发生了什么：论文发表在《自然-机器智能》上：模型用 1980-1999 年的数据训练，不需要把模拟和观测的日子一一配对，再在 2010-2019 年上评分。对美国本土的 100 个成员气候集合做降尺度，它在夏季热指数第 99 百分位上的偏差比两种统计方法低 35% 以上，在连续 5 天热浪上的偏差比 BCSD 和 STAR-ESDM 分别低 44% 和 57%。
为什么重要：城市和保险公司要为本地极端天气做规划，而全球气候模型太粗，看不到这些；这项工作对照的是美国国家评估推荐的方法，而不是一个预报分数。检验对象是过去十年的再分析数据，只在一个地区，由开发者自己完成。
发生了什么：在 Adaptyv Bio 第二届结合蛋白设计比赛中，130 位设计者提交 EGFR 结合蛋白，Adaptyv 在自己的实验室制备并测量了其中 400 个，53 个能结合。Cradle 用蛋白质语言模型在西妥昔单抗 scFv 的框架区选了 10 个突变，结合最强，KD 为 1.2 nM。Cradle 称未改造的 scFv 为 9.94 nM，第二名为 5.18 nM。
为什么重要：测量由外部实验室完成，数字不是 Cradle 自报的。这是改进一款已上市抗体，不是做出新的结合蛋白：负责结合 EGFR 的环区保持不变。获胜的是一个设计；据 Cradle 说，Adaptyv 的计算排名原本把它的设计排在第 322 到 623 位。
发生了什么：扩散模型生成最长 15 天的集合预报，并在 97.2% 的评测目标上超过 ECMWF ENS。
为什么重要：领域从单一最佳预报转向可用于不确定性决策的未来概率分布。
发生了什么：Exscientia 成为 Recursion 的全资子公司，自动化生物学、化学和临床管线被整合。
为什么重要：AI 原生药物发现进入整合阶段，并开始检验规模能否改善转化经济学。
发生了什么：基于 Transformer 的解码器降低 Google Sycamore 实验中的错误，但仍不足以实时运行。
为什么重要：强结果与明确的系统瓶颈同时出现，展示 benchmark 提升与实际部署之间的距离。
发生了什么：David Baker 因计算蛋白质设计获得一半奖项；Demis Hassabis 与 John Jumper 因结构预测分享另一半。
为什么重要：AI 驱动的预测与设计获得科学界最高级别的制度认可。
发生了什么：John Hopfield 与 Geoffrey Hinton 因奠定神经网络机器学习基础的工作获奖。
为什么重要：科学制度正式把机器学习基础纳入物理学史。
发生了什么：Nature Medicine：在 27 名胶质母细胞瘤患者的手术组织上测 132 种药，再用机器学习在软件中筛选 100 多万种化合物。沃替西汀在体内增强了化疗效果。
为什么重要：据 Prevision 团队页，联合创始人 Snijder 的课题组建立了这套筛选方法，Prevision 卖的正是它。药物的增效作用是在动物中显示的，不是在患者身上。
发生了什么：FutureHouse 的智能体在特定文献检索任务上超过博士和博士后生物学家，并开放代码。
为什么重要：科学智能体首先处理信息瓶颈，把带引用的检索变成可测量任务。
发生了什么：Chai-1 可同时预测蛋白质与小分子、DNA、RNA 及化学修饰组成的结构。权重和推理代码以 Apache 2.0 许可开放，另有免费网页版，商业药物发现也可使用。Chai 报告其在 PoseBusters 配体对接基准上为 77%，AlphaFold 3 为 76%，并称不用多序列比对时仍保留大部分精度。
为什么重要：发布时 AlphaFold 3 只有网页服务，这让企业有了一个同类模型，可以自己运行、在上面开发。分数来自 Chai 自己跑的公开基准：说明模型算得好，不说明它的预测在实验室里站得住。
发生了什么：DeepMind 报告在七个靶点上得到成功结合物，包括 VEGF-A，同时第八个靶点未成功。
为什么重要：蛋白生成开始用湿实验命中率和亲和力衡量，而不只是结构是否看起来合理。
发生了什么：Leash 把约 3 亿个样例交给 Kaggle 参赛队（由 40 亿个 DNA 编码库测量汇总，三个蛋白，同一个三嗪核心化学库）。测试分三部分：与训练集共用构件的分子、不共用的分子，以及另一个化学库 kinase0。冠军在共用构件的部分不错，不共用的更差，kinase0 完全预测不了。取 kinase0 上最有把握的 100 个预测，冠军只在一个蛋白上命中 2 个，另两个为零，随机约 1 个。
为什么重要：它在 Leash 自己的任何模型之前就说明：在同一个化学库上得高分可能来自记住构件，而同一类数据再多，也没有迁移到另一个化学库。Leash 后来的测试，换一个化学库、突变蛋白，都建立在这个结果上。
证据与边界：数据、切分和评分都是 Leash 自己设计的，文章自己列出了与已发表命中率差距的几种可能原因，包括它的数据也许不好；它承诺公开原始重复实验供别人检查。只测了三个蛋白和一种化学库设计，实际场景的检验也只是模拟的“从目录里挑分子”，不是一个真实的药物项目。
发生了什么：两家最受关注的上市 AI 药物发现公司同意进行全股票交易。
为什么重要：当平台承诺面对临床开发的资本强度和漫长周期时，行业开始整合。
发生了什么：两套系统取得 42 分中的 28 分，距金牌一分，但部分解答耗时数天而非竞赛规定的数小时。
为什么重要：形式化验证为大规模数学搜索提供了低成本且严格的反馈。
发生了什么：Blaise Agüera y Arcas 等八位作者（Google Paradigms of Intelligence 团队与芝加哥大学）把 131072 个随机的 64 字节程序放进一锅，用一种能改写自身的 Brainfuck 变体（BFF），反复随机取两个程序首尾相接运行。1000 次运行中有 40% 在 16000 轮内被自我复制的程序占满；不加随机突变时比例相近。Forth、Z80 和 8080 指令集结果相同；SUBLEQ 最短的手写自我复制程序要 60 字节，从未自发出现。
为什么重要：人工生命里最有名的实验 Tierra 和 Avida，都从人手写的自我复制程序开始。这里复制者是从程序互相改写中出现的，没有设定适应度目标；论文给出了出现的比例、识别那一刻的办法（一个基于压缩的复杂度指标）和可以复跑的开源代码（cubff）。它把“最早的复制者来自相互作用而不是运气”这个想法，变成了一个有数字的实验。
证据与边界：作者自己的计算，预印本，没有找到期刊版。是否被占满靠复杂度指标和标记追踪来判断，没有逐个检查程序。只跑 128 轮时，随机起点 1000 次里只有 3 次被占满；放进一个手写的复制程序，也只有 22% 能占满，说明单个复制者大多会消失。占满之后的演化只给了个例。
发生了什么：Thomas Hayes、Alexander Rives 等人让 ESM3 同时学习蛋白质的序列、结构和功能，最大规模 980 亿参数。只给出 GFP 发光位点的少数关键残基作提示，70 亿参数的版本生成了设计，由团队在大肠杆菌中表达。第一板 88 个设计里，几个与天然 GFP 相近的同样明亮；一个与之相距很远的也发光，但暗 50 倍。以它为起点，第二板得到 esmGFP，与最近的已知荧光蛋白相同度 58%，与水母 GFP 仅 36%。
为什么重要：工程改造的 GFP 通常只有 5 到 15 个突变，借助机器学习最多也就 40 到 50 个；esmGFP 与最近的已知亲属相差 229 个残基中的 96 个，作者估计自然演化要拉开这样的距离需要 5 亿年以上。也就是说，一个能工作的功能在远离已知序列的地方被做了出来，并在实验里测到，而不只是预测。检验面很窄：一个蛋白家族、作者自己的检测、两板设计、在细菌中测荧光，没有解出的结构。一个 14 亿参数的模型已公开发布；论文于 2025 年 1 月发表在 Science。
发生了什么：模型从蛋白质扩展到包含 DNA、RNA、配体和修饰残基的复合物。
为什么重要：结构预测更接近药物发现所需的相互作用问题，同时受限开放引发科研开放性争议。
发生了什么：MetaPlanet、Top Harvest Capital、Mitsui Global Investment、MFV Partners 以及 Recursion 的 Chris Gibson 和 Blake Borgeson 参投。联合创始人兼 CEO Ian Quigley 的公司称已测得超过 170 亿个蛋白质与化学品的相互作用，计划到 2025 年筛选 500 多个蛋白靶点。这笔钱用于扩大数据采集和算力、开发药物化学的通用机器学习模型，并把内部项目推向动物实验。六名员工中有五人来自 Recursion；Springtide 的 Claire Smith 代表领投方发言。
为什么重要：钱投给的是一个以数据而不是模型为核心的想法：公司自己测量蛋白质与化学品的结合，先攒数据。六个人的团队拿到 930 万美元，是对这条路线的一笔小注；BELKA 竞赛与它同时发布，Leash 后来公布的模型和智能体环境都建立在同样的筛选数据上。
证据与边界：170 亿次测量和 500 个靶点的计划是公司在新闻稿里的自述。日期是新闻稿的发稿地和日期，经 The AI Insider 转载；新闻稿原文（GlobeNewswire）没有打开，Endpoints 报道的 790 万美元这个数字只在搜索摘要里见到。
发生了什么：利物浦大学的 Guopeng Han、John B. Claridge、Matthew J. Rosseinsky 等人把锂的四元体系筛到 296 个，用变分自编码器排序（Li-Si-S-I 排第 9），又因两种阴离子大小差得最多而选了 Li-Si-S-I，再用结构预测瞄准合成。新物相 Li7Si2S7I 在 303 K 下总电导率为 1.01 x 10^-2 S/cm，锂沉积-剥离稳定运行 240 小时。
为什么重要：这是 Matter Machine 出自的实验室，这个结果说明它的方法能找到值得测试的材料，而不只是新结构。模型只给化学体系排了序；像合金那样堆积两种阴离子的设计思路来自化学家本人。制备和测量都是同一支团队做的，材料在 2.5 V 以上会分解，室温以下的一次相变还会让电导率下降。
发生了什么：神经符号系统在竞赛时间限制内解决 30 道历史奥数几何题中的 25 道。
为什么重要：语言模型生成与符号推理组成了可验证的数学搜索闭环。
发生了什么：两项多靶点药物发现合作的潜在总价值接近 30 亿美元，尚不包括版税。
为什么重要：大型药企开始以高额里程碑付款押注 AI-first 药物设计。