UCL 发布大发现模型 LDM：用大模型自动设计科学实验
机器之心 · wechat · 2026-08-30
伦敦大学学院汪军团队发布“大发现模型”（LDM），旨在解决科学发现中“如何设计下一个实验”的核心难题。LDM 结合了生成式基础模型与高斯过程（GP）奖励模型，在 Auto-Research、抗体设计和小分子优化任务中表现出色。
核心架构：快慢双闭环
- 快闭环：LLM 根据历史生成开放式候选（如代码、序列），GP 基于实验反馈评估价值（探索 vs 利用），通过采集函数选出最佳实验方案。
- 慢闭环：将高价值的搜索策略蒸馏进模型参数，使模型学会“如何基于经验提出新设计”，具备跨任务迁移的元能力。
关键概念：Discovery（发现）
- 传统优化关注“利用”（已知区域找最优）和“探索”（已知区域找信息）。
- LDM 强调“发现”：当现有搜索饱和时，模型需改变表示，将全新的机制或结构纳入搜索空间。
实验效果
- Auto-Research：引入 Muon 优化器等新机制，BPB 降幅是纯大模型反思的 2.4 倍，B200 硬件下达到 0.902291。
- 抗体设计：在 20^11 序列空间中，结合能平均降低 18.2%。
- 小分子设计：Pareto 超体积比纯 LLM 和贝叶斯优化提升约 60%。
跨任务泛化
- 仅用代码和分子数据微调的模型，在未见过的抗体任务上 4/5 接近或超过有监督模型，证明学到了通用的研究决策策略。
「研究」频道最新
- NeurIPS 2026 资源感知 Agent 研讨会征稿截止 — lupantech · 2026-09-01
- 英伟达推出 ADEPT：机器人仿零样本迁移现实 — dr_alphalyrae · 2026-09-01
- 讨论拟人化描述 AI 的利弊与隐喻价值 — AndrewLampinen · 2026-09-01
- UCLA 张恺伟分享 AI for Math 进展与经验 — kaiwei_chang · 2026-09-01
- Fal H3 Max 实现超实时无限视频生成，Agent 基础设施快速迭代 — Latent Space · 2026-09-01
- M1 Max 30秒生成新药分子，LiteMol模型演示低成本药物发现 — CatAstro_Piyush · 2026-09-01