
上体现得同样明显。
,希望探索出一条新的发展之路。

01
何谓生命科学产业?
虽然具体又细分为生物信息学、药妆品、食品加工和营养品等业务子项,但生命科学一般可分为四大主体领域:
药品——通过化学研究和合成工艺制造药品。
生物技术——利用微生物和植物等生物体开发产品(例如酿酒)。
医疗设备——通过仪器、设备、植入物、机器甚至是某些软件来治疗疾病。
CRO/CMO——以外包服务的形式为各类生命科学公司提供支持。
02
制药:以更低成本快速发现重要药物
总结来讲,AI及其技术子集在生命科学中的主要应用包括:
搜索并分类数据,以寻求可能的新药(药物发现)。
在对志愿者开展测试之前,通过深度学习确定新药对人体的潜在影响。
为临床试验寻找最佳受试者。
新药研发是一个缓慢且成本极高的过程,而且失败概率巨大。如今,AI已经被用于降低研发成本、提高研发成功率,同时更安全地推进整个探索流程。
03
生物技术:实现风险可控
AI在制药领域的应用也大多适用于生物技术,具体包括大规模数据分析、模拟新产品效果、以及管理临床试验数据。本轮新冠疫情下,已经有一款疫苗的快速研发源自AI技术的有力支持。
例如:
通过转基因细菌制造人工胰岛素。
饲养经过 CRISPR基因编辑的动物,为患有糖尿病和心力衰竭的病人提供移植器官。
培育抗病作物。
通过基因编辑提高奶牛产奶量。
通过改造原料和微生物特性研发新的酒水品类。
从大豆等作物中提取生物燃料。
由于同生物相关,人们更担心技术失控问题。转基因微生物很可能会持续变异并引发负面影响,转基因生物同理。因此,机器智能必须能够对动物的育种记录进行深入分析,并在分子层面设计出虚拟测试以最大限度降低此类风险。
04
医疗设备:数据管理
如今的医疗设备早已脱离了普通人所能想象的范畴。X光机和CAT扫描仪等已经能够拍下清晰详尽的体内图像,以供放射科医师进行诊断。医院的ICU监控系统,能够为危重病人提供24/8全天候监控。现在的可穿戴设备,也让患者能够在家中通过医用平板电脑,监测自己的健康状况,同时将各项指标实时传输至几公里之外的医疗诊所。
医疗设备制造商开始寄希望于AI技术。例如,先进的AI系统,可以帮助医生监测并管理糖尿病患者的胰岛素用量,或者帮助放射科医生从大量X光片中快速发现肿瘤迹象。
制造商们还希望借AI之力加快开发速度、降低开发成本,并以类似于制药和生物技术的应用方式提高产品的审批成功率。美敦力公司数据科学总监Toddy Morley在采访中就强调,“我们预计AI技术将广泛应用于制造业,也包括我们的供应链。几十年以来,产业工程师一直在制造业中运用统计学方法。然而,随着低成本传感器的全面普及和融合,丰富计算资源的出现,深度学习和图形建模等强大功能的面世,以及愈发准确可靠的AI方法,共同给制造业中的AI应用创造了新的商业机遇。”
05
CRO / CMO / CDMO:伸出援手
尽管实力雄厚,但他们在产品的开发和制造层面也面临着各自的难题。
。
则可以把部分业务战略性外包,更有效地利用自有资产。
06
写在最后
。随着海量数据的涌入,他们正在积极拥抱人工智能与机器学习,希望全面简化从数据挖掘到制造流程的整个业务链条。
[编者按] 海外来电是科技行者旗下编译团队,聚焦海外新技术、新观点、新风向。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。