
五月的第二周结束啦!
一起来回顾一下
这一周的日签知识吧!

5月4日
(点击图片即可放大查看详细信息)
AI协助把药品送到更需要的人手里
对于很多发展中国家,除了医疗资源不足,还有资源合理分配的问题,比如如何把药品发给最需要的人。《Nature》4月29日的一篇文章将机器学习用于塞拉利昂的基础药品分配:系统根据有限数据和实际约束,辅助政府决定药品该送往哪些地区。结果发现成效显著:试点地区相关药品消费量提高约 19%。目前,该系统已经扩展到全国,覆盖约 200 万名妇女和 5 岁以下儿童。
资料来源:https://www.nature.com/articles/s41586-026-10433-7
参考文献:Chung, A.TH., Abdulai, J., Bayoh, P. et al. Improving access to essential medicines via decision-aware machine learning. Nature (2026).

5月5日
(点击图片即可放大查看详细信息)
AI生成网络内容已经超过人类
5月5日,《自然》新闻频道报告了一则消息:对 5.5 万个新发布网页的分析显示,截至 3 月底,被判定为 AI 生成的网页文章数量已经多于人类写作的网页文章。这意味着我们平时读的大部分文章都是AI生成的。当然,AI生成的文章未必是低质的,但也提醒我们,对接触到的信息要保持审慎与怀疑,不可轻信。
资料来源:https://www.nature.com/articles/d41586-025-03504-8
https://graphite.io/five-percent/more-articles-are-now-created-by-ai-than-humans
参考文献:Miryam Naddaf, How much of the scientific literature is generated by AI? Nature, 2026.5.5

5月6日
(点击图片即可放大查看详细信息)
AI直接推演原子运动
传统结构分子动力学模拟非常耗时,很难扩展到大尺度。5月5日《自然·机器智能》上的一篇文章提出了一种新方法:用等变神经网络直接预测一段时间后的原子位置和速度,相当于让 AI 学会了“物理系统会怎样演化”。在约 4,300 个原子的石英系统里,该方法每天能生成近 20 ns 轨迹,而传统方法在 1,000 个原子上只能预测 1 ns。更有意思的是,即便只用常温液态水的数据来训练,模型也能模拟水从 300 K 冷却到 180 K 的玻璃化过程。
资料来源:https://www.nature.com/articles/s42256-026-01227-7
参考文献:Thiemann, F.L., Reschützegger, T., Esposito, M. et al. Force-free molecular dynamics through autoregressive equivariant networks. Nat Mach Intell (2026).

5月7日
(点击图片即可放大查看详细信息)
AI Co-Mathematician: 数学家有了强大的工作伙伴
5月7日,Google DeepMind 推出了一款被称为 AI Co-Mathematician的AI工具,可以和数学家一起工作。这款新工具是基于Gemini上的多智能体平台,可以和用户一起讨论想法,查找文献,编写代码,求解验证。在一个称为FrontierMath Tier 4的测试集上,AI Co-Mathematician 解出了23/48 题,而基础Gemini 3.1 Pro只解出了9道。未来,AI的强大也许更取决于多个大脑互相配合而产生的群体能力。
资料来源:https://arxiv.org/pdf/2605.06651
参考文献:D Zheng et al., AI Co-Mathematician: Accelerating Mathematicians with Agentic AI, 2026.5.7

5月8日
(点击图片即可放大查看详细信息)
随机噪声预热让神经网络学会“我不知道”
神经网络经常出现对错误输出过度自信的问题。近日,《自然·机器智能》杂志的一篇文章发现,这可能来源于网络在初始化时的置信度错配,而这种错配很难通过后续训练来纠正。为此,作者提出了一个很反直觉的办法:用随机噪声和随机标签对网络“热身”,去除虚高的置信度,从而让模型回到“我不知道”的初始状态。经过这一“预热”后,模型过度自信的问题果然得到了缓解。
资料来源:https://www.nature.com/articles/s42256-026-01215-x
资源链接:Cheon, J., Paik, SB. Brain-inspired warm-up training with random noise for uncertainty calibration. Nat Mach Intell 8, 602–613 (2026).

5月9日
(点击图片即可放大查看详细信息)
AI检测金钢石缺陷
人工智能在工业制造中有广泛应用。5月9日,《科学报告》杂志报告了一个可以嵌在手持设备里的AI模型FAS-YOLO,专门用于激光切割金刚石缺陷检测。它把频域卷积、自适应下采样和注意力机制放进YOLO框架里,让模型更关注裂纹、烧蚀等缺陷,同时降低参数量、算力和体积。实验中,FAS-YOLO得到92%的精度和80%的召回率。
资料来源:https://www.nature.com/articles/s41598-026-51745-y
参考文献:Zhu, A., Jiang, Q., Guo, H. et al. Research on a lightweight model for laser-cut diamond defect detection based on multi-module collaborative optimization. Sci Rep (2026).

5月10日
(点击图片即可放大查看详细信息)
DeepMind 新方法让训练更“分散”
AI把眼睛变成健康窗口
你相信一张眼底照片就可以知道你的健康状态吗?4月28日发表在《Nature Medicine》上的一项工作就做到了这一点。作者使用 10.7万张彩色眼底照片训练神经网络模型,可以同时筛查 2型糖尿病、痛风、骨质疏松、高血压、高脂血症和甲状腺疾病,从拍照到生成报告平均只需 30秒。看来,眼睛不只是心灵的窗口,也是健康的窗口。
资料来源:https://www.nature.com/articles/s41591-026-04359-w
参考文献:Zhang, X., Li, Q., Liang, Y. et al. AI framework for multidisease detection via retinal imaging. Nat Med (2026).
夜雨聆风