09:51arXiv cs.AI@Lei Lin, Ronghao Wang, Chunbao Zhou, Jue Wang, Yangang Wang精选DN-Hypo-Pipeline 是一个基于大语言模型的AI工作流,旨在通过利用科学解释作为先验知识,辅助研究人员从现有文献中推导出新颖的研究假设。该管道从论文的结论(explanandum)出发,识别其背后的定律、理论和原理,并重构出对观察现象的新解释。在数据科学建模领域的评估中,结合LLM裁判和人类专家评价,该管道比直接生成方法更有效。此外,两个得分最高的生成假设被转化为新算法,性能超过了原论文的基线模型。该方法本质上是理论引导建模的泛化,有望扩展到其他科学领域。论文假设生成大语言模型科学解释理论引导建模数据科学推荐理由:做科研假设生成或理论驱动建模的研究者,可以用这个管道从文献中自动挖掘新假设,比手动推导更系统高效,值得在数据科学之外的其他学科试试。原文
11:06berryxia@berryxia83°Google DeepMind 推出名为 Co-Scientist 的多 Agent 系统,基于 Gemini 构建,旨在将科学家的研究流程(从假设生成到验证)自动化。该系统能生成上千个假设、举办“idea 锦标赛”、让多个 Agent 进行科学辩论并交叉验证,最后用文献和工具落地。在肝纤维化、ALS 新疗法和逆转衰老等复杂问题上,Co-Scientist 已产出有潜力的新方向。目前假设生成功能已通过 Gemini for Science 向个人研究者开放,旨在将高强度假设迭代从顶尖团队普及到普通研究员。AI产品多Agent系统科研助手假设生成GeminiGoogle DeepMind推荐理由:做科研的团队和个人研究者终于有了一个 24 小时不睡觉的 AI 合作者,能帮你生成假设、辩论验证,直接提升发现速度,建议试试 Gemini for Science。原文
08:47Google DeepMind@GoogleDeepMind精选Google DeepMind 推出了 Co-Scientist,一个基于 Gemini 的多智能体系统,旨在作为科研人员的专属研究伙伴。该系统能够自动生成、辩论并演化针对复杂科学问题的新假设。Co-Scientist 通过多智能体协作,模拟科研团队的工作流程,有望加速科学发现过程。这一工具将帮助科学家更高效地探索未知领域,推动突破性进展。AI产品多智能体系统科研助手Gemini假设生成Google DeepMind推荐理由:科研人员终于有了 AI 驱动的协作伙伴——Co-Scientist 能自动生成和优化假设,做基础研究或跨学科探索的团队可以直接用它加速发现,建议点开看看具体怎么用。原文
05:23Google DeepMind@GoogleDeepMindGoogle DeepMind 宣布将 Co-Scientist 工具开放给个人研究者,作为 Gemini for Science 项目的一部分。该工具专注于假设生成,旨在探索 AI 驱动的科学发现未来。个人研究者现在可以通过 Hypothesis Generation 功能使用这一工具,加速科研流程。这是 AI 在科学领域应用的重要一步,降低了高级研究工具的使用门槛。AI产品Google DeepMindCo-Scientist科学发现假设生成Gemini for Science推荐理由:个人研究者终于能直接使用 DeepMind 的 AI 科学助手生成假设,做科研的可以试试这个工具来加速发现过程。原文
03:35Google DeepMind@GoogleDeepMind72°Google DeepMind 发布了基于 Co-Scientist 的假设生成系统,旨在帮助研究人员针对开放挑战进行头脑风暴和评估新想法。该系统采用多智能体“想法锦标赛”机制,通过生成、辩论和评估假设,展示哪些方案可行、哪些不可行及其原因。这为科研自动化提供了新工具,有望加速科学发现过程。目前该系统已在 Twitter 上展示,获得初步关注。AI产品假设生成多智能体科研自动化Google DeepMindCo-Scientist推荐理由:科研团队和学术研究者终于有了 AI 驱动的假设生成助手——Co-Scientist 通过多智能体辩论帮你筛选可行方向,做前沿探索的可以直接试试这个思路。原文
11:45arXiv cs.AI@Christiaan G. A. Viviers, Koen de Bruin, Mirre M. Trines, Ayla M. Hokke, Roy van der Meel, Avi Schroeder, Twan Lammers, Willem J. M. Mulder, Fons van der Sommen精选纳米医学研究分散在大量文献中,现有AI主要聚焦于性质预测和配方优化,缺乏对研究方向选择的证据支持。研究者提出pArticleMap系统,结合文章嵌入、相似图分析、稀疏前沿提取和结构化证据包检索,利用大语言模型在低密度桥接区域和聚类界面生成引文支持的假设。在回顾性基准测试中,系统在任务级保留假设上实现了10.8%的黄金回收率和15.9%的召回@10,61.0%的未来邻域率表明系统能准确预测研究前沿。人机一致性中等,表明系统作为辅助工具而非替代专家判断。论文纳米医学文献挖掘假设生成大语言模型pArticleMap推荐理由:纳米医学研究者常面临文献碎片化、方向选择困难的痛点,pArticleMap通过证据驱动的假设生成帮你发现被忽视的研究交叉点,做纳米药物设计或跨学科转化的团队值得一试。原文