#科学发现
一篇挺有意思的方法论文：把等价的修复方案归到同一个机制里再去做探索，在2212个代谢模型上把成功率从17.93%提到20.10%，思路值得做科学发现方向的人看看。
这篇论文给科学问题生成系统立了个可证伪的考试：用未来文献打分。证据结构优先的生成器比纯 LLM 提示更靠谱，还发现 LLM 评委互相打分虚高，值得做科研工具的人看看。
Google DeepMind 把 AI 做科研的卡点讲透了——验证环节不够快，还给了四个方向，搞科研和投资的都该看看。
这篇论文搞了个FirstResearch框架，用研究问题证书让LLM提的科学问题更透明可查，比现有方法得分高出一截，适合研究AI科学发现的同学看看。
别浪费算力跑进化循环了——这篇论文实测发现多轮迭代没用，用一次采样加集合选择反而效果翻倍，还省了90%的调用成本。
AI 与科学交叉领域的从业者值得关注——Mark Chen 点出了当前 AI 应用在科研中的关键误区：不能只追求产出而忽视科学家的创造力。做 AI for Science 的团队可以反思自己的方法论。
这篇论文给AI科学发现领域划出了真正的瓶颈——不是搜索或执行，而是模型形成能力。做AI for Science的研究者、科学哲学爱好者、以及关心AI能否真正创新的开发者，都值得一读。
做复杂系统建模或科学发现的团队，终于有了能自动提取多尺度公式的工具——Deflex比现有方法快7倍，做物理、生物、工程等跨学科研究的可以直接试试。
这篇论文戳中了当前 AI 科学系统的核心瓶颈——只会搜索不会创新，做 AI 科研或科学自动化的团队值得关注，它给出了一个严谨的形式化框架来定义真正的发现。
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。
Sutton 的演讲戳中了生成式 AI 在科研创新上的核心局限，做 AI 研究或依赖 AI 做科学发现的团队值得一看，看完会对当前模型的能力边界有更清醒的认识。
科研人员终于有了AI驱动的科学基础设施——Gemini for Science能帮你读论文、写代码、生成假设，让科学发现像软件一样迭代，做基础研究的团队值得立即关注。
科研人员终于有了一个能贯穿研究全流程的 AI 助手——从假设探索到文献解析，Gemini for Science 能帮你省下大量重复劳动，做实验设计或写论文的团队值得关注。
做流行病学或复杂系统建模的研究者终于有了能并行跑数千种代码变体的工具，测试新方法的时间从数月缩到数天，值得点开看看怎么用。
宇宙学研究者终于有了能自主推进发现的AI工具——CMBEvolve和CosmoEvolve分别解决了定量优化和开放式探索两大痛点，做数据分析或理论建模的团队可以直接参考其方法。