筛完一周 307 篇 AI for Science 论文：真正的考验在没见过的数据
bravo_abad · x · 2026-10-28
Discovery at Scale 最新一期筛出 10 月 21–27 日 7 天内 307 篇 AI-for-science 同行评审论文（精读 14 篇、引用 27 篇），只问一个问题：当数据超出训练分布时，模型还灵吗？
本周多篇最有价值的论文都在检验分布外表现：一个材料学团队把所有含氟化合物从训练集中剔除，发现不确定性驱动的搜索并不比随机挑选更好；一个冰川模型在从未见过的冰川上打分；一个在野生型 B 细胞上训练的单细胞模型被要求预测突变体，再用小鼠杂交实验验证其建议。
作者的核心结论：多数科学 ML 论文报告的数字来自与训练数据相似的数据；决定性的设计选择在于把测试集放在哪里。建议建模型时先想清楚你的科学主张依赖哪种分布偏移，再把这个偏移本身做成测试。
「研究」频道最新
- Eric Topol 分享免疫组学论文：多组学数据+AI 预测免疫健康衰老 — EricTopol · 2026-10-28
- Google Research 提出睡眠框架：让 LLM 持续学习、知识保留达 1000 万 token — behrouz_ali · 2026-10-28
- CATCH 对抗训练：仅约 200 例样本让 LLM 学会可迁移的诚实行为 — irinarish · 2026-10-28
- Andrew Critch 公开个人置信度:P≠NP 仅 80%,黎曼假设 60% — AndrewCritchPhD · 2026-10-28
- 印度 AI 疫苗创企 PopVax 获 Vitalik 2000 万美元资助，广谱新冠疫苗进入人体试验 — chaitjo · 2026-10-28
- Cognition 发布 FrontierCode 2.0：用模糊需求考 AI 的工程判断力 — DevinAI · 2026-10-28