AI病理新突破：泛癌模型实现33类肿瘤淋巴转移精准识别
AI病理新突破：泛癌模型实现33类肿瘤淋巴转移精准识别发表刊物：The Lancet Digital Health（柳叶刀子刊，IF=24.1，中科院1区）上线日期：2026年3月5日（在线首发）研究团队：Wu S, Hong G, Wang Y, Zeng H, Lin Z, Yang J, Chen J, Chen H, 等；通讯作者：林天歆教授（中山大学孙逸仙纪念医院）DOI：10.1016/j.landig.2025.100961PMID：41792018临床注册号：NCT06517979一、研究
提示词工程：让AI输出稳定可复用
AI 应用基础系列｜提示词工程很多人初次使用 AI，常把它当作一个问答工具：想到什么就问，能答就继续，答得不好就换说法。这种随意提问能应付临时需求，但若想将 AI 融入工作流程，仅靠“乱问”远远不够。因为同一任务，提示词稍作调整，输出的质量、格式与稳定性就可能大相径庭。提示词工程的目标，正是如何更清晰、稳定且可复用地向模型传达任务。TEXT大模型并非传统搜索框，也不是执行固定指令的程序。它依赖输入的指令、上下文、示例与输出要求来生成结果。若输入模糊，模型会自行补全背景；若无格式约束，它可能输出易读但难接入
AI论文精选：可重复性、机器人优化与健康评估新进展
1. 利用GitHub问题提升可重复性审计：ReproRepo通过标准化流程实现规模化验证 原文标题: ReproRepo: Scaling Reproducibility Audits with GitHub Repository Issues 发布时间: 2026-06-16 论文链接:http://arxiv.org/abs/2606.18237v1 复现研究结果的论文与代码发布是科学进步的核心环节。现有工作已构建基准测试来评估大语言模型代理在可重复性审计中的作用，但存在数据标注和人工评估成本过高、
2026_Science_人工智能驱动蛋白质工程变革
文章题目：How artificial intelligence is reengineering protein engineering (人工智能如何重塑蛋白质工程) 文章 DOI 号：10.1126/science.aec8444 期刊名称：Science 通讯作者：Jennifer Listgarten 通讯作者工作单位：加州大学伯克利分校电气工程与计算机科学系 (Department of Electrical Engineering and Computer Science, UC Berke
AI 重构蛋白质工程格局：Science 深度解析
本篇 Science 综述聚焦人工智能如何介入并革新蛋白质工程领域。文章并未将 AI 单纯视为一种新工具，而是将其置于蛋白质工程数十年来的核心挑战中：如何在浩瀚的蛋白质序列与结构空间内，精准寻得具备目标特性的蛋白。作者首先梳理了前 AI 时代的两大路径：定向进化与计算蛋白设计。前者依靠突变、筛选及实验测定，能直接针对目标特性优化，但受限于通量、耗时与成本；后者基于物理启发的能量函数与结构建模，搜索范围更广、效率更高，却难以用单一能量函数涵盖表达、稳定性、催化活性及动态构象等复杂属性。综述的核心观点是将 A
上海AI团队发布SIM1仿真器，柔性物体零样本操控突破90%成功率
在机器人技术领域，教会机器处理柔软物品——例如折叠T恤或整理毛巾——始终是一项棘手挑战。相较于坚硬的刚体，可变形物体的形态会随动作而变化，接触关系异常复杂。尽管当前的视觉语言动作模型（VLA）已在刚性物体操作中表现出色，但面对“软物”挑战时，常因缺少优质训练数据而表现不佳。近日，上海AI实验室联合复旦、上海交大及北大科研团队推出了一项创新研究：SIM1。研究人员的核心构想是：既然现实数据采集成本高昂且耗时漫长，不如在虚拟环境中“制造”数据。然而传统仿真往往脱离实际，甚至会出现衣物像橡皮筋般乱飞的现象。SI