OpenAI 发布科学写作平台 Prism
发生了什么：这套 LaTeX 工作区整合写作、引用与模型辅助，并向 ChatGPT 用户免费开放。
为什么重要：更重要的变化发生在日常科研界面：模型开始影响证据如何被写作、引用和传播。
AlphaChip 共同创造者创办的 Ricursive Intelligence 完成 3 亿美元 A 轮，Lightspeed 领投，估值 40 亿美元
发生了什么：Anna Goldie（CEO）和 Azalia Mirhoseini（CTO）在 Google 做出了 AlphaChip，之后在帕洛阿尔托创办这家实验室，用 AI 加速芯片设计。Lightspeed 领投，投后估值 40 亿美元，距公司亮相不到两个月；DST Global、NVentures、Felicis、49 Palms、Radical Ventures 和 Sequoia 参与。Lightspeed 的 Guru Chahal 代表领投方发言。资金用于招人和算力。
为什么重要：芯片设计是 AI 已有实际部署记录的工程科学：公司说 AlphaChip 用在了四代 Google TPU 上，也被外部芯片公司采用。这笔钱把前沿实验室规模的资本投向“用 AI 设计 AI 所用的硬件”，2026 年已有好几家创业公司在追这个闭环。
证据与边界：融资只说明钱投向哪里，不说明方法有效：公司还没有发表自己的结果。AlphaChip 的使用范围是公司自己的说法。
Smirk 显示常见分子 tokenizer 会悄悄抹掉少见的化学信息，并用 165 个 token 补上
发生了什么：密歇根大学与卡内基梅隆大学审计 35 种 tokenizer，发现封闭原子词表会把合法但少见的方括号原子变成 [UNK]；Smirk 用 165 个基础 token 按构造覆盖全部 OpenSMILES。
为什么重要：模型的上限始于输入保留了什么；这些提升来自同一团队的计算，也没有单独归因到 tokenizer。
Isomorphic Labs 与强生签下跨模态、多靶点药物设计合作，包括大分子和生物药设计：Isomorphic 负责计算设计，强生负责实验检测
发生了什么：按合作分工，Isomorphic 负责预测和设计，强生通过旗下 Janssen Biotech 负责实验检测，并推进项目。Isomorphic 称其设计引擎能针对难成药靶点生成小分子、抗体、多肽和分子胶等候选分子，这次合作会用上这些形态，包括大分子和生物药设计。Isomorphic 首席研究官 Sarah Skerratt 在新闻稿中发言。
为什么重要：Isomorphic 2024 年与礼来、诺华的合作做的是小分子。这一次，它把大分子和生物药设计带给第三家大药企，分工上所有湿实验都交给合作方，所以强生的实验就是检验这个引擎所出设计的地方。
证据与边界：没有披露财务条款、靶点、项目数量或时间表，此后也没有报告过这项合作产出的任何设计。
《自然》更正 A-Lab 论文："新材料"指的是对预测平台而言是新的，40 个报告的合成中确认 36 个
发生了什么：2023 年 A-Lab 论文的作者（包括 Google DeepMind 的 Ekin Dogus Cubuk 和 Amil Merchant）承认，论文关于"新材料"的说法"被误读了"：这些材料是"对预测平台而言是新的，不一定是科学上新的"。标题删去了"novel"一词。作者手工重新分析了衍射数据，并在发表后经同行评审，确认 40 个报告的成功中 36 个成立；另外 4 个改记为无法确定，训练数据里本来就有的 Zn2Cr3FeO8 被删除。
为什么重要：A-Lab 与 GNoME 同日发表，被当作"AI 预测新材料、机器人把它做出来"的范例。这份更正把 A-Lab 这一半收窄到 2024 年批评者指出的范围：实验室做出的是它自己的预测平台没有收录的化合物，其中多数化学上早已为人所知。
证据与边界：36 个化合物确实做出来了，这一点仍然成立。更正没有说其中哪些对科学而言是新的；仅靠粉末 X 射线衍射，也无法排除批评者指出的无序形式。
帝国理工的研究者让 GPT-5 编写电池快充策略，模拟中电池健康度比多段恒流基线高约 4.2 个百分点
发生了什么：Ge Lei、Ferran Brosa Planella、Sterling G. Baird 和 Samuel J. Cooper 让 GPT-5 根据一份用自然语言写的限制条件，以代码形式提出充电策略，再用 PyBaMM 电池模拟打分。一条路线（P2P）由模型直接写出完整的电流曲线；另一条（P2O）由模型设计一个小神经网络，再由贝叶斯优化器调参数。在 100 个加速老化循环（每次 30 分钟充到 90%）之后，最好的策略最终健康度为 92.17%（P2O）和 92.10%（P2P），三段恒流方案为 87.93%。
为什么重要：在真实电芯上测一种充电方案又慢又贵，所以优化器通常只能在几种固定形状里搜索，比如三段电流。这里语言模型扩大了可搜索的范围，安全限制则用文字给出：最好的 P2P 策略在电压低时大电流充电，接近 4.2 V 时降下来；P2P 在同等的 210 次评估预算内就达到这一结果。把基线加到 35 段，同样预算下也无济于事：它变得很难调，结果呈锯齿状。
证据与边界：全部是模拟：一个 PyBaMM 电芯模型，老化被加速（SEI 反应速率放大五倍），并为模型没有包含的副反应加了电压惩罚项。没有任何策略在真实电芯上跑过；作者说那需要模型校准、安全筛查和电芯测试。P2O 的最好结果用了超出同等预算的评估次数。
Converge Bio 完成 2500 万美元 A 轮融资，Bessemer 领投，向药物研发方出售做抗体设计、蛋白产量和靶点发现的成套 AI 系统
发生了什么：Bessemer Venture Partners 领投这轮超额认购的融资，TLV Partners、Vintage Investment Partners、Saras Capital 以及来自 Meta、OpenAI 和 Wiz 的未具名高管跟投；公司说这使累计融资达到 3000 万美元，此前 TLV Partners 在 2024 年 11 月领投了 550 万美元种子轮。首席执行官 Dov Gertz 与 Oded Kalev、Iddo Weiner 于 2024 年创办公司，总部在波士顿和特拉维夫。它用 DNA、RNA 和蛋白质序列训练模型，做成能直接接入客户流程的成套系统出售。
为什么重要：Converge 把 AI 卖给药物研发方，自己不做药；它主打的是基准上得分高的模型与生物学家真正能用的系统之间的差距。公告说它一年里为十几家客户做了 40 多个项目，找到结合强度达个位数纳摩尔的抗体，把蛋白产量提高 4 到 7 倍。这些都是公司在公告里给出的数字，没有论文。未披露估值。
Basecamp Research 的 EDEN 模型设计出能把大段 DNA 插入人类基因组指定位置的酶，其中一半在人类细胞里有活性
发生了什么：EDEN 来自 Basecamp Research，是一系列 DNA 模型，其中一个有 280 亿参数，用公司自有数据集 BaseData 的 9.7 万亿核苷酸 token 训练。只给目标位点 30 个碱基作提示，它设计大丝氨酸重组酶：论文称在测试的十个疾病相关基因和四个安全港位点上都拿到有活性的酶，训练数据之外的提示上有功能比例为 63.2%，所设计的酶有一半在人类细胞里有活性，把一个 CAR 插入原代 T 细胞。
为什么重要：把一整个基因放进基因组，通常要靠病毒或在 DNA 上切一刀，这既限制了能带多大的片段，也带来安全风险。重组酶换一种做法：认准一个位点，把 DNA 换进去，但每个位点此前都需要各自的酶，找到一个本身就是一个课题。这里只用目标位点的 30 个碱基，就在论文报告测试过的每个位点上拿到了有功能的酶。如果这一点在公司之外也站得住，酶就是照位点设计出来的，而不是去自然界里找来的。
证据与边界：预印本，未经同行评审。实验都由作者自己完成，即 Basecamp 与其合作作者（英伟达、微软，抗菌肽部分还有宾夕法尼亚大学），没有外部评估方。「在人类细胞里有活性」指细胞培养，不是动物或临床结果；BaseData 是公司专有数据，别人无法重跑其基准对比。GEN 对同一工作的报道给出了摘要里没有的数字（在一万多个位点插入、肿瘤细胞清除率超过 90%）；全文未读。
清华的 DrugCLIP 对约 1 万个人类蛋白筛选 5 亿个化合物，挑出的分子在两个靶点上的湿实验命中率为 15% 和 17.5%
发生了什么：Yinjun Jia、兰艳艳等清华大学智能产业研究院（AIR）及其他实验室的研究者在《科学》发表论文：用对比学习把蛋白口袋和小分子放进同一个表示空间，筛选变成一次检索，最高比分子对接快 1000 万倍。湿实验中，它在去甲肾上腺素转运体上命中率 15%，并解出两个抑制剂与靶点的复合物结构；在没有已知小分子结合物的 TRIP12 上，只用 AlphaFold2 预测结构，命中率 17.5%。
为什么重要：对接太慢，没法对每个人类蛋白都跑一遍；DrugCLIP 让这件事变得便宜，预先算好的结果以 GenomeScreenDB 公开。命中分子确实做了湿实验，但由作者自己完成，而且只给了命中率，没有交代命中分子的活性强弱。9 月完成天使轮的清华 AIR 孵化公司艾斐智药，就建立在这个方法上。
GSK 授权使用 Noetik 的虚拟细胞癌症模型五年：首付加近期里程碑共 5000 万美元，此后按年付费
发生了什么：Noetik 宣布与 GSK 签下五年非独家授权，GSK 的 AI 与治疗团队可直接使用其 OCTO-VC 肺癌和结直肠癌模型，模型用 Noetik 自己对人类肿瘤样本做的空间组学数据训练。交易含首付与近期里程碑共 5000 万美元，另付年度授权费，双方还将共同生成新的空间数据集。GSK 的 AI 与机器学习负责人 Kim Branson 说，基础模型好坏取决于训练数据。
为什么重要：Noetik 把它说成从购买 AI 服务转向按订阅授权模型本身，首席商务官 Shafique Virani 称这是同类交易中最早、最大的之一，这个排名是公司自己的说法。它说明 GSK 愿意为做成模型的肿瘤数据付多少钱，并不说明模型能找到药：新闻稿没有报告任何使用结果。
Bayer 签下三年合作，在抗体管线中使用 Cradle 的蛋白设计软件
发生了什么：Bayer 的抗体科学家将完整使用 Cradle 平台寻找和优化先导分子；此前经过一轮概念验证，Bayer 在几家供应商中选了 Cradle。双方还将合作一个机器学习研究项目。Bayer 药物发现科学全球负责人 Anastasia Hager 与 Cradle 联合创始人兼 CEO Stef van Grieken 代表双方发言。未披露财务条款。
为什么重要：Bayer 买的是自家科学家使用的软件，而不是把分子交给 Cradle、按里程碑付钱；van Grieken 正是拿这类按资产分成的合作作对比。经过概念验证才选中，说明平台通过了 Bayer 自己的试用；新闻稿没有给出试用结果。
Polyphron 的自动化组织工厂用三轮实验摸索出哪些小分子能让培养的人体神经元和心肌细胞排列整齐
发生了什么：公司从人类发育期单细胞图谱中挖出候选分子（皮层 24 个，心脏 17 个），用干细胞培养三维组织，持续成像，再由贝叶斯优化挑选下一轮条件。三轮下来，在两项排列指标上都优于同板对照的组织比例，皮层从 28.5% 升到 45.6%，心脏从 38% 升到 56.6%；到第三轮，测试的条件分别减少 94% 和 68%，单次实验成本下降约 70%。
为什么重要：培养人体组织，过去每种组织都要花数年手工调配方。这里同一个闭环从神经元换到心肌细胞几乎不用重调，搜索范围更小的心脏项目用了五周。结构可以按需设定的组织，正是 Polyphron 想拿来检验 AI 药物预测的底座，这是它公开的第一批制造这种组织的数据。
证据与边界：公司博客文章，未经同行评审，只报告命中率和中位数，没有统计检验。它只优化一个结构特征（细胞排列），没有展示组织功能（如收缩或信号传导），也没有药物反应。
陶哲轩报告 Erdős 第 728 号问题基本由 AI 解决：ChatGPT 写出证明，Aristotle 用 Lean 核验
发生了什么：该问题出自 Erdős 等四人 1975 年一篇关于二项式系数的论文，因出现平凡解，erdosproblems.com 社区重新表述了题意。在第一次尝试得到反馈后，ChatGPT 证明了预期版本。Lean 工具 Aristotle 修补了其中的小错误并生成 Lean 证明，参与者再用 ChatGPT 把它写成文稿，陶哲轩认为其写作已接近研究论文的标准。
为什么重要：陶哲轩称之为一个里程碑：此前 AI 解出的 Erdős 问题，多数后来都在文献里找到答案，这一道没有找到先例。他觉得另一点更有意思：每个版本都有 Lean 检查，一个证明可以按读者需要的详细程度反复改写。
证据与边界：几天之内就发现，这个方法与 Carl Pomerance 2014 年的一篇论文非常接近；Pomerance 随后写了一份短笔记，说明他的方法同样能解这道题。陶哲轩补充说，这道题此前没有文献，部分原因是原题表述有误。