Google DeepMind 的 Co-Scientist 助力发现抗肝纤维化药物
斯坦福大学医学院遗传学家 Gary Peltz 使用 Google DeepMind 的 Co-Scientist 筛选抗肝纤维化药物，其提出的 3 个候选药物中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自己挑选的 2 个候选药物均无效果。
#论文/研究
#论文/研究
今日 0 条Google DeepMindAI 评分3838
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Co-Scientist 多智能体科研系统
Google DeepMind 在 Nature 发表 Co-Scientist 研究，这是一个基于 Gemini 构建的多智能体系统，可迭代生成、辩论并演化科学假设。
推荐理由：原文给出多智能体系统的三阶段架构与多个实验室验证案例，可了解 AI 参与科学假设生成的具体机制。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一个范式
伯克利 AI Research 发布综述，梳理并行推理领域进展，重点讨论自适应并行推理——让推理模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。文章指出，现有方法多由模型外部固定并行结构，而不同问题需要不同并行度。文中还介绍了 ThreadWeaver、ParaThinker、GroupThink、Hogwild! Inference 等方法。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 AI co-clinician 医疗智能体研究
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。
推荐理由：Google DeepMind 公开 AI co-clinician 研究，给出医生盲评与实时多模态模拟的对比结果，可了解医疗智能体当前的能力边界。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构
Google DeepMind 发布论文提出 Decoupled DiLoCo 分布式训练架构，把大规模训练拆分为解耦的计算岛并异步传输数据，从而隔离局部硬件故障。
推荐理由：原文给出跨数据中心异步训练在带宽、故障隔离和混合硬件上的实测结果，可据此判断分布式预训练的工程取舍。
Berkeley AI ResearchAI 评分3131 GRASP：面向世界模型的梯度规划器，让长时程规划更稳健
GRASP 是一种面向学习型世界模型（learned dynamics）的新型梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中直接加入随机性以促进探索，并重塑梯度让动作获得清晰信号、避免穿过高维视觉模型的脆弱“状态输入”梯度。
Berkeley AI ResearchAI 评分3434 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模 LLM 中识别驱动模型输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层级结构，在约少 10 倍消融次数下达到 SPEX 的性能。
Berkeley AI ResearchAI 评分2222 信息驱动的成像系统设计：Berkeley 提出基于互信息的成像评估框架
Berkeley AI Research 提出一种直接评估和优化成像系统信息量的框架，通过互信息量化测量对物体的区分能力，统一了分辨率、噪声、采样等传统指标。该方法仅从测量数据和已知噪声模型估计信息量，在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证，信息估计能预测解码器性能，优化后的设计达到端到端方法水平，且内存和计算需求更低、无需任务专用解码器。
Berkeley AI ResearchAI 评分3636 无需 TD 学习：用分治法实现可扩展的 off-policy 强化学习
伯克利 AI 研究提出一种基于分治（divide and conquer）的强化学习算法，不依赖时序差分（TD）学习，可将 Bellman 递归次数从线性降为对数级，从而扩展到长时程任务。该方法针对 off-policy RL 场景，在目标条件 RL 中利用三角不等式构造传递性 Bellman 更新，用两个较短的子轨迹价值更新完整轨迹价值。目前仍存在如何选取最优子目标 w 的问题。
Berkeley AI ResearchAI 评分3131 word2vec 究竟学到了什么？新理论证明其等价于对目标矩阵做 PCA
伯克利 AI 研究团队发表新论文，为 word2vec 的学习过程提供了定量预测理论：在现实训练条件下，其学习问题可归约为无权重最小二乘矩阵分解，梯度流动力学有闭式解，最终学到的表示等价于对目标矩阵 M* 做 PCA。从接近零的小初始化开始，word2vec 按离散步骤逐个学习正交线性子空间，每步提升嵌入矩阵的秩并降低损失，这些特征正是由语料共现统计和超参数决定的目标矩阵的顶部特征向量。