Calico 用 Google Co-Scientist 推进衰老生物学研究
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google 的 Co-Scientist 整合衰老生物学中零散的研究发现并生成可验证假设。
Calico Life Sciences 的 Matt Onsum 与 Katherine Labbé 正使用 Google 的 Co-Scientist 整合衰老生物学中零散的研究发现并生成可验证假设。
爱丁堡大学生物工程师 Filippo Menolascina 用 Google Co-Scientist 梳理文献、生成新假设,以缩小 MASH 组合疗法的搜索范围。该系统针对已获批 MASH 药物 resmetirom 仅对少数合格患者有效的问题,提出将 NLRP3 炎症小体作为连接炎症与代谢的分子桥梁这一假设,并已获实验验证,有望推动靶向双重疗法。
Google DeepMind 的 Co-Scientist 帮助 MIT 机械工程师 Ritu Raman 快速梳理 ALS 相关矛盾文献,将想法转化为可检验假设并按可行性与风险收益排序。
斯坦福大学医学院遗传学家 Gary Peltz 团队在《Advanced Science》发表研究,测试 Google DeepMind 的 Co-Scientist 能否从已有药物文献中筛选出可重定位治疗肝纤维化的候选药。
推荐理由:斯坦福团队用 Co-Scientist 筛选肝纤维化药物,实验显示其候选药优于人工挑选,可观察 AI 辅助药物重定位的实际效果。
Google Research 称其开源工具与开放数据集已支持全球超过 25 万名研究者和开发者。其基因组学工具 DeepVariant、DeepConsensus 和 DeepPolisher 已帮助全球社区处理 250 万人的外显子与全基因组数据,与 UCSC 合作的方法将遗传变异识别错误降低 50%。
Google Research 总结了科学家使用 Empirical Research Assistance(ERA)的四类实践:在公共卫生领域,ERA 每周为美国各州提交流感。
Google DeepMind 发布 Decoupled DiLoCo 分布式训练架构,将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。该架构基于 Pathways 与 DiLoCo,测试中用混沌工程注入硬件故障后仍能继续训练并重新接入失效单元,用 Gemma 4 验证的 ML 性能与传统方法持平。
推荐理由:原文给出跨数据中心异步训练的具体带宽与加速数据,读者可据此判断分布式预训练的工程可行性。
Berkeley AI Research 提出 GRASP,一种面向学习动力学(世界模型)的基于梯度的规划器,通过将轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代上直接加入随机性以探索、并重塑梯度让动作获得清晰信号,同时避开高维视觉模型中脆弱的“状态-输入”梯度,使长时程规划变得可行。
Google Research 在 TMLR 论文中提出合成数据生成框架 Simula,把数据集构建拆成全局多样化、局部多样化、复杂化和质量检查四个可控步骤,不依赖种子数据或人工提示。
Google Research 提出 MoGen 模型,用合成神经元形状增强 PATHFINDER 的训练数据,使小鼠轴突重建误差降低 4.4%,主要来自合并错误的减少。该模型基于 PointInfinity 点云流匹配,用 1,795 条经人工验证的小鼠皮层轴突训练,训练集中仅需 10% 合成数据。团队称在完整小鼠脑规模下,这相当于节省 157 人年的手动校对工作,MoGen 已开源。
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法,可在特征、数据与模型组件归因中大规模识别驱动 LLM 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 进一步借助层级结构,以约 10x 更少的消融达到 SPEX 的性能。
伯克利 AI 研究团队提出基于互信息的成像系统评估与优化框架,可直接从含噪测量中估计信息量,并在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证其能预测解码器性能。该方法优化出的设计达到端到端 SOTA 水平,同时占用更少内存和算力,且无需任务专用解码器设计。
伯克利 AI 研究提出首个关于 word2vec 学习过程的定量预测理论,证明在实际训练条件下该问题可化简为无权重最小二乘矩阵分解,梯度流动态有闭式解,最终学到的表示等价于对目标矩阵 M* 做 PCA。