🗞️ AI 日报 · 9月16日

科学家在小鼠大脑皮层中成功培育出人类细胞，这不是科幻，是最新的神经科学研究。这项突破的意义在于：它提供了一个前所未有的活体平台，可以在真实的大脑回路中研究人类神经元的功能。对于阿尔茨海默症、精神分裂症等神经疾病的建模，这可能是革命性的工具。但随之而来的伦理问题同样尖锐——当动物的大脑里含有人类细胞，边界在哪里？这项研究既是技术突破，也是一次伦理压力测试。

所有人都在讨论AI的算法和算力，但一个更底层的瓶颈正在浮现：材料。从更快的芯片到更高效的散热，从新型存储到量子器件，AI的下一步进化越来越依赖材料科学的突破。MIT Tech Review这篇报道深入探讨了AI如何反过来加速材料发现——用机器学习筛选候选材料、预测性能、优化合成路径。这是一个双向奔赴的故事：AI需要新材料来继续 Scaling，而材料科学需要AI来突破试错瓶颈。谁先打通这个循环，谁就掌握了下一代硬件的入场券。

递归自我改进（RSI）是AI圈最诱人也最模糊的概念之一——它到底是已经发生的现象、可实现的机制，还是纯粹的远期愿景？这篇论文试图用一个统一的形式化框架来回答：将迭代策略改进和递归自我改进纳入同一个数学结构中分析。核心贡献不是提出某个具体算法，而是给出了一套可以严格讨论RSI的語言和边界条件。对于关注AGI路线图的人来说，这相当于把"AI能否自己改进自己"这个哲学争论拉回到了可计算、可验证的工程层面。

用LLM做评估器已经成了AI圈的默认操作，但在专利撰写这种高度专业的场景里，LLM评委到底靠不靠谱？这篇论文系统评估了LLM judges在专业专利草稿质量评判中的表现。结论并不乐观：在需要精确法律语言、技术细节和权利要求逻辑的场景下，LLM评委与人类专家的判断存在显著偏差。这不只是一个评估问题——如果AI要真正进入专业服务领域，"谁来评判AI的输出"可能比"AI能不能生成"更难解决。

LLM Agent被寄予厚望的一个方向是自主管理长期物理任务——比如仓储调度、实验室操作、设备维护。但这篇论文指出：物理世界不是文本世界，长周期任务中的状态漂移、环境不确定性、多步规划的累积误差，让当前LLM Agent的表现远未达到可用水平。论文提出了"自适应物理AI"的概念框架，探讨Agent如何在执行过程中动态调整策略。对于想做具身智能和工业自动化的团队，这是一份清醒剂：语言能力不等于物理执行力。

科学研究的本质是传承——前人开发的方法被后人扩展、修正、重新组合。但这个过程高度依赖人的经验和隐性知识。LabAgent提出用AI Agent来定制化构建研究中枢，把某个实验室或研究方向的方法论、工具链和知识沉淀变成可复用的Agent系统。核心洞察是：科研不是一次性任务，而是持续迭代的流程，Agent需要理解"继承"而不只是"执行"。如果这条路走通，每个实验室都可能拥有一个永不遗忘的AI研究助手。