的可解释性成为迫切需求。
已经研发出 3 种原型药物，能够对肝细胞进行重编程 生物科技公司 NewLimit 宣布完成 1.3 亿美元 B 轮融资，其利用单细胞组学、池化扰动筛选和机器学习技术，基于「AI + 实验室」闭环，已经研发出 3 种原型药物，能够对肝细胞进行重编程。
最近，Meta 公司首席 AI 科学家、图灵奖得主 LeCun 转发了他在纽约大学的同事 Kyunghyun Cho 的一篇帖子：内容是关于这位教授 2025 学年机器学习研究生课程的教学大纲和讲义。
