值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
Google 的科研工具 ERA 研究今天发表于 Nature，该工具利用 Gemini 编写和优化科学代码，在多个学科基准上达到专家水平。ERA 根据科学问题与成功指标检索文献、编写代码并评估结果，通过树搜索探索数千种方案；团队现有 8 篇稿件将其用于具体科学问题，包括提前最多 4 周预测美国各州呼吸道疾病住院人数。
推荐理由：以科学问题和成功指标驱动文献检索、代码生成与实验评估的闭环，为将科研代码优化方法迁移到不同学科提供了具体参考。
爱丁堡大学 Filippo Menolascina 团队利用 Co-Scientist 研究代谢功能障碍相关脂肪性肝炎（MASH），提出了后来获实验验证的机制假说。
推荐理由：案例展示了从跨领域文献综合到实验检验的研究路径，为利用 AI 缩小组合疗法搜索范围提供了具体参考。
斯坦福大学医学院 Gary Peltz 团队利用 Co-Scientist 筛选肝纤维化候选药物，其推荐的 3 种药物中有 2 种在活人类肝细胞实验中阻断纤维化并促进细胞再生。
推荐理由：同一人类肝细胞实验平台对比了研究者与模型推荐的候选药物，为理解文献检索所得假设如何转化为实验结果提供了具体案例。
Google DeepMind 在 Nature 发表 Co-Scientist 研究，该系统基于 Gemini，通过多智能体协作生成、辩论和迭代科学假设。系统结合科学文献与数据核查，以基于 Elo 的竞赛排序假设；在肝纤维化研究中，其提示的一种药物再利用候选在实验室测试中阻断了 91% 的瘢痕相关反应。
推荐理由：将假设生成、同行式批评与排序迭代拆给不同智能体，并把多数计算用于核查，为科研智能体的工作流设计提供了具体参考。
Google DeepMind 宣布 AI co-clinician 研究计划，探索让 AI 在医生监督下辅助临床决策，并通过实时音视频与患者互动。系统在 98 个真实情境式初级诊疗问题中有 97 个未出现关键错误；在模拟远程问诊评估的 140 项能力中，68 项达到或超过初级保健医生水平，但医生总体表现更好，尤其在识别危险信号和指导关键体格检查方面。
推荐理由：研究将证据检索与远程问诊分开评估，呈现了医疗智能体在信息支持上的进展与临床判断上的差距，为理解医生监督的必要性提供具体依据。
Google Research 展示了 Empirical Research Assistance（ERA）在公共卫生预测、宇宙学、二氧化碳监测和神经回路研究中的应用成果。
推荐理由：四个案例展示了将结构信息、物理约束和既有观测数据引入科研建模的不同路径，为理解预测能力如何延伸到机制解释提供参照。
Google Research 与纽约大学合作开发研究实验 Vantage，通过 AI 模拟团队对话评估学生面向未来的技能，英文版现已在 Google Labs 开放注册。
推荐理由：通过主动引入冲突等情境来收集技能表现，再用同一量规评价对话，为难以标准化测量的协作能力提供了可借鉴的评估路径。
Google Research 提出行为倾向评估框架，对 25 个 LLM 的分析发现，模型既会偏离人类共识，也未充分体现意见分歧。研究将心理问卷转化为现实情境判断测试，每个情境收集 10 名标注者的行动偏好，并与模型回答分布比较；在人类意见分歧较大的情境中，所有受测模型均表现出系统性过度自信。模型自报倾向与情境中的建议行为也存在差异，例如自称低冲动性，却给出偏向冲动的建议。
推荐理由：将心理问卷转化为情境判断测试，为区分模型自述倾向与实际建议行为提供了可迁移的评估路径，而不只依赖自报答案。
Google Research 与 NHS 合作的两项 AIMS 研究显示，AI 独立阅片可提高乳腺癌检出能力，参与双阅片流程后的表现不劣于传统流程。发表于 Nature Cancer 的研究中，独立 AI 的癌症检出率从每 1,000 名女性 7.54 例提高至 9.33 例；以 AI 担任第二阅片者的研究估计可减少 46% 的人工阅片次数及 36–44% 的阅片时间。
推荐理由：两项研究区分了模型独立检出能力与人机协作后的实际表现，为评估医疗人工智能提供了兼顾工作量和仲裁误判的视角。
Google Research 推出 Groundsource 方法，利用 Gemini 从新闻提取洪灾信息，并开放包含 2.6 million 条历史事件记录、覆盖超过 150 个国家的数据集。
推荐理由：新闻记录可补充传统监测容易遗漏的局地短时洪灾，为历史数据稀缺地区的预测模型训练与验证提供另一类数据来源。
Google Research 与 Beth Israel Deaconess Medical Center 开展 AMIE 单中心前瞻性可行性研究，100 名成人患者在医生实时监督下完成诊前文字问诊，未触发安全停止。
推荐理由：研究将诊前问诊置于医生实时监督的真实流程中，并区分可行性与临床疗效，为理解医疗对话系统的评估边界提供具体参照。
Mistral AI 与 Carbone 4、ADEME 合作开展模型生命周期分析，披露温室气体排放、用水和资源消耗，推动 AI 环境影响的标准化核算。
推荐理由：将训练总足迹与单次推理边际影响分开披露，并纳入硬件制造等上游影响，为比较模型环境成本提供了更清晰的核算思路。