EN

AI FOR SCIENCE · 追踪问题

我正在追踪的问题

网站长期跟踪的问题。每个都有当前答案，并随证据变化修订。

5 个

  1. CLOSED LOOP · PHYSICAL WORLD

    AI 能不能从“提出候选”走到“在物理世界里闭环学习”？

    Radical AI · Lila Sciences · DP Technology

    标准化实验流程可以提高吞吐量与可比性；公开证据仍很少追踪一次新观测怎样改变下一次决策，并证明改变是有益的。

  2. REPRESENTATION · INFORMATION FIDELITY

    测量、提取或编码过程中的信息损失，是科学 AI 的硬上限，还是规模可以补上？

    MinerU.Chem · OCSR · Smirk · AlphaGenome Atlas

    规模可以改善对常见模式的学习并降低推理与搜索成本，却不能可靠恢复已经被删除、合并或从未测量的信息。MinerU.Chem、OCSR 与 Smirk 暴露了连续的表征关口；AlphaGenome Atlas 则显示，90 亿次预计算也会把底层模型的生物学盲区复制到整张地图。

  3. AI SCIENTIST · EXPERIMENT ECONOMICS

    AI Scientist 靠智能取胜，还是靠一种新的实验经济学？

    Radical AI · Lila Sciences · FutureHouse

    自适应实验选择已经能在狭窄的实体 campaign 中工作；它能否成为可靠、经济、可迁移的运行系统，仍未解决。

  4. DISCOVERY · DEPLOYMENT

    发现变快，真的会让部署变快吗？

    Radical AI · Recursion · Isomorphic Labs · Microsoft

    局部发现与验证周期确实可以被压缩，但公开证据尚未表明 deployment 会按同样比例加速。越接近现实应用，主导时间表的因素越从模型推理转向可制造性、批次一致性、安全、认证、流程集成和组织决策。

  5. DATA · DURABLE MOAT

    实验数据能不能成为比模型更持久的护城河？

    Radical AI · Recursion · Lila Sciences

    当前证据支持高质量实验数据具有科学与运营价值，但还不足以证明数据本身构成持久的商业护城河；可复制性、排他性和对最终结果的可归因贡献仍需分别验证。