11 月 13 日 Gustave Roussy 衍生公司 Orakl Oncology 完成 3400 万美元 A 轮，Norrsken VC 与 Singular 联合领投，用患者肿瘤类器官预测抗癌药试验结果 发生了什么： Orakl Oncology 完成 3400 万美元 A 轮，超额认购，由 Norrsken VC 与 Singular 联合领投，累计融资达 5000 万美元。新投资方有 InfraVia Growth、Serena、Bpifrance 的 Patient Autonome Fund、teampact.ventures 和 Plug and Play，老股东 Verve Ventures、Speedinvest 和 HCVC 跟投，天使投资人包括 Thomas Wolf 。联合创始人 Fanny Jaulin （CEO）、Gustave Ronteix （CTO）和 Diane-Laure Pagès （COO）把患者的肿瘤培养成类器官，在上面测试药物，并把每个结果与患者的病历对上。
为什么重要： 公告说，约四分之三的抗癌候选药在二期临床失败，Orakl 卖给药企的，是在这一步之前判断哪些药、哪些患者会有反应。这笔钱用于新模型、五倍的数据产出、在结直肠癌和胰腺癌之外加上肺癌和胃癌、在美英组建团队服务 10 多个药物项目，以及寻找新的联合靶点。insitro 首席科学官 Philip Tagari 出任顾问，他曾参与把安进的 KRAS 抑制剂 Lumakras 带给患者。
证据与边界： 预测试验结果 90% 的准确率、全球前 20 大药企中有 18 家在其商业管线里，都是公司自己的数字，公告没有给出背后的论文或试验清单。本轮信息读自参投方 InfraVia 的公告，未披露估值。
资本 InfraVia release (EuropaWire) ↗ 在时间线上 →
11 月 13 日 做机器人化学实验室的青葵智造完成亿元 A 轮融资，建设替客户做实验的云实验室 发生了什么： 创东方投资、热管理材料企业飞荣达和金辉大数据参与，未披露领投方。公司 2021 年由董事长陈南江 创办，他是北航博士，曾在北航机械学院任职。它卖模块化的化学实验工作站（NexoLab）、把仪器当作智能体调度的软件（AI-LabOS），以及用自家实验数据训练的模型（MoleMind）。资金用于核心研发、拓展行业和建设云实验室。点名的客户有中科院、勃林格殷格翰、恒瑞医药和国轩高科。
为什么重要： 陈南江的判断是，公开的化学数据缺少完整的反应条件和失败样本，所以公司今年建了自己的机器人实验室，为模型训练提供数据，并开始尝试从这里对外提供“实验即服务”，客户可以实时看到实验数据。做热管理材料和液冷的飞荣达说，AI 算力基础设施对液冷和热管理材料提出了更高要求，它想把自动化测试用在材料配方研发上：这是一家芯片散热供应商在为自动化材料研发出钱。
证据与边界： 实验效率提升数十倍、客户复购率良好，都是公司自己的说法，没有给出数据或研究。金额只有“亿元”这一约数，未披露估值，报道也未点名领投方。陈南江说，AI 生成的实验方案目前仍需化学家最终核准。
资本 36Kr ↗ 在时间线上 →
11 月 11 日 Google DeepMind 的 AlphaGenome 2 按细胞类型预测 DNA 变异的作用，在免疫细胞上找到的可能因果变异约为上一代微调版的两倍 发生了什么： Google DeepMind 发布 AlphaGenome 2：输入一百万碱基的 DNA 和指定的组织、细胞类型或状态，预测那里的基因表达和染色质，新增 DNA 甲基化。训练用了超过 1.07 亿个单细胞谱。在未参与训练的 TenK10K 免疫细胞数据上，90% 精度下找到 30% 的可能因果变异，单细胞微调过的第一代为 16%。在关掉远端 DNA 开关的 CRISPRi 实验上，把开关和基因配对的得分为 0.78，第一代 0.73（满分 1）。
为什么重要： 多数与疾病相关的变异位于非编码 DNA，只在部分细胞里起作用；弄清是哪种细胞，是药物项目从遗传关联走到具体基因的一步。模型复现了 2024 年的一个发现：一个远端变异通过在肠道免疫细胞中抬高 ETS2 驱动炎症性肠病。主导那项研究的 Francis Crick 研究所 James Lee 对 Nature 说，模型 30 分钟得出的答案，他的团队做了一年半实验。Genomics 的 CEO Peter Donnelly 说期待把它加入 Mystra 平台。
证据与边界： 所有数字都来自 DeepMind 自己，论文挂在自家网站上，没有 DOI，未经同行评审。论文自己说：高精度下它仍漏掉多数可能因果变异，在开放区域以外的 DNA 上表现更差。冷泉港实验室的 Peter Koo 对 Nature 说，思路不新，但工程和表现令人印象深刻；Lee 说它还不能取代实验。它没有经过临床验证。
作者 Adam Gayoso 、Pushmeet Kohli 、Žiga Avsec
研究 Google DeepMind ↗ 在时间线上 →
11 月 11 日 波鸿鲁尔大学把自家的晶体数据库、模型和反应图交给 Claude Code，智能体提出候选化合物并写出合成方案 发生了什么： Miguel Marques 与 Silvana Botti 的团队让 Claude Code 无人值守运行，接上 Alexandria（约 1500 万次 DFT 计算）、结构生成、原子间势和性质模型，以及 193,416 种稳定化合物间 174 亿个反应的反应图。要它找没人试过的太阳能吸收材料，它放弃一个最佳反应只放热 6 meV/原子的候选，提出 Sr2ZnP2，给出坩埚、气氛和升温步骤。在 Ba-Zr-S 体系里它找到未见报道的 Ba4ZrS6。只给网络搜索时，它提的是文献已讨论过的化合物。
为什么重要： 此前多数材料智能体给模型的是跑计算的手段，而前沿的编程智能体自己就会跑。这里每种设置各跑一次，差距落在课题组已有的数据和一套推理合成路线的工具上：有数据库和模型、没有反应图时，智能体仍能找到候选，但合成方案是从文献里借来的。对计算组来说，这指向一种角色：把数据和模型提供给智能体，让实验组用日常语言提问；工具说明里要写清每个数字什么时候不可信。
证据与边界： 所有候选都是算出来的，一个也没有合成。每个例子只跑了一次，作者自己说这是示例，不是统计。事后的杂化泛函计算显示，智能体选的耐空气候选 Sr2ZrCu2S5 带隙只有 0.98 eV，做太阳能吸收材料太小；它作为备选提出的多晶型算出 1.63 eV。检验的是课题组自己的工具。
作者 Paulo R. Pires 、Silvana Botti 、Miguel A. L. Marques
研究 arXiv 2611.15451 ↗ 在时间线上 →
11 月 11 日 康奈尔团队让大模型智能体编写湍流模型，并在可微流体求解器里训练它们，智能体的模型在目标指标上比标准模型更好 发生了什么： Jian-Xun Wang 团队给 GPT-5-mini 智能体接上能在混沌模拟中回传梯度的 GPU 流体求解器。智能体提出闭合模型（替代网格分辨不了的湍流的公式或小网络），自己搭训练程序，再决定直接运行、算灵敏度还是训练。在槽道流中，以精细参考模拟为准，智能体最好的壁面摩擦模型误差分数为 16.5，标准平衡模型为 55.9。每次运行 30 个实验。
为什么重要： 湍流模型至今大多由人手写，工程和自然流动的模拟都依赖它。此前用大模型搜索这类模型，只能把每个方案跑一遍来打分；这里智能体还能用梯度拟合方案的参数。固定公式形式时，这样做找回了参考系数，而只做正向运行在同样的预算内没有找到；求解器报告的梯度也改变了智能体自己对训练设置的选择。语言模型挑形式，可微求解器让它能被训练。
证据与边界： 作者自己说，智能体的壁面模型与标准模型表现相当，标准模型在对数区仍与参考速度剖面更吻合。三个算例都是教科书式流动、网格较粗，每个模型只拟合一个统计量；槽道流只跑了一次，用时 82 小时。这些模型大多在重建已知形式，频谱误差也区分不出结构不同的亚格子模型。预印本，检验的是团队自己的系统。
作者 Yi Liu 、Xiantao Fan 、Mingqi Xu 、Jian-Xun Wang
研究 arXiv 2611.16082 ↗ 在时间线上 →
11 月 10 日 Google 把 Gemini 4 Carbon 放进 Antigravity 给 Ultra 订户，接受科学家申请免费使用，并预览多智能体团队 /swarm 发生了什么： Google 把 Gemini 4 Carbon 放进 Google Antigravity，Google AI Ultra 订户即日可用；科学家和研究者可以申请在最高用量档免费使用 Carbon 和 Argon 六个月的资格，企业通过 Gemini for business 使用。同时推出预览版 /swarm：一个提示交给一组智能体，协调者分派任务，工作者在各自独立的 git worktree 里并行修改，对抗式核查者跑测试、质疑每处改动，大家在共享看板上交流。每个智能体可以指定不同的模型。
为什么重要： Google 10 月 28 日发布 Carbon 时先只给网络防御者，其他人没有时间表；两周后，科学家已经可以申请免费使用资格。DeepMind 同一天发布的 Signal 验证，证明就是由 Carbon 驱动的智能体写的；DeepMind 也用 Antigravity 演示过自己的智能体找抗菌肽、改造药物。/swarm 把「多个智能体并行、另有智能体专门核查」做成了 Antigravity 应用和命令行里的预览功能。
证据与边界： 这是 Google 自己的产品博客。它提到在 CursorBench 4.0 和 WANDR 上排第一，但没有给数字；/swarm 的效果只来自 Google 内部五周的使用，也没有数字。Google 提醒，多智能体会比单个对话快得多地用完额度。科学家的免费使用要申请，博客没有说名额。
基础设施 Google Antigravity ↗ 在时间线上 →
11 月 10 日 Google DeepMind 用 AlphaProof Code 证明了 libsignal 编译后代码的关键安全性质，证明约 650 万行 Lean 发生了什么： Google DeepMind 的 AlphaProof Code（在 Gemini 4 Carbon 上写证明的智能体）在编译后的 ARM 机器码层面，证明了 Signal 参考实现 libsignal 的前向保密、身份认证、被攻破后恢复安全和握手保密。人需要核对的可信部分约 2.6 万行规格说明和机器语义；智能体写了约 650 万行证明，每一步都由 Lean 检查。一个五人团队用了四周。把两个已修复的旧漏洞放回去后，系统证明这两个版本都不安全。
为什么重要： 给真实软件做形式化证明，向来要专家花几年：seL4 内核用了二十人年，而且它本来就是为验证而写的。如果证明由智能体写，人只核对要证明什么，成本就转到写规格说明上，谁负担得起经过验证的代码也会随之改变。DeepMind 说智能体只把 1% 的代码交回给人复看；DeepMind 点名的是医疗设备固件和电网软件。证明用的是 Lean，也就是数学家用机器检查证明的语言，DeepMind 已把它们公开。
证据与边界： 这是 DeepMind 自己的论文，未经同行评审。符号证明假设密码学完美，限定两方诚实、输入有界、不含侧信道；计算证明依赖底层原语的困难性，不防量子攻击者。两套都只覆盖 DeepMind 自己构建的命令行程序，不是 Signal 的应用，并依赖 2.6 万行可信代码和 Lean。Signal 一方是 CTO 的背书和对方法的意见，不是独立审计。
作者 Swarat Chaudhuri 、Pushmeet Kohli
研究 Google DeepMind ↗ 在时间线上 →
11 月 10 日 前 SignalFire 投资人 Sahir Raoof 募得 2750 万美元首支基金 Proximal Ventures，投资把 AI 用到药物开发所需工具与服务上的初创公司 发生了什么： 据 TechCrunch 11 月 10 日报道，Proximal Ventures 将做种子前和种子轮投资，单笔 50 万到 150 万美元，已投了七家初创公司。出资方包括风投机构 SignalFire 和 Kleiner Perkins、Bertelsmann Healthcare Investments、Dimension 的联合创始人 Nan Li 和 Zavain Dar ，以及前 FDA 首席副局长 Amy Abernethy。Raoof 在 SignalFire 做了两年投资经理（principal），此前在 Iterative Health 负责业务拓展，在 Flatiron Health 负责合作。
为什么重要： 这支基金押的是药物开发的服务环节。药企一直付钱给外包公司，让它们合成成千上万个化合物、摸索如何规模化生产、分析临床试验数据；Raoof 认为 AI 能把同样的活做得更便宜、更快，就像它在法律和金融服务里开始做到的那样。所以他指望的买方是药企的外包预算，那是为服务付钱的；而不是软件，药企一向不被看作软件的好买家。
证据与边界： 基金规模、单笔金额和策略都来自 TechCrunch 的报道，其中引用了 Raoof 的话；没有读到基金自己的公告或文件。七家被投公司里只点名了 ChronicleBio，报道也没有给出任何一家的客户或成果。
资本 TechCrunch ↗ 在时间线上 →
11 月 10 日 Lila Sciences 的开放式探索团队发布四篇预印本，研究怎样让 AI 模型提出新想法并在其上继续 发生了什么： 团队负责人 Kenneth Stanley 发文提出，持续做出发现的系统需要四样东西：提出想法、判断哪些想法有意思、适合产生洞见的内部表征，和管理多条研究线。他与 Joel Lehman、Alon Albalak、David B. D'Ambrosio、Thomas X. Sheppard 的四篇 arXiv 预印本覆盖其中两项。一篇让小模型“忘掉”某个主题，它提出的想法更新颖；另一篇给训练加一个附加项，在一种设置下把网络学会模运算题的步数降到十二分之一以下。
为什么重要： Lila 把目标说成“科学超级智能”，它的自动化实验室要靠机器提出的假设来喂。这几篇论文展示了 Stanley 在 Lila 带的团队在“提出假设”这一侧做什么。他们主张，把模型做大本身不会让它有创造力，这与“规模上去问题自然解决”的普遍看法相反。
证据与边界： 这些是关于语言模型和小型网络的方法论文：10 亿和 70 亿参数的模型、一个图像任务和模运算。没有一篇涉及实验室实验或科学结果，也都未经同行评审。
作者 Kenneth O. Stanley 、Joel Lehman 、Alon Albalak 、David B. D'Ambrosio
研究 Lila Sciences ↗ 在时间线上 →
11 月 10 日 IBM 与三菱化学在 70 量子比特的 IBM 处理器上训练一个写量子电路的 Transformer，并用它计算 EUV 光刻用锡光刻胶的分子模型 发生了什么： IBM 日本、三菱化学、庆应大学和 NVIDIA 的研究者训练 Transformer 为“基于采样的量子对角化”写电路：先用模拟器，再把 IBM Heron 处理器 ibm_kobe 接进训练回路，规模 46 和 70 比特。不重新训练，直接用于甲基三羟基锡及其水合物（EUV 锡光刻胶的最小模型），46 到 70 比特的 28 次运行有 27 次与经典 DMRG 参考值差 15 mHa 以内，中位数 4.5。在 56 到 70 比特，选出的电路双比特门比 LUCJ 电路少 34 到 72 倍。
为什么重要： 锡化合物是极紫外光刻胶的主要候选之一，而锡-碳键在光照下如何断裂，需要多参考态方法来描述，正是量子计算机被寄望处理的强关联化学。一家化工企业参与在这些分子上的硬件实验，说明工业界的量子化学正朝哪里用力。方法本身的要点是：在经典精确模拟算不动的规模（约 46 个量子比特起），由量子处理器直接提供训练信号。
证据与边界： 参考值来自经典的 DMRG 计算，所以这些运行是对上了经典答案，而不是超过它；也没有制备或测量任何光刻胶。每个电路只采样一次，每种设置只用一个随机种子训练；作者自己说，迁移到新化学体系的证据是定性的。门数的节省针对的是十个电路中最好的一个，代价是每个作业约 11 倍的处理器时间。
作者 Kunal Kumar 、Qi Gao
研究 arXiv 2611.13755 ↗ 在时间线上 →
11 月 9 日 AI 蛋白设计公司途深智合完成 Pre-A 和 Pre-A+ 两轮合计数亿元融资，上海科创集团领投 Pre-A 轮 发生了什么： 途深智合 2023 年 12 月成立于无锡，创始人王宇光 是上海交通大学自然科学研究院副教授。公司连续完成 Pre-A 轮和 Pre-A+ 轮，合计数亿元：Pre-A 轮由上海科创集团领投，中生引领、舟山途毅等参投；Pre-A+ 轮由金鼎资本、镁伽科技、清科控股等联合投资。资金用于推动多条自研管线走向 IND 申报、升级 ToursynClaw 药物设计平台和扩充团队。上一轮是 2025 年 9 月的千万元级天使+轮。
为什么重要： 这笔钱首先投向公司自研的候选药物；AI 蛋白设计公司正是要在自研候选药物上证明它的设计能成药。实验室自动化厂商镁伽科技的投资是为了把自己的自动化实验室接上公司的设计与测试闭环；Pre-A 轮出自上海国资背景的创投集团，它称 AI4S 在生物医药中的应用是其最关注的投资方向之一。
证据与边界： 成果都来自公司在融资公告中的自述：上百个抗体改造项目完成真实实验验证，14 天完成一轮干湿验证，累计超 5000 条实验数据。未找到论文或合作方公布的结果，管线和靶点没有点名，两轮各自的金额和估值也都未披露。
资本 PEdaily ↗ 在时间线上 →
11 月 9 日 Google 第八代 TPU 再加两款系统：双芯片的 TPU 8i Max，以及带硬件机密计算的 TPU 8tx 发生了什么： Google 发布 TPU 8i Max 和 TPU 8tx。前者把两颗 TPU 8i 芯片封进一个封装，同样机架空间内算力、片上内存和内存带宽各翻一倍；后者用 TPU 8t 的芯片配 AMD EPYC 主机，让数据和模型权重在运算时也受保护、相互隔离。加上 4 月发布的训练芯片 TPU 8t 和推理芯片 TPU 8i，一年共四款。Google 的 AI 与基础设施首席技术专家 Amin Vahdat 称，TPU 已有近 100 家客户，其中包括大学。
为什么重要： 两款都不是新芯片：8i Max 是把两颗现有的 8i 封在一起，8tx 用的是 8t 的芯片。Google 说这正是用意：做一款新系统要几个月，新芯片要几年，所以新配置能跟着客户要什么走。这改变两件事。能买到什么：一年四款系统，其中一款用于在私有数据上微调，数据在芯片运算时也受保护。芯片设计：Google 称 AI 已用在自家硬件上，TPU 设计用 AlphaChip，Gemini 做版图，从几周缩到几小时。
证据与边界： 所有数字都是 Google 自己的，对比的是它自己的其他 TPU，没有独立基准测试。文章没有给出两款新系统的绝对规格、价格或上市时间，没有点名任何科研客户，也没有展示 AI 做出的版图实例。
组织 Google Cloud ↗ 在时间线上 →
11 月 9 日 Anthropic 发布 Claude Fable 5.2，并附两篇物理预印本，称 Claude 模型解决了两个关于黑洞的未决问题 发生了什么： Anthropic 发布 Claude Fable 5.2；两天前它在 Hexagon 上公开两篇预印本，由一个 Claude 模型解决全息引力里的两个未决问题。一篇做完 2003 年列出的一个计算：在弱耦合下，对应引力中黑洞形成的那个相变仍是突变。另一篇把一个用来排除量子引力候选理论的界定在约 9.1266，此前只知道在 8.503 到 12 之间。新模型每百万输入、输出词元 8 和 40 美元，原为 10 和 50。
为什么重要： Anthropic 说第一个计算因为太繁重，二十年没人做完；第二个在领域只知道范围的地方给出了精确值。两篇都发在 Hexagon 上，这是一个接收 AI 写成论文的新数学成果库，标为主要由 AI 生成、由 Anthropic 提交。对买家来说，价格降了五分之一；Anthropic 说早期测试中生物安全过滤比 Fable 5.1 少拦约 40% 的请求，但多数生物研究任务仍转给旧模型，不设这些限制的 Mythos 只给经审核的机构。
证据与边界： 两篇都是 Anthropic 自己的预印本，未经评审，没有署名作者。一篇说物理学家核对了每个主要结果，另一篇说只对照已知特例核对，另一次换方法的 Claude 计算结果一致。两篇都写“内部 Claude 研究模型”而非 Fable 5.2，其中一篇说公开的 Opus 5.5 后来也得到同一个值。发布文里其他科学成果，如 34 个病毒衣壳准确建模 28 个，来自 Anthropic 自测。
研究 Anthropic ↗ 在时间线上 →
11 月 9 日 Anthropic 让 Claude 设计了三台电子设备，Diode 按它的文件直接制板，没有来回改图 发生了什么： Claude Fable 5.2 和做电路板设计与制造的 Diode Computers 一起，设计了 USB 免持电话、语音助手中枢和手持电子宠物三台设备。只凭很短的提示，它写出规格书和原理图，完成每块板的布局和走线，建了可 3D 打印的外壳模型，写了固件。Diode 照文件直接制板，三台样机的电路都不用返修就能工作。它在 Diode 自己的 PCB Gym 上得 69%（Fable 5 为 25%），在公开基准 BenchCAD 2.1 上得 83.5%，接近 Fable 5.1 的两倍。
为什么重要： 模型碰到硬件，通常止于芯片设计或一个基准分数。这一次它交出的是工厂据以制板的文件，检验标准是板子能不能工作。实验室要一块定制的传感器板或仪器控制板时，布局、走线和可制造性检查就是设计与可用设备之间那几周电子工程师的工时；以此为业的 Diode 说，拿到 Claude 给的文件，不必像平常那样来回改几轮。
证据与边界： 这是 Anthropic 和有商业关系的 Diode 自己发的文章，没有论文也没有数据集；PCB Gym 是 Diode 自己未公开的基准，两个分数都只和更早的 Claude 比。三台都是样机：没有做电气验证、天线调试、热测试或认证，也都不是按量产设计的。样机由 Diode 的工程师动手制作和测试；提示很少，但不是没有。
研究 Anthropic ↗ 在时间线上 →
11 月 9 日 皮尔法伯与晶泰签约，由晶泰为多个肿瘤研究项目设计小分子候选药物 发生了什么： 法国药企皮尔法伯（Laboratoires Pierre Fabre）将由晶泰用 AI 与机器人平台，针对未披露的靶点设计并交付新的小分子，覆盖肿瘤领域的多个研究项目，可能还有皮肤病和罕见病。皮尔法伯挑选推进哪些化合物，并负责临床和商业开发。晶泰获得首付、多笔里程碑付款和后续收益分成，金额未披露。Francesco Hofmann 是皮尔法伯制药研发负责人，Raymond Zheng 是晶泰一体化药物发现负责人。
为什么重要： 皮尔法伯今年早些时候也对外采购过 AI 分子设计：1 月它与 Iktos 就一个肿瘤靶点签约。药企把疾病生物学和临床留在自己手里，同时在多个项目上从外部买分子，就是在为从靶点到候选药物这一步向 AI 和机器人化学付钱。公告说这些项目针对的是历来难以成药的靶点。
证据与边界： 靶点、项目数量和各项付款都未披露，也还没有报告任何化合物或结果。这说明有买家为此付钱，不说明设计方法有效。
合作 Pierre Fabre and XtalPi (PR Newswire) ↗ 在时间线上 →
11 月 9 日 argenx 同意收购用机器学习加并行化学设计环状多肽药物的 Unnatural Products，首付 5.5 亿美元，总额最高约 11.5 亿美元 发生了什么： argenx 已持有少数股权，将以 5.5 亿美元现金加最多 5.95 亿美元的研发和监管里程碑付款，买下 Unnatural Products（UNP）其余股份。UNP 设计大环肽（一种环状分子，目标是打到难成药的靶点并做成口服药），方法是把并行合成与筛选和机器学习结合。公司由 Cameron Pye 和 Joshua Schwochert 于 2017 年创立，两人出自加州大学圣克鲁兹分校 R. Scott Lokey 的实验室。团队留在圣克鲁兹，预计年底前交割。
为什么重要： argenx 把这笔收购称为买下一台多肽发现引擎：今年 3 月的报道还说 UNP 自己的管线正接近临床，而它已和 argenx、诺华、默沙东、BridgeBio 签下发现合作。对投资方，这是一家把并行化学和模型结合起来的公司的退出，距它 4500 万美元的 B 轮只有八个月。对以抗体为主的 argenx，CEO Karen Massey 把它说成通往口服和长效药物的路线。
证据与边界： 公告没有给出任何 UNP 分子的数据，也没说平台的产出有多少来自模型、多少来自并行化学。5.95 亿美元是有条件付款，挂钩哪些项目和里程碑没有披露。
组织 argenx (SEC Form 6-K) ↗ 在时间线上 →
11 月 9 日 上海交大和南洋理工的研究者用合金实验推理题考 11 个 AI 模型：按给定数据计算得分 92% 以上，估计具体材料状态只有 23% 到 31% 发生了什么： 上海交通大学和南洋理工大学的 Xuyu Dong 等人用已发表的铝合金和高熵合金实验做成 MatScope：200 道题、一项智能体测试，以及 20 个测量结果陆续公布的多阶段案例。在包括 GPT-6 Astra、Claude Fable 5.1 和 Opus 5.5 在内的 11 个模型部署上，按给定数据计算得分 92% 到 99%，预测某个具体材料状态的数值得分 23% 到 31%，估计值通常比实测值偏高或偏低 1.6 到 2.1 倍。完全答对的题只有 13.5% 到 19%。
为什么重要： 替实验室规划下一步热处理的智能体，得说出晶粒尺寸或强度会变多少，而不只是解释机理。MatScope 把这两件事分开考，发现模型最弱的是比较相近的状态、在数值约束下做选择。新的测量结果帮助不均：一开始就落在最高分档的预测，Astra 7 个里有 4 个保持到最后，Fable 3 个里只有 1 个。两位通讯作者也在材料模型初创公司元材新界：刘政是创始人，安波负责训练它的材料大模型。
证据与边界： 题目主要覆盖两类合金，由作者自己构建；解释部分由另一个模型 Gemini 3.1 Flash Lite 评分，数值部分由程序评分。智能体测试每题只允许三次检索和八个操作；在 20 个原本失败的案例上，Astra 提高 1.6 分，置信区间跨过零，Fable 提高 4.2 分。作者中没有模型厂商的人。
作者 Xuyu Dong 、Bo An 、Zheng Liu 、Da Shu
研究 arXiv 2611.12014 ↗ 在时间线上 →
11 月 9 日 卡内基梅隆的 AI 智能体提出一个 13 参数的密度泛函，自洽计算下把 ωB97M-V 在留出集上的误差降低 11.7% 发生了什么： Achuth Chandrasekhar 和 Amir Barati Farimani 把多组 AI 智能体接到一个 GPU 评估服务上：新公式在训练反应上拟合、在验证反应上打分，并经四项物理和数值检查。这些公式是交换关联泛函，即密度泛函理论（计算分子能量的标准方法）中只能近似的一项。选出的 O159 在自洽计算下，把 ωB97M-V 在 1,152 个留出反应上的误差降低 11.7%。Claude Opus 5.5 智能体首次过筛所用 token 约为 GPT-6 Astra 智能体的四十分之一。
为什么重要： 交换关联泛函决定了密度泛函理论在化学和材料计算中有多可信，改进一个泛函过去要靠长时间的人工或进化搜索。这里由智能体提出公式、评估服务拟合参数，智能体自己做的对照实验把新项变成一条设计规则：在中等密度处把整个同自旋因子压低，峰值处压低 15% 到 30%。与 SyFES 进化搜索各约 400 次拟合相比，智能体的公式验证误差更低，靠的是加入了 SyFES 的表示里没有的显式密度尺度。
证据与边界： 2022 年进化搜索得到的 GAS22，留出集误差仍然更低（3.59 对 3.81 kcal/mol）。在 36 个外部 GSCDB137 数据集上，O159 与 ωB97M-V 持平（1.139 对 1.144，差异不显著）。智能体相对 SyFES 的优势与重复拟合的波动相当；在两者共享的表示内，谁都没超过 GAS22。论文没有解释这个窗口为什么能改善重原子能量。
作者 Achuth Chandrasekhar 、Amir Barati Farimani
研究 arXiv 2611.13329 ↗ 在时间线上 →
11 月 8 日 Google DeepMind 的 Pushmeet Kohli 说，他们在科学发现的速度上看到了一次相变，未来几周的发布会让人看到一点 发生了什么： 11 月 8 日 Kohli 发帖说，在 Google DeepMind 的各个项目中「我们正在见证科学发现速度上的一次真正的相变」，未来几周的发布会让人看到这一点。他领导该实验室的 AI for Science 方向，同时是 Google Cloud 的首席科学家。同日第二帖说，随着这种加速展开，重点将是帮助更广泛的科学界负责任地用好这些工具。
为什么重要： 这不是泛泛说 AI 会加速科学，而是 DeepMind 科学方向负责人对自家进展下的判断，并押上了几周内的具体发布。要看的是它能不能从模型能力落到科研流程里：提假设、设计实验、验证结果各快了多少。发现周期被实质缩短，才撑得起「相变」这个词。他自己的保留也在句子里：看到的是「一点」。
证据与边界： Kohli 没有点名任何发布、任何结果、任何数字，也没有说怎样才算一次相变、是相对此前什么样的速度而言。他所指的那些发布，在记录这条时还没有出现，所以这里暂时没有可核对的东西。
组织 Pushmeet Kohli on X ↗ 在时间线上 →
11 月 8 日 北京材料初创公司清析智研完成近亿元天使轮融资，高瓴创投、智元机器人等投资，它把 AI 装进材料表征仪器 发生了什么： 清析智研 2026 年 5 月成立于北京，创始人董斯鸣 是斯坦福材料科学博士，有 15 年以上半导体研发经验，赵震林 任 COO，王欢 任首席科学家。公司宣布完成近亿元天使轮融资，中芯聚源、高瓴创投、智元机器人、风物资本、东方嘉富和多家产业基金投资，未写领投方；7 月鼎峰科创已投首轮。公司做读取 X 射线衍射等表征数据的模型，装进仪器，并承接材料委托研发。
为什么重要： 其中两家投资方所在的行业，正是公司材料想要卖进去的行业。智元机器人造人形机器人，公司称正与机器人厂商合作开发用于关节电机的永磁材料；中芯聚源投资半导体，而公司的研发管线里有光刻胶和新型存储器材料。它获取训练数据的路径是仪器：给表征和工艺设备加上 AI，让每一次测量都以模型能学习的形式存下来。
证据与边界： 所有数字都来自公司，经 Z Potentials 和华尔街见闻披露：半年签约数千万元订单、数千万量级实验数据，以及一种比上一代成本低约 60%、耐热高约 30% 的稀土永磁材料，用五个月研发，目标 2027 年量产。未找到论文或第三方测试，华尔街见闻也指出磁材数据暂无独立信源交叉验证。未披露估值。
资本 Wallstreetcn ↗ 在时间线上 →
11 月 8 日 劳伦斯利弗莫尔国家实验室为聚变反应堆壁合金做的原子力模型，精度接近十倍大的模型，速度快数十倍 发生了什么： Flynn Walsh 等人给聚变反应堆壁的候选合金（含氦的钨钽铪铬钒钛）拟合了一个机器学习原子间势，也就是给出每个原子受力、让模拟不必做量子计算的函数。它不让整个展开式共用一组距离函数，而是每项单独学一组，几乎不增加算力就换来精度。HEA25S 基准上，能量误差 4.8 meV/原子、力 112.9 meV/埃，微调过的基础模型是 4.1 和 102.6；单卡每原子每步 0.36 微秒对 10 微秒。
为什么重要： 辐照损伤模拟能做多大，取决于每原子每步的开销：让反应堆壁劣化的缺陷要在数百万原子、数纳秒的尺度上长出来，而精度够的模型一直慢得追不上。这篇说，在快模型和准模型之间二选一，并不由模型大小决定。作者作为演示，在十亿个原子的纯钨和一种钨钽钒钛合金中打入 2 MeV 碰撞级联，跑了 40 皮秒、数十万个时间步。
证据与边界： 这里的一切都是算出来的：误差对照密度泛函计算，速度来自跑代码，实验室里没有做出或测量任何东西。在他们自己的数据集上，能量误差追平 GRACE 1L，力仍是更大的模型略好。HEA25S 上对照的数字取自 GRACE 那篇论文，而本文自己的表注说那个验证集分离得不如本研究严格；耗时是在 2000 个原子上测的，小到填不满 GPU。这是 arXiv 预印本，未经同行评审。
作者 Flynn Walsh 、Nicolas Bertin 、Robert E. Rudd 、Aurélien Perron
研究 arXiv 2611.11544 ↗ 在时间线上 →
11 月 7 日 特拉华大学让两个分工的 AI 智能体改写化学计算代码，PySCF 激发态那一步的耗时减少 84% 至 94% 发生了什么： Mathew Chow 和 Tao E. Li 让一个智能体（OpenAI 的 GPT-5.6-sol）在训练算例上提出代码修改，另一个按速度和精度在另一组算例上决定接受或拒绝。十个分子上 PySCF 激发态（TDDFT）那一步耗时减少 84% 至 94%，能量几乎不变；基态计算是另一项工作，减少 5% 至 28%。LAMMPS 水模拟耗时减少 19% 至 22%，轨迹一致；一个串行分子动力学程序改成 CPU 和 GPU 并行版，快了两到三个数量级。
为什么重要： 作者指出，计算化学研究者常常自己写程序，第一版通常是串行的；把它提速是要专门技能的活，会占用做科学的时间。这里每一处修改都要在第一个智能体没见过的算例上通过第二个智能体的检查，输出也和原代码对比过。TDDFT 上的提速来自算法本身，而不只是底层调优：一个分子上求解器的迭代从 45 次降到 9 次。代码更快，同样的算力就能跑更多模拟。
证据与边界： 这是一个实验室的预印本，由作者自己评估。同一个模型重复运行，最终得分不同；LAMMPS 的提速在控压模拟里不成立，其中一部分反而变慢；GPU 代码没有按要求用混合精度；智能体搭出的 SCF 策略也不能稳定地得到最低能量或最短时间。论文没有说任何修改已合入 LAMMPS 或 PySCF。这项工作得到 OpenAI 学术研究者计划的支持。
作者 Mathew Chow 、Tao E. Li
研究 arXiv 2611.10378 ↗ 在时间线上 →
11 月 6 日 Cancer Grand Challenges 资助哈佛的 AI 共同科学家 AURORA，旗下三支团队开始在自己的研究中检验它 发生了什么： Cancer Grand Challenges 由英国癌症研究会（Cancer Research UK）和美国国家癌症研究所于 2020 年发起。它向哈佛医学院 Marinka Zitnik 的团队拨款近 700 万美元，开发 AURORA：一个能读文献和数据库、调用 AlphaFold 等工具、提出假设和实验的智能体。三支团队各获约 130 万美元来使用它：PROMINENT 研究为什么有些带突变的细胞会癌变，NexTGen 研究用于儿童实体瘤的 CAR-T，MATCHMAKERS 研究 T 细胞如何识别癌细胞。
为什么重要： 这是科研资助方出钱，让外部团队把 AI 共同科学家放进已经在做的研究里，而且评估写进了资助本身：团队在实验室检验它提出的假设，哈佛再把系统的推理记录和实验结果对照，由此能看出它的建议有多少能被实验证实。哈佛说，这是 Cancer Grand Challenges 第一个 AI 项目，也是第一个横跨多支受资助团队的项目。
证据与边界： 目前还什么都没测：项目 11 月 5 日才启动，两份发布都没有给出结束日期、成功标准，也没说对照结果会不会公开。两份都没有说 AURORA 用的是哪些语言模型。金额上，哈佛写的是近 700 万美元，另加给三支团队的 400 万美元；英国癌症研究会写的是项目共 800 万英镑。
政策与规范 Cancer Research UK ↗ 在时间线上 →
11 月 6 日 Kos Biotechnology Partners 加入 Fathom Therapeutics 的 A 轮，公司现称这轮为 5500 万美元，高于 4 月公布的 4700 万美元 发生了什么： 总部在纽约和雅典的生命科学投资机构 Kos 表示，它通过首支基金 Kos BioVentures 投资了 Fathom 超额认购的 5500 万美元 A 轮，该轮由 Sutter Hill Ventures 领投；联合创始人 Simos Simeonidis 和 Alex Tzoukas 代表机构发言。Fathom 自己 10 月 29 日的新闻稿也写 5500 万美元，把这轮定在 5 月，并列出 Lilly Ventures 为参投方。同一份新闻稿宣布 Bret Williams 出任首席科学官，他来自 Magnet Biomedicine，此前在 Relay Therapeutics。
为什么重要： 4 月以来，这轮公布的规模增加了 800 万美元；10 月的新闻稿还列出大型药企礼来的风投部门 Lilly Ventures 为投资方。Fathom 说，它正把蛋白质运动模拟设计出的分子推进为药物项目，为此聘请了一位主导过靶点和药物发现的首席科学官。
证据与边界： 两份新闻稿都没有说多出的 800 万美元何时到账、由谁投入，也没说 Lilly Ventures 是否在 4 月未具名的投资方之中。平台已经针对曾被认为不可成药的靶点产出强效、高选择性候选分子，这一说法没有附任何数据。
资本 Kos release (PR Newswire) ↗ 在时间线上 →
11 月 6 日 康奈尔大学的物理学家把预训练原子模型改成能同时调整元素和结构的晶体设计工具，选出做完整计算的 45 个新超导体设计中，39 个算出的临界温度高于 10 K 发生了什么： 康奈尔大学的 Cristóbal Méndez、Justin Tahmassebpur 和 Tomás A. Arias 让预训练的 EquiformerV3 模型读入元素混合比例和部分占据的位点，一次梯度搜索同时改晶体的元素、原子数、原子位置和晶胞。按预测临界温度挑出的 45 个新超导体设计，声子计算显示 39 个高于 10 K，最高的 ZrTiNb2CN3 为 24.0 K；H4LiPd3（23.2 K）算出稳定。十个太阳能吸收材料设计的带隙在各自瞄准值的 20% 以内，离稳定差不到每原子 70 meV。
为什么重要： 生成模型和高通量筛选是先成批提出晶体、再打分，而分数不会告诉你该改什么。这里元素的选择本身变成梯度可以低成本推动的量，用的是已在公开数据上训练好的权重；作者说换一个目标只需微调一个性质模型。对搭这类流程的人有两点：模型从哪种计算方法学来的带隙误差，设计会原样继承，除非目标里做了修正；用机器学习势做低成本的有限温度检查，会改变哪些候选看起来值得去合成。
证据与边界： 所有检验都是作者自己的计算，没有合成或测量。临界温度是简化估算，电子间排斥参数固定为 0.10；领先的四个碳氮化物离稳定还差每原子 56-87 meV。按经验修正后，瞄准原始计算带隙的五个设计会落在 1.49-2.17 eV，高于目标。45 个超导设计中只有 10 个能做有限温度检查。代码和结构说是发表时公开；这是预印本。
作者 Cristóbal Méndez 、Justin Tahmassebpur 、Tomás A. Arias
研究 arXiv 2611.09572 ↗ 在时间线上 →
11 月 6 日 华南理工大学用 78,889 个成分（含没能成玻璃的）训练一个模型，预测氧化物、硫系、卤化物和金属四类玻璃里哪些成分能成玻璃 发生了什么： 华南理工大学的 Yao Ji 和 Qinyuan Zhang 从已发表的玻璃形成区相图里读出 78,889 个成分，其中 62,133 个没能成玻璃，再用元素性质的统计量训练 XGBoost 分类器。十折交叉验证中它的准确率为 89.6%，一律猜“不成玻璃”是 78.8%。在训练时排除的两个含铅体系上，它找回了文献报道能成玻璃的成分的 74.2% 和 84.2%。
为什么重要： 作者说，以往的玻璃模型大多只管一类玻璃，或主要从成功成玻璃的成分里学习；这个模型也从没能成玻璃的成分里学，并用同一套元素描述符覆盖四类玻璃。它不需要为每个候选成分做模拟，作者因此把它用于在熔制之前给功能玻璃的候选成分排序。它的解释分析提示：掺入性质差异更大的元素，只在各类玻璃各自的上限之内有助于成玻璃；网络越不刚性，比如卤化物相对氧化物，这个上限越窄。
证据与边界： 检验都是作者自己做的，对照的是文献记录；没有新制玻璃，四组分体系的检验用的是他们此前的实验。标签不区分冷却速率：只要有一篇报道做成了玻璃就算能成玻璃。整个化学体系留出时，排序得分（AUC，0.5 相当于瞎猜）从 0.950 降到 0.904。在 42 种金属合金上，四类合训的模型准确率为 60.0%，只用金属玻璃训练的模型为 81.0%。作者称机理上的发现是假设。
作者 Yao Ji 、Qinyuan Zhang
研究 npj Computational Materials ↗ 在时间线上 →
11 月 6 日 Third Rock Ventures 与方诺生科签约，由方诺用 AI 针对 Third Rock 指定的靶点设计抗体，潜在总额最高约 21.6 亿美元 发生了什么： 2026 年 2 月成立的北京公司方诺生科，将用其表位导向 AI 抗体平台，针对 Third Rock Ventures 指定的多个靶点研发包括抗体在内的生物药。方诺收取未披露金额的平台使用费，满足协议条件时最高可获约 21.6 亿美元。平台从靶点上预选的表位出发，用 AI 生成抗体，再用物理能量函数优化结合界面。联合创始人是计算生物物理学家陈明辰和曾任职默沙东的刘锦檀。
为什么重要： Third Rock 通常是自己创办生物技术公司；这次是一家风投机构像药企一样，按靶点向一家今年 2 月才成立的中国初创公司购买抗体设计。据 pharmaphorum，这是 Third Rock 第二笔公开披露的此类交易，上一笔是与上海的 Perpetual Medicine 合作的多肽项目。公告把平台对准难做的靶点，比如多次穿过细胞膜的蛋白：动物免疫和噬菌体展示很难在这类靶点上保住它的天然构象。
证据与边界： 21.6 亿美元是有条件付款的上限；平台使用费、靶点及其数量都未披露。零样本、不经体外亲和力成熟即达到皮摩尔级亲和力、可成药性好、免疫原性低，都是公司自述，没有给出数据。
合作 Funnel Biosciences (via Sina Finance) ↗ 在时间线上 →
11 月 6 日 OpenAI 与 Ligo 推出 BioBasicsBench，用真实湿实验数据出 100 道题考 AI 智能体，GPT-6 Astra 拿到 66.7% 的分 发生了什么： OpenAI 与酶设计初创公司 Ligo 发布 BioBasicsBench：Ligo 的科学家把自己实验的数据做成 100 道带评分细则的题（文中举的例子有胶图、菌落平板和手写的平板标签），每题经过另一位 Ligo 科学家、一位外部博士级湿实验科学家和最后一轮内部审核。在七个模型都跑过的最高推理档 xhigh，GPT-6 Astra 拿到 66.7% 的分，GPT-6.1 Sol 62.0%，GPT-5.6 Sol 43.8%；共 37 个模型与推理档组合，每题做五次。
为什么重要： 判断哪些菌落带着正确的质粒、一个对照平板是否有效，是生物学家身边的智能体要做的日常工作；题目取自实验室自己的实验，保留了论文挑选图片时会删掉的模糊图像。展示的失败正是这一类：Astra 把菌落 PCR 的泳道正确分成两组，却把产物更大当成克隆成功，挑中了仍带旧质粒的菌落。
证据与边界： 基准由 OpenAI 与 Ligo 搭建，由 OpenAI 打分，只比较了 OpenAI 自家模型；OpenAI 说分数更高还不意味着模型能在实验室里做出可靠判断。没有报道说题目会公开；它考的是读数据，不是动手做实验。
研究 R&D World ↗ 在时间线上 →
11 月 5 日 George Church 从 Radical Numerics 辞职：AI 设计噬菌体的公告没有提到做了实验室工作的合作方 Tabula 发生了什么： 据《纽约时报》报道，Radical Numerics 已承认 10 月 20 日公布的工作不是它独自完成：Tabula 做了其中很大一部分研究，包括配出给患者使用的噬菌体制剂。该公司 CEO Eric Nguyen 写信给该报说，两家紧密合作了七个月，合同要求双方对合作保密。Tabula 说噬菌体治疗由它主导。双方都认同：制剂里一部分噬菌体由 Radical 设计，另一部分由 Tabula 提供。
为什么重要： Radical Numerics 10 月 20 日公布这项治疗时没有提 Tabula，而实验室工作大部分是 Tabula 做的。于是这项 AI 设计的疗法该算谁的，成了两家各说各话。哈佛遗传学家 George Church 两家都有职务，他 11 月 5 日辞去 Radical 这一边，并对 Nguyen 说保密这个理由在常识和基本伦理上都很薄弱。《纽约时报》把它和今秋另外两起争议并列：OpenAI 的一个证明、Anthropic 的酶，争的都是 AI 公司是否用了其他研究者的工作，两家都否认。
证据与边界： 《纽约时报》的报道是通过授权译稿读到的，nytimes.com 这边拒绝自动访问。该报说 Church 退出的是董事会，而他究竟任的什么职，正是几家说法唯一不一致的地方。两家公司都没有公开合同；该报也写明研究确实做了、治疗确实给了。Tabula 说之后会讲自己那一边；患者的结果仍未披露。
人物 The New York Times ↗ 在时间线上 →
11 月 5 日 Anthropic 经济研究团队给 20.7 万次 Claude 科研会话分类：科学家最常用它分析数据和写作，最少用来采集数据和提出想法 发生了什么： 一个语言模型给 Claude 消费者版 2026 年 8 月 2 日至 9 月 30 日的 207,049 次科研会话按学科和任务打了标签。数据分析占 Claude 会话的 33.7%、Claude Code 的 48.1%，估计只占研究者时间的 27.6%；采集数据约占 12%，时间占 28.6%；提出想法占 4.2%，时间占 7.1%。在对 528 名科学家（多在生命与健康科学）的调查中，这两项用得少的任务被排为最重要的两项。研究由 Johannes Hermle、Ben Jones 和 Lukas Althoff 牵头。
为什么重要： 和 9 月 Google 的研究一样，它把收益放在屏幕前的工作上，而不是实验台。在化学、材料和生物医学领域，物理操作占研究时间的 38-41%，中位学科只有 4%；因此按报告的模型，即使 AI 做完其余全部工作，这些领域的产出最多是没有 AI 时的三到四倍，计算机科学和统计学则可达 15 倍。在接入科研数据库的 Claude Science 上，提出想法所占份额约为 Claude 上的两倍。
证据与边界： 只统计消费者版会话。每个会话的学科和任务、研究者的时间占比，以及各任务的 AI 能力分（模型把任务步骤两两比较打出），都来自模型而非人工；这个能力分与同样由模型评定的强化学习适配指数相关 0.78。调查对象是积极使用 AI 的研究者。加速倍数是经济模型推演的情景，只算研究产出，不算想法的质量；这是 Anthropic 关于自家产品的报告。
作者 Johannes Hermle 、Ben Jones 、Lukas Althoff
研究 Anthropic ↗ 在时间线上 →
11 月 5 日 Discovered Materials 为材料物理与化学中五个未解问题设立最高共 100 万美元的奖金 发生了什么： 这家用 AI 智能体找芯片材料的初创公司，与外部物理学家和化学家（含斯坦福的 Felipe Jornada）合写了五题：铜氧化物超导的预测性理论（最高 40 万美元）；廉价而准确地算反应能量，以及芯片界面的电学性质如何由加工决定（各 20 万）；激光脉冲对材料的作用，以及热量如何穿过固体界面（各 10 万）。四题以已发表结果评分，化学一题用不公开的计算基准。
为什么重要： 数学有一批悬赏难题，可以看出 AI 是否在逼近答案；TechCrunch 指出，材料科学没有这样一套题。这五题都有明确的数值目标，从超导到芯片内部的界面。联合创始人 Advaith Sridhar 告诉 TechCrunch，目的是设立标杆，看模型在这个领域是否在进步。在公司自己的基准上，模型提出了 500 多种新材料，却只给出了一种可行的制备路线。
证据与边界： 前沿模型在每题上跑了数天仍进展不大，是公司自己的说法，没有公开运行记录。是否解出由公司独自判定，公司可以自己解出后关闭该题而不付奖金，并对每份提交（无论是否获奖）取得永久、非独占的商业许可。
基础设施 Discovered Materials ↗ 在时间线上 →
11 月 5 日 Google Research 的模型读取 Pixel Watch 的脉搏与运动信号筛查高血压：在 196 人的研究中对照 24 小时动态血压，找出 66% 的患者 发生了什么： Google Research 的 Paolo Di Achille、Ming-Zher Poh 等人与 Beth Israel Deaconess 的 Stephen Juraschek 合作，先用约 49.2 万小时未标注的手表数据预训练一个网络，再用 663 名佩戴 24 小时动态血压计的人训练分类器。在美国五个中心的前瞻性研究中，196 名没有已知心脏病、未服降压药的成人佩戴 Pixel Watch 3 一周。以 24 小时动态血压为准，它找出 65.8% 的高血压患者，特异度 90.0%；首次就诊时的诊室袖带测量找出 55.3%。
为什么重要： 一半以上的高血压成人不知道自己患病，很多人已经戴着的手表可以提醒他们去检查。这个模型不需要袖带校准，研究也以指南视为参照标准的 24 小时动态血压来评分，而此前的可穿戴研究常用家庭袖带读数。作者把它定位为提醒人去做袖带确诊，而不是诊断本身。
证据与边界： 只有一项 196 人的研究，由 Alphabet 资助，除 Juraschek 外作者都是 Google 员工。研究只用了一款手表，排除了已在治疗或有心脏病的人，并漏掉三分之一的患者。作者说，仍需随机对照试验来证明它能找到原本不会被诊断的人，并改善结局。
作者 Paolo Di Achille 、Ming-Zher Poh
验证与部署 Nature ↗ 在时间线上 →
11 月 5 日 Hatem Helal 在剑桥创办的 Potential Sciences 结束隐身，完成英国 Sovereign AI 基金与 Twin Path Ventures 支持的八位数种子轮 发生了什么： 公司由 Hatem Helal 于 2025 年 10 月创办，称把量子化学黄金标准 CCSD(T) 改写到 GPU 上，成本降至通常的百分之一，并用它计算训练数据，训练描述原子间相互作用的模型，先从小分子药物做起。英国政府说其 Sovereign AI 基金参与投资，并提供国家超算（含 Isambard-AI）机时；Joséphine Kant 代表基金发言。Twin Path Ventures、Nauta Capital、Odyssey 及另四家机构参投，天使投资人有 Patrick Collison 和 Chris Gibson 。没有公布金额。
为什么重要： 预测药物如何结合的模型，学习的是不到 30 万个实测蛋白结构；公司押注准确的计算数据可以补充它们，包括实验室很少发表的失败案例。Meta 的 OMol25 数据集为了达到规模只能用更便宜、精度更低的方法，所以 CCSD(T) 精度下的成本就是公司称已解决的瓶颈。基金同时出钱和算力；Sky News 9 月报道过这笔洽谈。
证据与边界： 成本降到百分之一，以及在反应能垒和结合亲和力上超过已发表结果，都是公司自己的说法，结果要在之后的发布中给出。规模方面来源只说八位数，公司把算力也算在内；基金不披露金额。Pharmaphorum 报道 Sovereign AI 与 Twin Path 联合领投；公司称两者为主要投资方。
资本 GOV.UK ↗ 在时间线上 →
11 月 5 日 Chai Discovery 与罗氏合作，罗氏将在多个药物发现项目中使用它的蛋白设计模型 发生了什么： Chai Discovery 宣布与罗氏合作，罗氏将在其各治疗领域的若干药物发现项目中使用 Chai 的 AI 模型和平台。Chai 联合创始人兼首席执行官 Joshua Meier 与罗氏企业业务发展负责人 Boris L. Zaïtra 分别代表两家公司发言。新闻稿没有给出靶点、项目数量或财务条款，只说最新模型 Chai-3 的靶点成功率和结合亲和力都很高，没有给出数字。
为什么重要： 罗氏是今年第七家签约使用 Chai 模型的药企，此前有礼来、辉瑞、诺华、argenx、百时美施贵宝和 GSK。和其他几家一样，新闻稿说的是在多个项目中使用 Chai 的通用设计模型，而不是为指定靶点做分子，所以又一家抗体等蛋白药物的大药企在自家研究之外引入了外部设计模型。
证据与边界： 发布时没有条款、靶点或数字：它说明罗氏开始使用 Chai 的模型，不说明 Chai 的设计在罗氏项目中有效。Chai-3 的成功率是公司自己的描述。
合作 Chai Discovery release ↗ 在时间线上 →
11 月 5 日 Ginkgo Bioworks 报告首次向大型药企出售自主实验室：买方是诺和诺德，建在其沃尔瑟姆新研发基地 发生了什么： Ginkgo 在三季报中说，它用同一套机器人平台卖两样东西：由自动化推车和 Catalyst 软件组成的实验室系统，买方有诺和诺德、西北太平洋国家实验室、NSF 和 ARPA-H；以及在自家 Nebula 实验室（100 多台推车）代做实验。9 月宣布的诺和诺德实验室是首次卖给大型药企；ARPA-H GIVE 计划下一份最高 1750 万美元的分包合同把推车用于 RNA 药物生产。季度收入 2800 万美元，同比降 6%。
为什么重要： 它说明了谁在为 AI 可以驱动的实验室付钱：药企给自家科学家买机器人，政府项目建共享云实验室，AI 公司购买实验数据。Ginkgo 称 OpenAI 等前沿实验室用它的云实验室生成训练数据，本季度有 22 家客户签约它的药物性质检测服务，其中 20 家是新客户。Ginkgo 联合创始人兼首席执行官 Jason Kelly 说，美国政府已把自主实验室当作国家基础设施。
证据与边界： 数字和客户数都是 Ginkgo 自己给的；诺和诺德实验室的价格和 AI 数据业务的规模都没有公布。一笔销售说明有人需要这类设备，不说明它让诺和诺德的研究变快。
组织 Ginkgo Bioworks (SEC 8-K) ↗ 在时间线上 →
11 月 5 日 安斯泰来签约使用 Iktos 的分子设计软件 Makya 和合成路线规划软件 Spaya 发生了什么： Iktos 宣布，安斯泰来（Astellas Pharma）的研究团队将使用它的两款产品。Makya 只用能买到的砌块和已知反应来生成分子，所以每个设计都附带做出来的办法；Spaya 从目标分子倒推，给出排好序的合成路线（逆合成）。Iktos CEO 兼联合创始人 Yann Gaston-Mathé 说，值得探索的化学空间大多还从来没人合成过。
为什么重要： 这是软件授权，不是药物发现合作：工具由安斯泰来自己的化学家来用；而在 Iktos 今年早些时候与施维雅、皮尔法伯的合作中，是 Iktos 替合作方设计并合成分子。卖点是每个设计都带着合成路线，这一步正是生成出来的分子要接受真实实验室检验的地方。
证据与边界： 消息由 Iktos 发布，安斯泰来没有发表自己的声明。新闻稿中没有金额、期限、使用人数或靶点，所以它说明的是安斯泰来开始用这些工具，而不是用它们做出的设计有效。
合作 Iktos ↗ 在时间线上 →
11 月 5 日 Inductive Bio 的模型在 OpenADMET 盲测中排名第一：预测 750 个化合物对四种药物代谢酶的抑制强度 发生了什么： 开放科学项目 OpenADMET 测量了化合物对四种细胞色素 P450 酶（大多数药物靠它们代谢）的抑制强度，并把 750 个测试化合物的数值保密到 11 月 3 日挑战截止。直接抑制赛道有 271 人参赛，103 个提交进入最终榜单。Inductive 的提交排名第一，紧随其后的一个匿名提交与它同属一档，NVIDIA 的提交排第三。联合创始人为 Josh Haimson 和 Ben Birnbaum 的 Inductive 称，这是它连续第四次夺冠。
为什么重要： 一个药如果抑制这些酶，就可能让同时服用的其他药浓度升到危险水平，所以化学家希望在合成化合物之前就把这个风险标出来。这次是用专门为测试做出、对所有队伍保密的测量来给模型打分，比公开基准更严格。Inductive 的模型用汇集自多家行业伙伴的 ADMET 数据训练，这次在 271 名参赛者中再次排名第一。
证据与边界： 主办方把前两名放在同一档位，统计上无法区分，所以「第一」是并列档位里的名次。Inductive 自己的方法报告说，750 个测试化合物是 75 个训练化合物的近似类似物，比面对全新化学结构的测试容易。它是把预测对照测量数据打分，没有据此推进任何药物项目。
验证与部署 OpenADMET ↗ 在时间线上 →
11 月 5 日 马里兰大学的 PolyGPT 被要求生成像电解质的聚合物后，达到温度目标且互不重复的结构不到不加这一要求时的一半 发生了什么： 马里兰大学的 Tanmay Sarkar Akash 和 Siddhartha Das 报告，其 PolyGPT（3830 万参数、按要求写出聚合物结构的模型）一被要求生成像电解质的聚合物，就重复自己：有效输出中不重复的比例从 99.99% 降到 51.74%。玻璃化温度（聚合物变硬变脆的温度）目标为 246 K 时，再加这一要求，按预测模型估算平均偏差从 26.97 K 略降到 26.07 K；但落在目标 50 K 以内的不重复聚合物，占生成次数的比例从 82.35% 降到 32.31%。
为什么重要： 材料生成模型通常看两点：输出是否有效，离要求的性质有多近。这里在这项误差上略好的设置，留给筛选环节的不重复候选不到一半，训练数据里没有的新结构也更少（占生成次数 19.71% 对 59.90%）。作者想告诉做这类生成模型或比较它们的人：要按每次生成，数出满足全部要求、互不重复且是新的结构有多少。组合要求也会削弱控制：要求含某种化学基团、同时像电解质时，合格输出的平均比例从 94.27% 降到 31.27%。
证据与边界： 所有性质都是预测模型的估算，其中一些预测模型也提供了训练标签，所以达到目标只说明与它们一致；没有任何聚合物被模拟、合成或测量，也没有评估离子电导率。“像电解质”只是指像训练数据里那些锂电解质聚合物。结果来自一次训练，由两位作者自己评估；代码和权重只能向作者索取。
作者 Tanmay Sarkar Akash 、Siddhartha Das
研究 arXiv 2611.07438 ↗ 在时间线上 →
11 月 5 日 中国科大与合肥综合性国家科学中心人工智能研究院团队的 DP-Learner 预测材料的电子哈密顿量，误差比团队此前的 NextHAM 低 33-41% 发生了什么： Shi Yin、Zujian Dai、Xinyang Pan 和何力新 做了 DP-Learner：一个预测材料电子哈密顿量（算能带所依据的矩阵）的 Transformer。它让矩阵的每一块保持原有排布，不像多数保持旋转对称性的模型那样先拆成球张量分量。与团队此前的 NextHAM 相比，两个数据集上的平均误差从 1.417 降到 0.841 meV、从 2.394 降到 1.595 meV，推理时间约为十分之一，GPU 显存不到十分之一。
为什么重要： 密度泛函理论求材料的哈密顿量，要反复执行一个计算量随体系大小三次方增长的步骤；这类模型从便宜的初始猜测出发，直接预测收敛后的结果，大批筛选材料的导电、光学性质时需要的正是这个。除了精度，进步还在成本：每个结构一块 GPU、显存不到 1 GiB，NextHAM 则要把四个子模型分到四块 GPU 上。团队还建了 MP-HAM-110K：取自 Materials Project 的 113,800 个结构，覆盖 68 种元素，是 NextHAM 数据集的六倍，用 DFT 软件 ABACUS 算出。
证据与边界： 所有数字都是作者自己的，只对比了一个基线，即他们自己的 NextHAM，用的是那篇论文的数据集和新数据集（在新数据集上由作者重新训练）；没有和 DeepH 系列等其他哈密顿量模型比较。计时不含构造初始猜测，也没有和直接跑 DFT 对比。新数据集不含自旋轨道耦合和磁性。代码、权重和数据只放在带提取码的匿名评审链接上。论文正在 ICLR 2027 评审中。
作者 Shi Yin 、Zujian Dai 、Xinyang Pan 、Lixin He
研究 arXiv 2611.07695 ↗ 在时间线上 →
11 月 5 日 吴海旭创办的物原科技（TensorWorld）完成 1.05 亿美元种子轮，做物理基础模型 发生了什么： 吴海旭 7 月创办的物原科技（TensorWorld）在 X 上宣布完成 1.05 亿美元种子轮，投资方为凯辉基金、红杉中国、蚂蚁集团、和玉资本、美团、IDG 资本、鼎晖 VGC、星连资本、达晨财智和蔚来资本，未写领投方。吴海旭在清华读博，师从龙明盛，后在 MIT CSAIL 跟随 Wojciech Matusik 做博士后。公布的团队成员还有周俊昇（Uni3D）、Weirui Ye（EfficientZero）和 Wen Zheng。
为什么重要： 吴海旭的研究是从数据里学物理：Transolver 是一个神经网络求解器，预测物理系统在不规则网格上的变化；GeoPT 只用几何数据、不用标注好的仿真结果来预训练这类求解器。物原科技说要在此基础上做一个能预测物体如何运动、相互作用、对动作作出反应的模型。这是一位做科学机器学习的博士后 7 月创办公司，四个月后拿到这个规模的种子轮，出资的既有风投，也有蚂蚁集团、美团和蔚来的基金。
证据与边界： 公司还没有展示任何模型或结果。这轮融资是通过智东西对公司 X 帖子的报道读到的，没有在 X 上直接打开。6 亿美元估值是媒体报道（张通社、The Crane）；量子位 10 月报道公司已完成数轮融资，这次公布没有拆分。
资本 Zhidongxi (Robot Qianzhan) ↗ 在时间线上 →
11 月 4 日 Anthropic 的生物实验室用噬菌体和细菌的蛋白在大肠杆菌里组装出穹顶颗粒，并把其中一个解析到 3.2 埃 发生了什么： 穹顶颗粒（vault）是大而中空的蛋白外壳，真核细胞里普遍存在，没人知道它做什么。团队检索约 150 亿条蛋白序列，在 29 个细菌门和 4 个古菌门找到人类穹顶蛋白的同源蛋白，挑 24 个在大肠杆菌里表达。初筛电镜下 7 个成了穹顶样颗粒，冷冻电镜确认 4 个，其中一个初筛时看成环状。噬菌体的 L05 外壳由 96 个拷贝拼成，解析到 3.2 埃，包裹体积比人类的多约 25%。
为什么重要： 这是从 Anthropic 自己的生物实验室做出的结构生物学结果，不是把设计交出去测；电镜拍摄在 Thermo Fisher 的冷冻电镜中心和伯克利电镜实验室完成。要看的是这个闭环：蛋白的挑选和分析判断由人来定，Claude 检索序列数据库、把每条蛋白序列改写成适配宿主细胞的 DNA、推荐分离用的色谱柱并提出把破碎细胞液直接上柱这条捷径，再跑完冷冻电镜数据处理。分离从约三天压到约 90 分钟，数据处理开始 34 小时后有了第一个完整模型。
证据与边界： 穹顶颗粒到底做什么仍然未知，作者自己说这项工作让问题更复杂。颗粒只在大肠杆菌里做出来，没证明它在原本携带这些蛋白的噬菌体和细菌里也会形成。每个壁拷贝上都有一个未能确认的小分子：辅酶 A 只是密度图上形状相似。技术报告在发布时还没上线 bioRxiv，提速数字是团队自己的估计，没有对照基线，Anthropic 已就此提交临时专利申请。
作者 Januka S. Athukoralage 、Nicholas T. Perry 、Matthew G. Durrant
研究 Anthropic ↗ 在时间线上 →
11 月 4 日 据彭博社报道，Isomorphic Labs 正洽谈融资约 50 亿美元，估值约 500 亿美元 发生了什么： 知情人士告诉彭博社，这家 Alphabet 旗下药物设计公司正寻求约 50 亿美元新资金，估值约 500 亿美元。融资尚未完成，报道没有点名投资方，Isomorphic 未回应置评请求。彭博社 10 月 8 日报道的估值为至少 400 亿、最高 500 亿美元，没有金额。总裁 Max Jaderberg 11 月 2 日在伦敦 Bloomberg Tech 大会上说，公司的工作仍处于临床前阶段；CEO Demis Hassabis 1 月曾说，首批临床试验应在 2026 年底前开始。
为什么重要： 如果按约 50 亿美元完成，这一轮约为 5 月 21 亿美元 B 轮的 2.4 倍，而这家公司的自研药物还没有在人身上试过。投资人将在任何临床结果出来之前，为它的药物设计引擎和药企合作定价；这个规模说明，一家 AI 药物发现公司在首个临床试验之前，现在可能吸引到多少私人资本。
证据与边界： 唯一来源是向彭博社透露消息的未具名人士：Isomorphic 没有确认金额或估值，报道没有点名投资方，这轮融资可能变动或落空。Jaderberg 自己的说法是，工作仍处于临床前阶段。
资本 Bloomberg ↗ 在时间线上 →
11 月 4 日 Axiom Math 把代数几何开放参考书 Stacks Project 整部形式化为一个约 1600 万行的 Lean 库 发生了什么： 哥伦比亚大学的 Johan de Jong 2005 年创立 Stacks Project，数百位数学家把它写到约 7500 页。Axiom Math 用协同的智能体把全书译成 Lean，把每个永久标签对应到相应的形式化声明，并开源发布，附带原文与代码对照阅读的网站。公司说，工作中发现了几十条缺少前提或按原样不成立的陈述，并给出了反例。
为什么重要： Axiom 说，现代代数几何比 Lean 库已经成熟的领域难形式化得多：一个现代证明要依赖一长串交换代数、概形和上同调的结果，而这些此前在 Lean 里没有对应。现在这些基础可以直接导入，人或智能体检查新结果时可以从已验证的定义出发，不必从头搭建；在 AI 写出的证明多到人读不过来时，这一点很要紧。一周前的有限单群分类是一个定理，这次是一个为复用而建的库。
证据与边界： 规模、忠实度和发现的错误都是 Axiom 的说法：每条形式化陈述是否与原文一致，由它自己的智能体审核，辅以对基础定义和重要定理的专项审核，没有报告外部评审。de Jong 10 月 21 日要求不要把 AI 生成的修改提交到项目本身，所以这些修正留在 Axiom 自己的仓库里。
验证与部署 Axiom Math ↗ 在时间线上 →
11 月 4 日 上海交通大学的 AutoDNA 让 AI 智能体操作 20 多种仪器做核酸实验，人只负责补充试剂和维护硬件 发生了什么： Mingyu Wu、Zhaoguo Wang、Chunhai Fan、陈海波 （Haibo Chen）等人在 Nature 发表论文，描述一个从一开始就围绕 AI 智能体建造的实验室。智能体按用户请求规划并执行 DNA 与 RNA 的合成、转录、扩增和测序，调度 20 多种仪器、超过 11000 个步骤。四项测试中，酶法 DNA 合成产率与专家调优的结果相当，并发请求的执行快 3.2 倍，一段文字存进 DNA 后完整读回，还检出并确认了临床检测已发现的 KRAS G13D 癌症突变。
为什么重要： 作者说，现有的自驱动实验室大多在化学和材料领域，用固定流程在少数仪器上追一个目标，AI 只负责其中一步。分子生物学要用很多种仪器、很长的步骤链。如果智能体能规划和调度整个核酸实验室，它就能同时接多个用户的请求，作者称之为“科学即服务”。审稿人之一、北卡罗来纳州立大学的 Milad Abolhasani 对 Nature 新闻记者说，这套系统的突出之处在于自主程度，以及能方便地接入各种设备。
证据与边界： 四项测试都由作者在自己的实验室设定和执行。产率对照的是专家优化过的合成；3.2 倍的提速是并发执行请求带来的，不是单个实验变快。突变检测确认的是一个已知突变，是演示，不是诊断研究。
作者 Mingyu Wu 、Zhaoguo Wang 、Fei Wang 、Chunhai Fan 、Haibo Chen
研究 Nature ↗ 在时间线上 →
11 月 4 日 中国科学技术大学团队的开源 RNA 模型 structRFM 用 2100 万对序列与结构训练，在 CASP 测试中预测 RNA 三维结构与 AlphaFold3 相当 发生了什么： Heqin Zhu、Peng Xiong、S. Kevin Zhou 等中国科学技术大学的研究者在 Nature 发表论文：他们把 RNA 序列和碱基如何配对一起交给语言模型学习，配对信息同时取自多个结构预测工具，以免受单一工具的偏差左右。它的三维版本 Zfold 在 CASP15、CASP16 和 RNA-Puzzles 上与 AlphaFold3 表现相当；模型在二级结构基准上刷新结果，并能推广到新发布的 RNA 家族。数据集、权重和代码均已公开。
为什么重要： RNA 分子的功能取决于它如何折叠，而已解析的 RNA 结构远少于蛋白质，只用序列训练的模型学不到多少折叠信息。把碱基配对放进预训练，是绕开这一短缺的一种办法。2100 万对数据和权重都已公开，其他团队可以重新训练、拿自己的 RNA 来测试，或在它之上继续开发。
证据与边界： 摘要报告的结果都是作者在现有基准上算出的分数，没有报告用新实验检验模型预测的结构。它学习的配对信息本身也是预测的，不是测量的。与 AlphaFold3 相当是论文对三个测试集的总结，不是说超过了它。
作者 Heqin Zhu 、Peng Xiong 、S. Kevin Zhou
研究 Nature ↗ 在时间线上 →
11 月 4 日 UCB 与 Cradle 合作，在部分抗体发现项目中使用 Cradle 的蛋白设计平台，从苗头分子一直到临床前候选 发生了什么： 布鲁塞尔药企 UCB 宣布与 Cradle 达成战略合作，在部分发现项目中使用 Cradle 的 AI 蛋白设计平台，覆盖从苗头分子发现、先导优化到临床前准备的全过程。UCB 的实验结果会回传，用于训练为各项目单独建立的模型。UCB 首席科学官 Alistair Henry 和 Cradle 联合创始人兼首席执行官 Stef van Grieken 分别代表两家公司发言。没有公布财务条款、靶点或项目数量。
为什么重要： 这是 Cradle 今年第四笔药企平台合作，此前有 1 月的拜耳、6 月的灵北和 10 月的 Hansa Biopharma；合作公布的第二天，罗氏与 Chai Discovery 签约。UCB 把它说成自家数字化抗体计划的一部分，与内部抗体发现平台以及技术与研究合作伙伴网络并列：外部设计模型是加进药企自己的抗体研发，而不是取代它。
证据与边界： 公布时没有条款、靶点或项目数量：它说明 UCB 开始使用 Cradle 的平台，不说明 Cradle 设计的抗体在 UCB 项目中表现更好。
合作 UCB press release ↗ 在时间线上 →
11 月 4 日 Speciale Invest 领投 Venomics AI 270 万美元 pre-seed，这家印度科学研究所的衍生公司给印度的动物毒液测序，并把其中的肽拿去筛人体靶点 发生了什么： Venomics AI 2026 年由班加罗尔印度科学研究所教授 Kartik Sunagar 与首席技术官 Vinay Prabhu 创办，本轮融资 270 万美元。Speciale Invest 称自己领投；Inc42 与 BioSpectrum India 称由它与 South Park Commons 联合领投、Operators Studio 参投。公司给毒液测序，在自有实验室测量其中的肽对人体药物靶点的作用，结果汇成 Venom Atlas 数据集，再用它训练基于 ESM 和 AlphaFold 的模型给候选分子排序。
为什么重要： 这是一笔押在难以获得的数据上、而不是押在更大模型上的投资：Speciale 称估计 2000 万条毒液肽中被研究过的不到 0.1%，公开的毒液数据库加起来只有四五万条记录；而印度修订后的《生物多样性法》要求外资控制的主体使用印度生物资源须先获批准。靶点多是离子通道，Speciale 称小分子结合在受体深处，那里各亚型几乎一模一样，所以常打错，而毒液肽作用于外侧，亚型在那里才有分别。
证据与边界： pre-seed 轮，未披露估值和累计融资额；公司也还没有发表任何结果，其管线页面只列靶点、没有数据。Venomics AI 自己的官网把这 270 万美元记在 2026 年 4 月，而 Speciale Invest 宣布此事的文章发于 11 月 4 日，也就是说这轮在公开前几个月就已完成。两家公开说法对谁领投的描述不一致。
资本 Speciale Invest ↗ 在时间线上 →
11 月 4 日 加州大学圣迭戈分校的 RobPicker 在冷冻电子断层图像里挑出小而稀少的蛋白，胜过一场 Kaggle 冷冻电镜竞赛的前几名方法 发生了什么： 这篇《自然·方法》论文由加州大学圣迭戈分校 Pengtao Xie 团队主导，斯坦福的 James Zou 是作者之一。RobPicker 用一小份更干净的标注做指引，纠正训练数据里错标、漏标的颗粒，并给稀少的蛋白种类更高权重。在五个真实冷冻电子断层数据集和 CZII 基准上，它的得分高于 Kaggle 竞赛排名靠前的三种方法；用它挑出的 β-半乳糖苷酶颗粒做平均，得到 5.2 Å 的结构图，用标准答案颗粒是 7.8 Å。
为什么重要： 冷冻电子断层成像能在完整细胞里看蛋白，但要先把每个颗粒找出来，这一步靠的标注，人工做很慢，自动生成又常出错，模型最容易漏掉的正是又小又少的复合物。RobPicker 让实验室只整理一小份更干净的验证集，不必重标全部数据；训练好之后，它在 CZII 测试集上的推理速度约为作者估算的 PyTom 模板匹配的 160 倍。对要处理大量断层图的课题组，人工投入从清理全部训练标注转到整理这一小份数据，其余标注可以带噪。
证据与边界： 所有比较都是作者自己做的，五个数据集里有两个是作者未公开的自有数据；还没有外部团队复现。结构图更清晰只出现在一种蛋白上：甲状腺球蛋白的结构图分辨率相当（8.3 Å 对 8.5 Å）。作者说它没有对不同实验室、不同采集条件之间的差异建模；跨物种测试只用了一种细菌，看的是结构图分辨率，不是对照标注打分。
作者 Youwei Liang 、Ramtin Hosseini 、Pengtao Xie
研究 Nature Methods ↗ 在时间线上 →
11 月 4 日 腾讯混元团队随 Hy4 开源单细胞模型 HyCell 和物理模拟模型 HyPDE 发生了什么： 腾讯混元团队 11 月 2 日发布 HyCell、11 月 4 日（旗舰模型 Hy4 发布当天）发布 HyPDE，权重与代码按 Apache 2.0 开放；Hy4 本身的权重称将“近期”开放。HyCell 有 1610 万参数，把人类细胞的基因计数转成嵌入向量，在七个预训练未用的图谱上得分 0.735，与 2.18 亿参数的 Stack 持平。HyPDE 有 3.23 亿参数，预测模拟的二维物理场，单步预测在 13 个数据集的 9 个上胜过 Walrus。
为什么重要： 单细胞基础模型已长到数亿参数；在腾讯比较的 11 个模型里，HyCell 的体量只有得分最高的 Stack 的十四分之一，得分却与之持平，在一块 GPU 上每秒嵌入约 1500 个细胞，微调成细胞类型注释器只要一到三分钟。HyPDE 用一套权重覆盖从声学到反应扩散的 13 种物理体系。Apache 2.0 许可允许企业在两者之上开发。腾讯称两者是借助 Hy4 和它的科研智能体 Hyra 开发的：按它的说法，一家做通用模型的公司在用自己的智能体给科学家做工具。
证据与边界： 所有分数都是腾讯自己的，对比模型也由其团队重跑；还没有外部团队复现。HyPDE 的测试数据取自它训练所用的 13 个数据集里留出的模拟，其中 4 个输给 Walrus。Hy4 在 TenureTrail（七个学科 123 项任务）上的领先没给分数。幻觉率从 12.95% 降到 7.2%、无依据假设错误从 23.1% 降到 5.6% 都是内部评测；其生物安全评估称它的开放式实验设计能力不及前沿模型。
基础设施 GitHub ↗ 在时间线上 →
11 月 4 日 Edison Scientific 报告：在六个药物靶点上，Kosmos 提出的后续实验有 83% 与 Incyte 评审委员会实际要求的相符 发生了什么： Edison Scientific 与 Incyte 合作做出 Kosmos Target Assessment：Kosmos 的一个专用版本，替评审委员会备齐决定是否推进一个药物靶点前要看的证据材料。Edison 的案例研究（作者 Lydia Auch、Fabian E. Ortega、Angela Yiu）称，它不到一个工作日就能把一个靶点的各类证据评一遍。在六个已有委员会结论的靶点上，它提出的去风险实验 83% 与委员会实际要求的完全或在思路上相符，16% 部分相符，1% 未提出。
为什么重要： 选定靶点就定下了一个药物项目后面的投入。案例研究说，评估材料往往生物学部分扎实，安全性、竞争和管线匹配等部分单薄，补齐要再找专家花上几周到几个月。它的评分标准用 Incyte 自己过去的决策和评审会议记录搭成，文中引了两位具名的 Incyte 计算生物学家谈使用情况。
证据与边界： 这是 Edison 自己做的回顾性研究：六个靶点，委员会的结论事先已知。称 Kosmos 按同一评分标准胜过人工材料，但没有给出分数。一个上午做完“本来要三个月”的工作，是 Incyte 一位总监的话。没有哪个靶点决策被归到这个工具名下。
作者 Lydia Auch 、Fabian E. Ortega 、Angela Yiu
验证与部署 Edison Scientific ↗ 在时间线上 →
11 月 3 日 根特团队测试八个直接从质谱读出肽段序列的 AI 模型：多数错误源于谱图缺少关键碎片，与用哪个模型无关 发生了什么： VIB-根特大学的 Sam van Puyenbroeck、Tim Van Den Bossche 与 Tine Claeys 等人在三个公开蛋白质组数据集上运行八个不查数据库、直接从质谱读序列的深度学习模型（包括 Casanovo、InstaNovo 和 π-PrimeNovo），以数据库检索的鉴定为标准答案。在 Orbitrap 数据集上，64.2% 的谱图至少被一个模型读对，单个最好 50.4%；后处理工具几乎无益。多数错误与模型无关，根源是谱图缺少碎片离子；各模型给出的错误答案本身很少一致。
为什么重要： 这类模型是蛋白质组学找出数据库里没有的肽段的办法。错误若出在谱图缺了什么而不在模型，单靠更好的模型结构修不好；作者转而指向碎片之外的信息（如保留时间和离子淌度），以及在实验里改进碎裂方式。
证据与边界： 标准答案来自数据库检索，所以只测了数据库已有的肽段。模型用 Orbitrap 谱图训练，换到 timsTOF 数据上表现急剧下降。
作者 Sam van Puyenbroeck 、Tine Claeys
验证与部署 Nature Methods ↗ 在时间线上 →
11 月 3 日 Entegris 收购一家金刚石磨料厂商，并与戴比尔斯旗下 Element Six 合作，做给堆叠 AI 芯片散热的材料 发生了什么： 为芯片工厂供应化学品和材料的 Entegris 已完成收购 Advanced Abrasives，这家新泽西公司生产用于抛光硬质衬底的金刚石耗材；Entegris 还与戴比尔斯集团旗下的合成金刚石厂商 Element Six 签下长期开发合作。目标是用碳化硅和金刚石材料，把热量从 3D 封装里堆叠的逻辑和存储芯片中导出。Entegris 计划在台湾建一条生产线，下一代热界面材料的研究留在美国。未披露收购价格。
为什么重要： 为 AI 堆叠芯片，会在更小的空间里产生更多热量，而芯片和散热器之间的各层材料决定了热能导出多少。所以一家材料供应商现在花钱研究跨层导热：用哪种碳化硅和金刚石层、怎么抛光并集成进封装，以及怎样降低两种材料交界处的热阻。这些是材料和工艺问题，正是 AI 材料研究想回答的那类问题，而且有了买家。
证据与边界： 公告没有给出价格、产能、客户或性能数字，也没有提到在这项工作中使用 AI。Entegris 11 月 9 日的资本市场日也没有给出这些数字：幻灯片把热界面与衬底材料列为先进封装带来的新增市场。
组织 Entegris (Business Wire) ↗ 在时间线上 →
11 月 3 日 Google DeepMind 为 Antigravity 加入基于 RDKit 的化学信息学技能，并演示智能体改造一款肺癌药 发生了什么： Zoi Tsangalidou、Ruijie (Kelly) Zhang、Sukhdeep Singh 和 Michael V. LeVine 的博文发布了 Antigravity 的化学信息学技能，通过 Science 插件安装，接入 ChEMBL 和 PubChem。演示中，智能体从文献里取出与克唑替尼、劳拉替尼相关的数千个化合物，比较只差一个闭环的分子对（匹配分子对分析），训练活性预测模型，再提出闭环后的新设计和合成路线，用时约一小时。
为什么重要： 它把活分开：语言模型负责选步骤、读文献、讲化学道理，以开源工具包 RDKit 为基础的确定性化学代码负责分子计算，所以分子的性质来自成熟的代码，而不是模型的猜测。对药物化学家来说，收集数据、做分子对分析、建第一个模型这些事，博文说过去每轮要好几天，现在放进了一次会话。
证据与边界： 博文没有给出模型分数、设计数量，也没有检验任何一个设计；作者自己说每个设计都只是假设，要合成并测量。一小时和好几天的对比是团队自己的说法，来自一个历史早已清楚的药物对上的演示。
作者 Zoi Tsangalidou 、Ruijie (Kelly) Zhang 、Sukhdeep Singh 、Michael V. LeVine
基础设施 Google DeepMind ↗ 在时间线上 →
11 月 3 日 科理新序把蛋白结构写成 8192 个离散符号，报告其语言模型在蛋白-蛋白任务上高于 AlphaFold 3 的已发表分数 发生了什么： 公司的研究笔记和预印本给每个残基、配体原子和离子分配一个符号，词表共 8192 个，编码器训练时看到整个复合物，符号里因此带着该残基接触到什么。已知结构解码回坐标，CASP15 全原子 lDDT 为 0.835。AtomLM-9b 基于 Qwen3.5-9B，用 64 块 H100 训练一周，只从序列和化学连接预测符号。FoldBench 上蛋白-蛋白界面成功率 75.01%，对照 AlphaFold 3 已发表的 72.93%；蛋白-配体 67.45% 对 64.90%；蛋白单体上 AlphaFold 3 更高。
为什么重要： 今天的结构预测跑在专门为几何建的模型上，想把结构和文本、推理放进同一个系统的实验室，只能把两个模型拼起来。如果几何能写成语言模型像预测词一样预测的符号，结构就变成同一个模型顺手做的一件事，而公司自己的科学基座模型正是朝这个方向走。被开放出来的是分词器，而且是要从零训练的代码，不是训练好的模型。
证据与边界： AlphaFold 3 的数字取自 FoldBench 论文，不是在这里重跑的，两个模型各用自己的推理配置，所以这是与已发表参考值的比较。抗体-抗原和蛋白-DNA 界面上 AlphaFold 3 也更高，前者 47.90% 对 44.00%。AtomLM-9b 的数字全部来自公司内部评测，未经同行评审。每个结构是用公司自己的置信模型从 25 个候选里挑出来的；只取一个候选时，蛋白-配体成功率 62.10%。开放的只有分词器代码，不含权重。
作者 Jiaxian Yan 、Zaixi Zhang
研究 Scinetics ↗ 在时间线上 →
11 月 3 日 OpenAI 称 GPT-6 Astra 设计了一台小设备的外壳、电路板和固件，并由代工厂做出样机 发生了什么： OpenAI 称，两名员工以业余项目的方式，让 GPT-6 Astra 为一台与 Codex 对话的小设备定需求，并设计外壳、电路板和固件，用时不到一周，目标是人不做直接修改；代工厂一个月内做出样机。同一篇文章还称，一个内部模型在 OpenAI 自己的 BenchCAD 2.0（重建三维零件、读电路板）上得 0.875，Astra 为 0.594，并宣布与马自达开展研究合作。
为什么重要： 出图、仿真和零件设计占了工程团队大量工时，OpenAI 正拿这类工作训练模型，并邀请工程公司和软件商带来真实问题。马自达的空气动力学和碰撞安全工程师将用模型在仿真中探索车身形状；Chip Ganassi Racing 在试把零件的三维扫描转成可编辑的 CAD 模型和生产图纸。
证据与边界： 全部是 OpenAI 自己的说法。BenchCAD 2.0 是内部测试，题目未公开，得分更高的模型没有名字。OpenAI 说 Astra 没有一贯顾及代工厂的工艺限制、公差和装配细节，量产前还经过几轮审核。马自达的结果说是未来几个月公布。
研究 OpenAI ↗ 在时间线上 →
11 月 3 日 北京大学的 FoldScape 按指定的折叠阶段生成蛋白构象，覆盖的折叠路径比换随机种子运行的 AlphaFold 3 宽约一个数量级 发生了什么： 北京大学 Lisheng Zhang、Zhengwei Xie 等人用约 1 万个蛋白、约 100 万个模拟构象训练 FoldScape：给定序列和折叠程度 Q（已形成的天然接触比例），它生成处在这一阶段的骨架构象。在 20 个 36 到 857 个残基的人类蛋白上，两种方法各取 100 个结构，FoldScape 覆盖两种方法合计所及 Q 范围的中位数是 72%，换 20 个随机种子运行的 AlphaFold 3 是 5%，20 个蛋白方向一致。
为什么重要： 做药和做蛋白设计的人想知道的不只是蛋白最终折成什么样，还有它怎么动：一个短暂打开的口袋，一个会聚集的半折叠状态。AlphaFold 3 不管换什么种子给出的都是接近天然态的构象，其作者也说换种子并不是为了采样溶液中的构象系综。FoldScape 把折叠阶段当作输入，一个团队可以直接要未折叠和已折叠之间的构象，不必为每个蛋白重新跑一次分子动力学模拟。
证据与边界： 覆盖度衡量的是分布有多宽，不是每个构象对不对，且一部分来自用户设定的条件值。沿折叠路径的精度在未注明为留出的链上展示；20 个测试蛋白没有查与训练集的相似性；对照只有换种子的 AlphaFold 3，没有比 BioEmu 这类系综生成模型。折叠路径来自快速的模拟拉伸，没有实验室测量。
作者 Lisheng Zhang 、Zhengwei Xie
研究 arXiv 2611.04287 ↗ 在时间线上 →
11 月 2 日 10x Genomics 发布 Sentira Single Cell：基于 Claude 的智能体，按研究者用自然语言提出的问题分析 Chromium 单细胞数据 发生了什么： 生产 Chromium 单细胞测序仪的 10x Genomics 在 10x Cloud 上推出 Sentira Single Cell。研究者提出问题，或让智能体从数据中提出一个；智能体先拟出分析计划交研究者审阅，再写代码、运行，并把方法和代码存进可编辑的笔记本。底层用的是 Anthropic 的 Claude 模型。按点数收费，10x 对 GEN 说一次完整分析约需 60 点。
为什么重要： 单细胞实验常卡在分析：每个实验室的问题都要写自己的代码，而许多产出数据的生物学家不会写。把智能体放进仪器厂商自己的云平台，目的是让 Chromium 用户不靠生物信息学家也能做这一步。10x 首席技术官 Michael Schnall-Levin 对 GEN 说，过去要几周的分析可能几小时就能完成。它扩展了 10x 在 9 月底公布的 Sentira 平台，其空间组学版本还在早期试用。
证据与边界： 发布没有拿智能体的分析去和生物信息学家的分析对比，“几周变几小时”是公司的估计。Schnall-Levin 对 GEN 说，智能体并不完美，结果写进论文前仍需人审核。
基础设施 10x Genomics ↗ 在时间线上 →
11 月 2 日 MIT Hardness Group 把 ETH 当作已被推翻，把下界改建在 1990 年的可满足性假设上，并证明它与 Weak ETH 等价 发生了什么： Erik Demaine 等七位作者以 MIT Hardness Group 名义指出，OpenAI 与 Anthropic 的算法推翻了 ETH，却与 Richard Stearns 和 Harry Hunt 1990 年提出的可满足性假设（SH）相容。他们证明 SH 与 Weak ETH 等价（后者排除 2^(n^(1−ε)) 时间的 3-SAT 算法），并给出一个框架：多数基于 ETH 的下界在 SH 下仍成立，指数只损失任意小的常数。
为什么重要： 几十年的条件下界都建在 ETH 上。论文说，若反驳成立，其中多数换个假设就能保住，只损失一点，不必作废；作者特意拿它对照 WIRED 说这些研究「无关紧要」的标题。这篇论文和它引用的 Michael Lampis、加州大学圣迭戈分校 ETH Group 的笔记一样，在外部还没人确认之前，已经按主张为真往下做了。
证据与边界： 论文假定反驳成立，并不检验它。结果是人写的证明，载于未经评审的预印本；作者说写作时用了 OpenAI 的 GPT 6.1 Sol 帮忙。
作者 Josh Brunner 、Erik D. Demaine
研究 arXiv 2611.02650 ↗ 在时间线上 →
11 月 2 日 约翰斯·霍普金斯大学团队发现：训练数据里只出现一次的事实越多，语言模型猜中的、从未见过的材料就越多 发生了什么： 约翰斯·霍普金斯大学的 Arda Uzunoglu、Eric Nalisnick 等人与 Apple 的 Mehrdad Farajtabar 合作，把解释模型为何产生幻觉的理论推广到发现：两者都来自训练中只见过一次的事实。他们微调 gpt-oss-20b 和 gemma-3-12b，把训练集里这类事实的比例从 0 设到 100%。一项是给出具备指定性质的化学式，以 Materials Project 2025 年 9 月快照里的新材料评分；另一项是改写 DNA 序列以达到目标活性。两项中完全命中率都随之稳步上升。
为什么重要： 它指出，训练数据怎样采样，而不只是模型规模或推理量，会影响科学模型提出既正确又新颖的结果有多频繁。同样的样本多训练几遍（多样性不变），趋势就消失了，所以单靠多样性解释不了；加大推理提高了命中率，但不改变趋势。这个杠杆也会增加错误答案：在与训练同分布的留出数据上，发现和幻觉一起上升。
证据与边界： 这里的发现是在软件里精确复原一个按时间或随机留出的已知答案，没有合成或测量任何东西。只用了两个小型开源模型和两项任务；作者说理论界依赖的参数很难估计。这是未经同行评审的预印本。
作者 Arda Uzunoglu 、Eric Nalisnick
研究 arXiv 2611.03617 ↗ 在时间线上 →
11 月 2 日 南洋理工大学让 AI 智能体重做 59 项已发表的计算量子科学结果，Claude Code 搭配 Opus 5.5 复现了约 93% 发生了什么： 南洋理工大学的 Yuxuan Du 、Dacheng Tao 等人把 60 项已发表的量子模拟、量子算法和量子测量研究做成任务：根据论文重建方法，复现其中一个结果。把智能体的尝试与公开代码对照，再由专家确认，发现 60 项中有 18 项有问题，从缺少细节到一项论文与代码无法对上，后者被剔除。在其余 59 项上，Claude Code 搭配 Opus 5.5 成功约 93%；六个第三方智能体框架为 19% 到 48%。
为什么重要： 它把智能体复现不了已发表科学的两个原因分开了：一是智能体，二是论文本身。论文和代码之间的缺口补上以后，最强的系统能复现大部分结果，而花更多推理成本并不一定换来更高的成功率。作者自己的智能体把经专家核实的修正存起来再用，让低成本的 DeepSeek V4.1 Flash 从 68% 提到 85%。
证据与边界： 这些都是在软件里重跑、再对照各篇论文评判的计算结果，没有在量子硬件上测量任何东西。60 项研究由作者挑选，用来比较的智能体也是作者自己做的；它存下的修正来自 59 项中的 5 项，85% 也把这 5 项算在内。只涉及一个领域，且是未经同行评审的预印本。
作者 Yuxuan Du 、Hanqing Zhao 、Dacheng Tao
研究 arXiv 2611.02833 ↗ 在时间线上 →
11 月 2 日 深度原理发布开放权重的科研模型 Hydrogen-1.0：在 GLM-5.3 上后训练，7530 亿参数，面向化学、材料与生命科学 发生了什么： 深度原理是开发科研智能体 Mira 的杭州公司。它在智谱 Z.ai 的开放模型 GLM-5.3 上继续训练，用的是化学、材料和生命科学数据、自家科学家的反馈、自家电子实验记录，以及自家材料搜索的逐步记录，失败的尝试也在内。权重以 MIT 许可证放在 Hugging Face 上，需登记后下载。在公司自己的测试中，它在 FrontierScience-Research 基准上超过 GPT-6 Astra，在三项内部研究任务中有两项领先。
为什么重要： 今年前沿实验室报告的发现成果都来自闭源模型；这个模型可以下载、检查和改造，而且训练用的是一个实验室的研究决策最后怎样，不只是已发表的知识。最接近发现的一项测试是搜索：五轮挑选新的金属配合物，每轮只看到自己所选的结果，模型找到的最大能隙平均达到 4.318 eV，GPT-6 Astra 为 3.689，Kimi-K3 为 3.353。
证据与边界： 所有分数都是公司自己测的，基准由它挑选，内部任务由它编写，公开基准的数字只出现在图里。文中报告的配合物搜索只是评估，没有提到在实验室里做出任何配合物，也只涉及一种性质。在根据核磁谱图判定结构上，GPT-6 Astra 仍领先 3.33 个百分点。
基础设施 Deep Principle blog ↗ 在时间线上 →
11 月 2 日 UCL 衍生公司 Octopath AI 获 Twin Path Ventures 领投的 100 万英镑种子轮，另有配套的 50 万英镑 Innovate UK 资助 发生了什么： Octopath AI 于 11 月 2 日获得 150 万英镑：Twin Path Ventures 领投的种子轮，加上由此配套解锁的 50 万英镑 Innovate UK 资助，用于临床评估和监管审批。它的模型逐个细胞读取常规癌症切片，Kraken 读 H&E 染色，Nemo 读免疫组化，训练数据覆盖 14 种癌症、超过 1400 万个标注细胞。创始人是首席执行官 Esther Bär 、首席科学官 Zhuoyan Shen 和首席技术官 Charles-Antoine Collins-Fekete ，都来自 UCL 医学物理系。
为什么重要： 病理是癌症诊疗的瓶颈：公告引用的数据是，2026 年 5 月英格兰有超过 5.5 万人等待确诊的时间超过 NHS 四周标准，只有 3% 的组织病理科表示人手够用。Octopath 卖的是从医院本来就会做的切片上取出的计数和评分，客户包括检验科、做临床试验的药企和合同研究组织。Twin Path Ventures 也投了 11 月 5 日结束隐身的剑桥量子化学初创公司 Potential Sciences。
证据与边界： 数字以及在五个站点部署（其中伦敦大学学院医院每天约 200 张切片）都是公司自己的说法；官网标明产品仅供研究使用，不用于诊断。私人种子轮金额是 150 万英镑总额减去 50 万英镑资助；估值和交割日期未披露。
资本 Startupmag ↗ 在时间线上 →
11 月 2 日 Isomorphic 总裁 Max Jaderberg 称公司不卖模型访问，收入来自药企合作，自研药物由自己出资 发生了什么： 据 R&D World 报道，Isomorphic Labs 总裁 Max Jaderberg 11 月 2 日在伦敦 Bloomberg Tech 上说，公司不卖模型访问、token 或 API，并称其肿瘤、免疫与炎症方向的自有项目处于「临床前深入阶段」。据路透社报道，Isomorphic CEO Demis Hassabis 今年 1 月在达沃斯说，公司预计 2026 年底前开始首批临床试验；R&D World 算出离这一目标还剩约八周。Jaderberg 还预言，最终所有药物都会由 AI 设计。
为什么重要： Jaderberg 讲了 Isomorphic 怎么赚钱：合作药企带来生物学问题和药物设想，这类合作可带来首付款、里程碑款和销售提成；自研项目从发现到临床都由 Isomorphic 自己出钱。彭博社 11 月 4 日报道，它正以约 500 亿美元估值洽谈约 50 亿美元融资，而它自己的分子还没有一个在人身上测试过。
证据与边界： Jaderberg 的话据 R&D World 对 Bloomberg Tech 的报道。年底目标是 Hassabis 1 月的说法，经路透社报道，“还剩约八周”是 R&D World 自己算的；Jaderberg 没有给出新日期，也没有点名任何项目或靶点。“AI 将设计所有药物”是没有时间表的预言。
组织 R&D World ↗ 在时间线上 →
11 月 2 日 Recursion 报告 REC-4881：15 名遗传性息肉病患者用药 12 周后息肉负担中位下降 47%，停药 12 周后 13 人中 11 人仍低于基线 发生了什么： Recursion 公布了 REC-4881 治疗家族性腺瘤性息肉病（FAP，一种让肠道长满癌前息肉的遗传病）的开放标签 1b/2 期试验 TUPELO 的新数据，由梅奥诊所的 Lisa Boardman 在 CGA-IGC 年会上报告。每天 4 毫克用药 12 周后，15 名成人中 13 人息肉负担下降；上消化道 13 人中 12 人好转，2 人降幅超 98%。8 名有 5 毫米以上息肉的患者中 6 人减少。26 人中 4 人出现药物相关的 3 级不良反应，无更高级别。
为什么重要： FAP 没有获批药物，患者靠反复内镜和手术处理，Recursion 自己估计市场规模为 150 亿美元。公司称，用它的 AI 基础模型做的表型筛选发现，抑制 MEK1/2 可能逆转失去 APC 基因（FAP 的病因）对细胞的影响，所以这项试验检验的是：平台在细胞里发现的关联在患者身上是否成立。公司计划在 2027 年下半年启动注册性试验，前提是与 FDA 的讨论有结果，试验设计还没有公布。
证据与边界： 这是单臂试验，可评估患者 15 人，信息只来自公司的新闻稿，会议报告本身没有读到。作为参照，Recursion 引用了阿姆斯特丹的一份登记数据：47 名匹配的未治疗患者息肉负担上升，但这不是对照组。停药后的随访只有 12 周，4 名患者因不良反应停药。息肉减少还不等于手术或癌症减少。新闻稿把发现这一机制归功于平台，没有说分子是平台设计的。
验证与部署 Recursion release (SEC exhibit) ↗ 在时间线上 →
11 月 1 日 Joseph Shunia 与 GPT-6 Astra 做出一个确定性素性检验，所依赖的定理是对 OpenAI 自家无零区结果的推广 发生了什么： Joseph Shunia 的检验只靠一个主同余式 (1+X)ⁿ = 1+Xⁿ（在分圆商环中）判定素数，对 L 位的数需要 L³² 次位运算。选参数要用 D. Cureton 与 J. Thorner 的定理：任何 Dedekind zeta 函数在实部大于 31/32 处都没有零点；它推广了 OpenAI 10 月 4 日关于 Hecke L 函数的无零区定理，并借 AxiomProver 在 Lean 中检查过。论文写明证明由 GPT-6 Astra 推导并写成，Shunia 提供附带猜想的检验、笔记和方向。
为什么重要： OpenAI 的定理先由 D. Cureton 与 J. Thorner 推广，再借另一家公司的证明器在 Lean 中检查，然后被 GPT-6 Astra 拿去构造算法。AI 产出的结果在这里成了新工作的输入，隔了两步，而不只是被检查或改写的对象。
证据与边界： 它并不更快：Lenstra 与 Pomerance 的无条件检验已经是 L⁶，这个检验要有更强的无零区界或 GRH 才能到 L⁶。论文本身的证明由模型写成，未见外部检查；Lean 检查只覆盖它所依赖的 Cureton 与 Thorner 定理。
作者 Joseph M. Shunia
研究 arXiv 2611.02280 ↗ 在时间线上 →
