近日，为了加速多元素催化剂的发现与优化，美国麻省理工学院团队开发了一个多模态机器人平台——CRESt（Copilot for Real-world Experimental Scientists）。该平台能够结合自动化设备、大规模模型和实验室监测，在实验设计中融入人类经验、文献知识和显微结构信息，从而加速多元素催化剂的发现和优化加速发展。
上个月，国务院发布了《关于深入实施“人工智能+”行动的意见》。文件设定了到 2027、2030 乃至 2035 年的目标：AI 要全面嵌入科研、产业等领域，加快探索 AI 驱动的新型科研范式，成为推动中国社会全面跃迁的关键力量。
只要科学任务可以评分，AI就能找到超越人类专家的方法，实现SOTA结果？ 这是谷歌一篇最新论文里的内容： 使用大模型+树搜索，让AI大海捞针就行。
AI for Science的浪潮下，彻底激发了投资人的热情。 据彭博社报道，AI公司Lila Sciences已经完成2.35亿美元的A轮融资，公司估值约为12亿美元。
探测宇宙深处的时空涟漪引力波，AI也派上用场了。谷歌DeepMind、LIGO（激光干涉仪引力波探测器）团队和GSSI（格兰萨索科学研究所）合作开发的Deep Loop Shaping技术，将引力波探测的低频降噪能力拉到了新高度。
谷歌最新71页论文震惊科研界：AI不止能写代码，还能像科学家一样提出新方法、跑实验，甚至在六大领域全面超越专家！过去要花几个月的探索，如今几小时就能完成，科研节奏
大模型在科研领域越来越高效了。
搞科研的小伙伴应该都遇到过两个难题： 一个是啃论文的时候要复现代码的过程中，往往会遇到各种出乎意料的 bug 。 另一个就是开发环境常用 Linux ，但有些软件却只有 Windows 版本。
LaTeX 公式的光学字符识别（OCR）是科学文献数字化与智能处理的基础环节，尽管该领域取得了一定进展，现有方法在真实科学文献处理时仍面临诸多挑战：
陶哲轩最新发文总结AI领域现状，当前AI发展高度依赖经验与算力，缺乏理论支撑，导致成功难以复制、失败无法解释。辛顿、Rahimi、Jordan等也纷纷警示，AI的黑箱本质和缺乏解释性将限制其可持续发展。唯有建立坚实理论基础，AI才能真正走向透明、安全与可靠的未来。
