JUAN LI · AI4SCIENCE
每日简报从有可靠来源、已完成中英文整理的动态中，优先挑选信息完整、便于核验的事件。简报由 AI 自动编排，条目默认为 AI 生成、未逐条人工审核（人工复核条目单独标注），引用科学结论前请核验原始来源。
精选依据：只收录有可靠来源、已完成中英文整理的 AI4Science 动态；优先保留信息更完整、便于核验的事件。
Google Research 软件工程师介绍 Google Earth AI 的 Population Dynamics Foundation Model（PDFM），指出传统流行病学监测常受多年报告滞后、数据被僵化地缘边界割裂以及数据稀疏的制约，而传统建模还需大量任务特定的数据收集与定制数据工程。最新工作以五个合作伙伴驱动的案例研究，展示 PDFM 作为行星尺度地理空间基础模型的验证性方案：它用自监督学习把隐私保护的搜索趋势、人类流动、建成环境密度和环境决定因素压缩为位置嵌入，可作为即插即用输入接入现有统计与机器学习模型，增强而非另建流程。无需任务特定微调，这些现成位置嵌入在多种疾病领域、地理环境与流行病学任务上，表现不逊于或优于传统输入。
Thomas Bloom在Erdős problems网站的公告中写道，建站本意是面向人类读者推介这些问题、梳理已有工作，却意外成为衡量AI能力的风向标：近一年来AI从几乎无用变为可帮助解决部分最难的数学问题，他也坦承不少近期进展其实来自人力投入增加与重新关注。负面效应包括：有人把Erdős风格数学贬为'简单/消遣'，有人因自认无法与AI竞争而放弃思考，更出现大批缺乏解释的AI解答，挤占并打击真正有兴趣的人。数周前他征集改版意见，收到公开与私下反馈，其中不少受益者从未留言。
9月13日,德国海德堡Heidelberg Laureate Forum上,学者热议OpenAI、Anthropic、Google等AI公司进入数学。AI已解出Erdős的系列征题、验证Fermat大定理证明,最近OpenAI宣布解决Navier-Stokes存在性与光滑性问题——Clay Mathematics Institute于2000年提出的七个Millennium Prize Problems之一;此前仅Poincaré猜想由人类解决,若经验证将成为自动推理的分水岭。多伦多大学Fields奖得主Jacob Tsimerman称能力提升快于预期,“解决Navier-Stokes感觉相当确凿”,但他不了解细节;阿姆斯特丹大学Ailsa Robertson说“AI和LLM今夏点燃了数学界”。
现有训练大模型当教师的方法依赖示范数据、偏好数据或预设教学标准，往往与学生个人的学习效果脱节。研究提出多轮强化学习框架 Sherpa：用大模型模拟出具有不同学习偏好的学生原型，让教师模型直接以最大化学生学习效果为目标来调整讲授方式。结果显示，经 Sherpa 训练的教师使所有原型学生的成绩平均提高 20.5 个百分点；在 MathTutorBench 评估中，整体教学分数由 52.5% 升至 79.2%；人工评测里，79.6% 的成对比较中受训教师比基座模型更受青睐。
2026年10月6日，insitro 宣布，其与 Eli Lilly and Company 共同构建、可预测小分子体外及体内性质的先进机器学习模型，现已在 Lilly TuneLab™ 中供部分生物科技公司使用。模型基于 Lilly 数十年研究积累、来自数十万个独特分子的多物种临床前数据训练，为当前从体外实验外推的行业标准做法提供了替代方案，并将随数据集扩充持续更新。该合作于2025年9月宣布，结合了 insitro 的 AI/ML 能力与 Lilly 的 ADMET 专有数据集。insitro 创始人兼 CEO Daphne Koller 表示，进入临床的项目有九成失败，这些模型可先把分子的体内行为变成计算问题。