AI for Science

OpenAI 与 PerturbAI 及 Scripps Research 展开深度合作，通过部署数千个基于大模型的分布式 AI 智能体（AI Agents），成功从数百万个脑细胞的复杂数据中提取出具有前景的生物学研究线索，标志着“AI for Science”进入大规模智能体协同阶段。▶ 从“计算工具”向“数字科学家”跨越：此次合作的核心不在于单一算法的优化，而在于通过 Agentic Workflow（智能体工作流）模拟人类科学家的推理过程，实现自主的假设生成与初步验证。▶ 破解生物数据“维度灾难”：面对海量单细胞测序数据，分布式智能体集群能够同时在数千个维度上进行模式识别，挖掘出人类专家在传统分析中极易忽略的非线性关联。八卦洞察「八卦资本」认为，此次实验的深远意义在于证明了“智能体集群（Agent Swarms）”在处理极度稀疏且高维度的科学数据时，具有比传统机器学习模型更强的“直觉”能力。这不仅是算力的堆砌，更是逻辑推理能力的规模化应用。OpenAI 正在将其模型能力从通用的对话交互，推向具有高度专业壁垒的垂直科研领域。这种“分布式科研劳动力”的出现，预示着未来生物医药研发（R&D）的瓶颈将从“数据获取”转向“智能体调度与逻辑对齐”。行动建议对于生物技术与制药企业，建议立即从“单体模型应用”转向“智能体架构（Agentic Architecture）”的建设。不要试图寻找一个全能的“药研大模型”，而应构建能够理解实验协议、处理多组学数据并进行逻辑推演的智能体协作网络。同时，科研机构应重点关注如何将人类专家的“启发式经验”转化为智能体的“系统性指令”，以实现科研产出的指数级增长。

Anthropic 近期披露了其最新模型 Claude 3.5 Sonnet 在量子计算领域的突破性应用。通过辅助研究人员优化量子电路，Claude 显著降低了电路深度与逻辑门数量，直接提升了量子算法在现有硬件上的运行效率。这一进展标志着大模型正在从通用的文本生成器进化为高精尖科学研发的核心工具。 ▶ AI 成为量子时代的“智能编译器”：Claude 展现了理解复杂量子物理逻辑的能力，能够针对 NISQ（中等规模带噪声量子）设备的严苛限制，自动寻找更简洁的门组合方案。 ▶ 研发效率的指数级跃迁：在人机协作模式下，原本需要资深物理学家数周完成的电路拓扑优化，现在通过 Claude 的迭代建议，可在分钟级内达成更优解。 八卦洞察 量子计算长期面临“硬件赶不上算法”的尴尬境地，相干时间和门误差是制约其实用化的最大瓶颈。Claude 的介入本质上是在软件层面为硬件“续命”。这不仅仅是代码补全，而是 AI 深入到了符号推理与物理约束的交叉地带。Bagua Intelligence 认为，AI for Science 的下半场将聚焦于此类“硬核”优化，LLM 将成为量子计算迈向“量子优越性”的关键催化剂，而 Anthropic 正在通过此类案例构筑其模型在专业科研领域的护城河。 行动建议 对于量子科技初创公司，应立即将 LLM 集成至现有的量子 CAD（计算机辅助设计）工作流中，利用 AI 辅助电路合成与纠错算法开发。对于 AI 研发机构，应加大对模型在物理、化学等垂直领域推理能力的微调投入，抢占高价值的科学计算市场。投资者应关注那些能够将 LLM 能力转化为实际硬件性能提升的交叉领域项目。

事件核心 近日，Vals.ai 发布的一项研究引起了科技界与物理学界的广泛关注：其开发的基于 Claude 3.5（Opus/Sonnet）的自主 AI Agent 成功识别出两种极具潜力的室温磁性半导体候选材料。这一发现并非通过传统的实验室试错，而是由 AI 通过深度解析海量物理文献、进行跨学科逻辑推理并模拟材料特性而达成的。长期以来，寻找能在室温下保持磁性的半导体被视为凝聚态物理的“圣杯”，因为它是实现自旋电子学（Spintronics）大规模商业化的关键前提。 技术/商业细节 此次 AI Agent 的核心突破在于其“自主科学推理”能力。不同于传统的材料基因组计划（MGI）主要依赖计算模拟，Vals.ai 的 Agent 能够像资深科学家一样，在非结构化的学术论文中提取隐藏的关联。具体而言，AI 锁定了过渡金属硫族化合物（Transition Metal Chalcogenides）中的特定构型，认为其具有较高的居里温度（Curie Temperature）。 自旋电子学潜力： 传统的电子设备依赖电荷流动，而自旋电子学利用电子的自旋属性存储和处理信息。如果室温磁性半导体得以实现，计算机的功耗将降低几个数量级，且具备非易失性存储特征。 Agentic Workflow： 该过程展示了多 Agent 协作的威力——一个 Agent 负责文献挖掘，另一个负责物理可行性验证，第三个负责反向推演潜在的实验失败因素。 候选材料： 虽然具体化学式受专利保护或待验证，但报告指向了掺杂特定元素的二维范德华材料，这类材料在柔性电子设备中极具前景。 八卦分析：全球影响 「八卦情报局」认为，这一事件的象征意义远大于其目前的物理学贡献。它标志着 AI for Science (AI4S) 正在从“辅助计算”进化为“假设生成”。 首先，这打破了材料科学研发的“十年定律”。传统上，从预测新材料到实验室合成再到商业化通常需要 10 到 20 年。AI Agent 将这一周期的前端——即“寻找方向”的时间缩短到了数天。其次，这反映了 LLM 在处理硬科学逻辑方面的质变。过去人们认为 LLM 只是“概率预测器”，但当它能准确推导出满足自旋极化条件的能带结构时，我们必须承认其具备了某种形式的“科学直觉”。 从全球产业竞争角度看，这可能会引发新一轮的“材料主权”竞争。谁拥有最先进的 AI 发现平台，谁就能在量子计算、低功耗芯片和新型传感器领域占据先机。这也解释了为何像 Microsoft、Google 以及初创公司 Vals.ai 都在不遗余力地将 LLM 引入实验室底层逻辑。 战略建议 对于半导体企业： 应当立即评估 AI 驱动的研发路径，将实验数据与 LLM 知识库集成，构建私有的材料发现 Agent，以应对未来可能出现的颠覆性材料竞争。 对于投资者： 关注点应从单纯的“大模型开发”转向“垂直领域 AI 专家（Vertical AI Agents）”。在生物制药、材料科学等高门槛领域，能产生实际“科学增量”的 AI 公司具有极高的护城河。 对于科研机构： 实验验证将成为新的瓶颈。随着 AI 产生假设的速度呈指数级增长，自动化、机器人化的实验室（Self-driving Labs）将成为承接 AI 产出的必要基础设施。

核心摘要麻省理工学院（MIT）的研究人员成功利用 OpenAI 的 GPT-5.6 Sol 与 Codex 模型，实现了量子计算实验的全流程自动化，涵盖了从复杂的量子比特（Qubit）校准到实时数据分析与实验闭环控制的关键环节。▶ 硬件编排的范式转移：GPT-5.6 Sol 不再仅仅是文本生成器，它通过与 Codex 集成，直接介入量子硬件的底层控制逻辑，将高维物理理论转化为可执行的硬件脉冲指令。▶ 攻克量子噪声瓶颈：利用大模型的模式识别能力，研究小组实现了对量子退相干和门保真度的实时监控，大幅缩短了实验中的错误修正周期。八卦洞察这次合作揭示了 OpenAI 在“AI for Science”领域的深层野心。GPT-5.6 Sol 的出现，标志着大模型正在从通用助手向“领域专家级智能体”演进。在量子计算这种对精度要求极高的领域，Sol 模型展现出的不仅是代码生成能力，更是对物理约束条件的深度理解。这实际上是在将顶尖物理学家的实验直觉“算法化”，从而消除量子研发中长期存在的“人力密集型”瓶颈。我们认为，OpenAI 正在通过 Sol 系列模型，构建一个通用的科学发现操作系统，试图在量子霸权争夺战中占据“软件定义实验室”的制高点。行动建议对于深科技（Deep Tech）领域的企业，应立即停止将 LLM 视为简单的问答工具，转而探索“Agentic Lab Ops”（智能体实验室运维）架构。建议量子硬件厂商优先构建与前沿模型 API 兼容的遥测接口，利用 AI 的闭环反馈能力提升硬件稳定性。对于科研机构，重点应转向开发能够理解物理定律的专用微调模型，而非通用模型。

核心事件 美国能源部（DOE）与 Arcee AI 达成战略合作，正式启动“创世纪任务”，计划于年内发布参数规模达 1T 的开源科学大模型 Genesis-Science-1 (GS1)。 八卦洞察 ▶ 科研范式的权力转移：GS1 的出现标志着 AI 研发重心正从通用对话转向“科学发现（AI for Science）”。DOE 拥有海量的机密科学数据，Arcee AI 通过此次合作，实质上获得了进入全球最顶尖科研数据池的“入场券”，这是任何商业闭源模型都难以比拟的护城河。 ▶ 开源策略的降维打击：在闭源模型垄断算力的背景下，GS1 选择开源 1T 参数模型，旨在通过构建科学领域的“Linux 生态”，迅速统一科研界 AI 标准，从而在底层基础设施层面建立行业统治力。 行动建议 对于科研机构，应密切关注 GS1 在多模态科学数据处理上的表现，并评估其与现有科研工作流的适配性。 对于 AI 开发者，应关注 Arcee AI 在模型微调与领域对齐（Domain Alignment）上的技术路径，这可能是未来垂直领域模型竞争的关键点。

核心事件 Flash-MSA 针对蛋白质语言模型中多序列比对（MSA）的平方复杂度瓶颈，推出了一系列优化的稀疏注意力算子，通过分块技术与硬件亲和性优化，实现了百万级 Token 规模下高达 10 倍的训练加速。 ▶ 突破平方复杂度瓶颈：利用 MSA 数据的固有稀疏特性，结合高效的分块（Tiling）策略，显著降低了长序列处理中的内存占用与计算开销。 ▶ 填补 AI4S 算子空白：在 NLP 领域已有 FlashAttention 的背景下，Flash-MSA 填补了生物信息学特定数据结构在 GPU 算子层面的优化空白，支持超大规模进化信息的并行处理。 八卦洞察 这是蛋白质建模领域的“FlashAttention 时刻”。长期以来，AI for Science (AI4S) 领域受限于生物序列的特殊结构，无法直接套用通用的 NLP 优化手段。MSA（多序列比对）是蛋白质结构预测和功能分析的核心，但其计算成本随序列长度呈平方级增长，导致研究人员在处理长蛋白质或大规模同源序列时经常遭遇显存溢出（OOM）。Flash-MSA 的出现不仅是工程上的胜利，更是科研范式的解放——它允许模型在不牺牲精度的前提下，摄取更深、更广的进化上下文。这种从“局部观察”到“全局感知”的跃迁，将直接加速药物研发和蛋白质设计中基础模型的迭代速度。 行动建议 对于生物制药企业及 AI Lab，建议立即评估并将 Flash-MSA 集成至现有的 AlphaFold 或蛋白质大模型训练管线中，以降低算力成本并提升模型收敛速度。对于算子开发者，Flash-MSA 展现的“稀疏性+分块”优化思路，是处理非结构化稀疏数据（如基因组学、地理空间数据）的重要参考范式。

事件核心据可靠消息，AlphaFold 的核心奠基人、诺贝尔化学奖得主 John Jumper 已正式决定离开 Google DeepMind，加盟其头号竞争对手 Anthropic。这一变动不仅是 Google 顶尖人才流失的又一重创，更标志着全球 AI 竞争的重心正在从单纯的语言模型（LLM）竞赛，转向以“AI for Science”为核心的跨学科突破。Jumper 的加入，预示着 Anthropic 将在生物医药、材料科学等垂直领域向 Google 和 OpenAI 发起正面进攻。技术/商业细节John Jumper 在 DeepMind 期间主导了 AlphaFold 2 和 AlphaFold 3 的开发，彻底改变了蛋白质结构预测的范式，并因此荣获 2024 年诺贝尔化学奖。他的离职并非孤立事件，而是 DeepMind 内部科学研究与 Google 商业化压力之间长期博弈的结果。据悉，Anthropic 为 Jumper 提供了极高的自主权，计划组建一个专门的“科学智能”部门。从技术路径看，Anthropic 擅长的“宪法 AI”（Constitutional AI）和可解释性研究，与 Jumper 追求的科学严谨性高度契合。相比于 Google 庞杂的官僚体系，Anthropic 扁平化的架构和对 Scaling Law 的极致追求，可能是吸引 Jumper 的核心因素。八卦分析：全球影响「八卦洞察」认为，Jumper 的跳槽是 AI 行业“人才通胀”与“愿景错位”的典型缩影。首先，DeepMind 曾经是全球 AI 科学家的“麦加”，但随着其被并入 Google Brain 形成 Google DeepMind，纯粹的科学探索空间被产品化指标挤压。Jumper 的离开意味着 DeepMind 的“科学光环”正在消散。其次，Anthropic 此举意在通过“降维打击”构建护城河。当 OpenAI 还在纠结于 AGI 的定义时，Anthropic 试图通过 Jumper 拿下生物计算的高地，这对于其背后的投资者（如亚马逊、谷歌等）具有极高的战略价值——毕竟，能预测蛋白质结构的 AI，比能写诗的 AI 更有商业变现的确定性。最后，这也反映了硅谷的一种新共识：下一代基础模型的胜负手，在于其处理非结构化科学数据的能力，而非仅仅是互联网文本。战略建议对于科技巨头： 必须重新评估“科学家型人才”的留存机制。高薪已不足以留人，能否提供免受商业KPI干扰的“创新特区”是关键。对于初创公司： 效仿 Anthropic，在通用模型竞争白热化时，通过引入顶级垂直领域科学家，实现“点穴式”突破，在生物、制药等高价值赛道建立技术壁垒。对于投资者： 关注“AI + Science”赛道的估值重构。Jumper 的移动是行业风向标，预示着生物计算将成为下一个万亿级市场的爆发点。

事件核心诺贝尔化学奖得主、AlphaFold 核心架构师 John Jumper 正式宣布离开效力多年的 Google DeepMind，转投 AI 独角兽 Anthropic 出任首席科学官（CSO）。这一重磅人事变动标志着 AI 顶尖人才正从巨头实验室向具备更强商业化落地能力的初创公司流动。技术/商业细节John Jumper 在 DeepMind 的成就不仅限于蛋白质结构预测，他构建的 AlphaFold 生态系统已成为现代生物学的底层基础设施。此次加入 Anthropic，Jumper 将专注于将大语言模型（LLM）的推理能力与物理、生物科学的深度模拟相结合。对于 Anthropic 而言，这是其在“科学 AI”（AI for Science）领域补齐短板的关键一步，旨在通过 Claude 系列模型在药物研发、材料科学等高价值垂直领域建立技术壁垒。八卦分析：全球影响Jumper 的出走折射出 Google 在人才留存策略上的结构性矛盾。尽管 DeepMind 拥有最顶尖的算力和数据，但其内部官僚化倾向和对商业化落地的迟疑，正导致其核心科学家流失。Anthropic 通过引入 Jumper，不仅获得了顶级科学背书，更是在与 OpenAI 的“AGI 竞赛”中，通过差异化竞争——即在科学发现领域建立不可替代的权威性——来锁定高端市场份额。这预示着 AI 竞争已从单纯的“聊天机器人”转向“解决人类核心科学难题”的深水区。战略建议对于科技企业而言，应警惕“人才溢出效应”，建立更灵活的科研与商业联动机制。对于投资机构，应重点关注那些能够将 LLM 推理能力与特定行业科学数据库（如生物、化学、能源）深度融合的初创公司，这类公司极有可能在未来 24 个月内产生颠覆性的商业价值。

核心事件总结OpenAI 与 Molecule.one 共同展示了一项突破性研究：基于先进大模型（如 GPT-4o）构建的“近乎自主”AI 化学家，通过集成专业化学工具，成功优化了药物化学中极具挑战性的 Buchwald-Hartwig 偶联反应，标志着 AI 在闭环药物发现领域取得重大进展。关键要点▶ 从“对话”到“决策”的跨越：该系统不仅提供建议，还能通过调用 Molecule.one 的预测引擎（M.1 Predict）自主设计实验方案，并在复杂反应的产率优化上展现出超越人类专家的潜力。▶ 领域特定工具的深度集成：通过 RAG（检索增强生成）和专用 API 接口，LLM 克服了化学知识幻觉，实现了对分子结构和反应条件的精确调控。▶ 安全与效率的双重平衡：在大幅缩短药物研发试错周期的同时，研究团队嵌入了严格的红队测试和安全协议，以防止 AI 被误用于合成受控物质。八卦洞察「八卦资本」认为，这一进展标志着“AI for Science”正式进入 2.0 时代。过去，AI 在制药领域主要负责分子筛选或蛋白质折叠预测；而现在，LLM 正在扮演“实验室首席科学家”的角色。OpenAI 此举意在证明，通用大模型通过插件化（Tool-use）可以瞬间具备顶尖专家的垂直领域能力。对于药企而言，未来的核心壁垒将不再仅仅是专利，而是其私有实验数据与大模型推理能力的耦合深度。这不仅是技术的胜利，更是科研生产力工具的代际更替。行动建议药企决策层：应立即评估现有数字化基础设施，从“数据存储”转向“AI 可调用数据”，为部署领域特定智能体（Domain-specific Agents）扫清障碍。研发团队：关注“人在回路”（Human-in-the-loop）的新型协作模式，培养具备 AI 提示工程能力的化学家，利用 AI 缩短从 Lead Compound 到候选药物的路径。投资机构：重点关注能够将 LLM 与自动化湿实验室（Wet Lab）闭环连接的初创企业，这是实现药物研发降本增效的终极方案。

事件核心 OpenAI与生物技术初创公司Molecule.one近日发布了一项突破性合作成果：利用GPT-4o（及后续推理模型）构建的“近乎自主”的AI化学家，在药物化学领域最困难的任务之一——Buchwald-Hartwig偶联反应的优化中，取得了显著进展。该系统不仅能设计反应方案，还能通过与自动化实验室硬件的闭环反馈，自主迭代实验参数。在短短几轮实验中，AI将一个原本产率极低的复杂反应提升到了工业可用水平，这标志着AI在科学发现（AI4Science）领域从“辅助工具”向“自主智能体”的质变。 技术/商业细节 此次实验的核心在于将大语言模型（LLM）的推理能力与Molecule.one的M1自动化合成平台深度集成。技术架构上，系统采用了“设计-执行-分析-改进”的闭环模式。AI化学家并非单纯依靠预训练的化学知识，而是展现出了极强的“上下文学习”和“实验反馈处理”能力。当初始实验失败或产率不佳时，AI能够分析质谱和色谱数据，识别副产物，并逻辑性地调整催化剂配体、溶剂或温度。这种“推理驱动”的实验设计，其效率远超传统的试错法（Trial and Error）或单纯的高通量筛选（HTS）。 在商业层面，这一进展意味着药物研发的“漏斗”前端将被极大拓宽。传统的先导化合物优化耗时数月甚至数年，而AI智能体可以将这一周期缩短至周级别。OpenAI通过此案例证明，其模型在处理高度专业化、结构化且具备物理约束的科学数据时，依然保持了强大的泛化与推理能力，这为其进入高价值的垂直工业领域（如制药、材料科学）奠定了基础。 八卦分析：全球影响 「八卦洞察」认为，这不仅仅是化学界的一次小步快跑，而是“科学大模型”进入物理世界的一个分水岭。过去，AI在化学领域的应用多集中在分子性质预测（如AlphaFold），属于“静态预测”；而此次OpenAI展示的是“动态决策”。 范式转移： 科学研究的瓶颈正在从“人类的脑力带宽”转向“自动化实验的吞吐量”。当AI能够自主思考实验逻辑，人类科学家的角色将从“实验员”转变为“目标设定者”和“伦理监督者”。 数据护城河的重构： 过去药企依赖私有数据库，但OpenAI证明了通过高质量的闭环反馈数据，通用模型可以迅速在特定领域达到专家级水平。这意味着，未来的核心竞争力不在于你拥有多少历史数据，而在于你产生高质量、机器可读的实时实验数据的速度。 地缘技术竞争： 这种“AI实验室”是典型的软硬一体化竞争。美国在底层大模型上的领先，正通过此类合作迅速转化为生物医药等实体产业的生产力优势。 战略建议 对于制药巨头和科研机构，我们提出以下建议： 基础设施先行： 立即启动实验室的“AI-Ready”改造。如果你的实验数据还记录在纸质笔记本或非结构化的Excel中，你将彻底失去与AI智能体对接的机会。 拥抱“智能体”架构： 不要只把LLM当成聊天机器人，要将其作为研发流程的“大脑”，通过API将其接入自动化合成和检测设备。 人才结构转型： 培养“双语”人才——既懂底层化学原理，又能理解模型推理逻辑的复合型科学家。未来的顶级化学家，必须是顶级的Prompt Engineer和系统架构师。

核心摘要上海人工智能实验室（Shanghai AI Lab）正式发布 Intern-S2-Preview，这是一个拥有 35B 参数的科学多模态基础模型。该模型不仅在参数和数据规模上进行常规扩张，更核心的突破在于引入了“任务缩放”（Task Scaling）理念：通过显著提升科学任务的难度、多样性和覆盖面，从预训练阶段起就深度整合专业科学任务，全面释放模型在复杂科研场景下的潜力。▶ 范式转移：告别单纯依赖算力和数据量的“暴力美学”，转向以“任务复杂度”为核心的精准缩放，标志着 AI for Science 进入精细化作业阶段。▶ 全链条集成：科学逻辑不再是微调阶段的“补丁”，而是从预训练开始就植入模型的底层基因，确保了多模态理解与科学推理的深度耦合。八卦洞察在当前大模型竞争中，35B 是一个极具战略意义的“甜点位”参数量。它既能承载足够的逻辑推理深度，又能在企业级显存（如单机多卡 A800/H800）上实现高效部署。Intern-S2-Preview 的出现，实际上是在挑战“只有千亿参数才能做科学前沿推理”的固有认知。通过“任务缩放”而非单纯的“数据缩放”，InternLM 团队正在试图定义一种更高熵、更高效的训练路径，这对于资源受限但追求专业深度的科研机构极具参考价值。行动建议对于垂直领域开发者，建议重点研究其“任务缩放”的方法论，而非盲目追求数据堆砌；对于科研机构，35B 级别的模型是目前平衡推理精度与私有化部署成本的最优选，应优先考虑将其作为垂直领域科研助手的底座进行适配。

核心事件 开发者开源了 TritonSigmoid，这是一款基于 Triton 编写的、感知填充（Padding-aware）的高性能 Sigmoid 注意力 GPU 算子。该算子专门针对单细胞基础模型（Single-cell Foundation Models）进行了优化，旨在解决传统 Softmax 注意力机制在处理基因调控网络时存在的“竞争性抑制”问题。 ▶ 打破 Softmax 的零和博弈： 在生物学场景中，一个基因往往受到多个转录因子的共同调节。传统的 Softmax 注意力会强制所有 Token 的权重总和为 1，导致模型在关注一个基因时必须削弱对另一个基因的关注。Sigmoid 注意力允许模型对多个基因同时保持强关注，更贴合真实的生物调控逻辑。 ▶ 感知填充的高效计算： 针对基因序列长度不一的特点，TritonSigmoid 实现了感知填充的内核设计，避免了对填充位（Padding）的无效计算，显著提升了 GPU 在处理变长序列时的吞吐量。 八卦洞察 从技术底层来看，TritonSigmoid 的出现标志着 AI 基础设施正从“通用 LLM”向“垂直领域专用内核”演进。长期以来，Transformer 架构几乎与 Softmax 绑定，但在 AI for Science (AI4S) 领域，这种归一化假设往往成为瓶颈。Sigmoid 注意力的引入本质上是将“分类问题”转化为“多标签关联问题”，这对于蛋白质结构预测、基因表达建模等非竞争性关联场景具有降维打击的潜力。此外，选择 Triton 而非 CUDA 进行开发，也反映了当前开发者社区追求“开发效率与极致性能平衡”的趋势。 行动建议 算法研发团队： 如果你的模型涉及多标签分类、多目标追踪或非竞争性特征提取（如生物信息、多模态融合），建议立即评估从 Softmax 迁移至 Sigmoid 注意力的增益。 AI4S 基础设施团队： 应关注 Triton 算子库的领域化定制。随着通用算子进入瓶颈期，针对特定科学数据的底层优化将成为模型表现差异化的核心竞争力。