Latent Space··17 天前
算力速度下的实验闭环——Ian Quigley，Leash Bio
Lab-in-the-Loop at Compute Speed — Ian Quigley, Leash Bio
Latent Space 对 Leash Bio 的 Ian Quigley 的访谈，介绍该公司在 DNA 编码化合物库（DEL）上获取高通量、可复现的蛋白质—小分子相互作用数据的方法。节目中还提到其推出的 Minos：把多年积累的数据转化为数万个“lab-in-the-loop”模拟，供代理做可验证的科学推理强化学习。适合从事化学与 AI 结合研究的人阅读。
- 分级
- 值得看
- 收录时间
- 2026-11-02
推荐阅读
迈向能从错误中学习的量子计算机
Towards a quantum computer that learns from its errors
这是 Google Quantum AI 研究科学家 Volodymyr Sivak 和 Paul Klimov 于 2026 年 7 月 22 日发布的博客，介绍将强化学习与量子纠错结合的工作。文中指出量子计算机对漂移敏感，目前需中断计算重新校准控制参数，而该工作在《Nature》发表的论文《Reinforcement learning control of quantum error correction》中展示了量子计算机可在长时间计算中持续适应漂移。
Claude 加速蛋白质设计与分析化学
Claude accelerates protein design and analytical chemistry
文章介绍两项展示 Claude 帮助生命科学研究人员加快研究进度的结果。第一项测试 Claude 从头设计蛋白质结合体的能力，Mythos Preview 与 Opus 4.8 针对 15 个靶点设计，在 14 个靶点上取得成功，单个设计的结合成功率在 22% 至 35% 之间，部分最强设计结合紧密程度高于此前已发表的最佳结果。第二项评估 Claude Opus 5 处理 NMR 与 LC-MS 数据以加速化学分析。
合成超级智能：从半导体到超导体——Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk
Synthesis Superintelligence: from Semiconductors to Superconductors — Periodic Labs’ Liam Fedus and Ekin Dogus Cubuk
Latent Space 播客访谈，Periodic Labs 的 Liam Fedus 和 Ekin Dogus Cubuk 向 swyx 与 Brandon 介绍公司的“合成超级智能”设想：让模型在真实世界中做实验，而非仅靠训练更多互联网数据。内容涉及以物理实验为基础的强化学习、AI 辅助材料表征、模拟与密度泛函理论、高通量实验室，以及为何科学发现与数学、编程本质上不同。适合关注 AI for Science 与材料发现方向的人收听。
绕过推理瓶颈：用 Retrieve-for-Train 加速复杂 AI 搜索
Bypassing inference bottlenecks: Accelerating complex AI search with Retrieve-for-Train
介绍 Retrieve-for-Train 框架，它不依赖昂贵的推理阶段推理，而是用强化学习一次性训练一个轻量级扩散模型，绕过沉重的自回归“思考预算”，即时生成一组连贯、专家级的 AI 搜索结果。文章以搜索“露营装备”为例说明用户需要的是由帐篷、睡袋、便携炉和头灯等互补结果组成的整体清单，而非十个相似的四帐篷；系统通常用查询扩展把一个宽泛提示拆成多个相关子查询，但让大语言模型动态进行数据库感知的查询分解会消耗大量推理开销。
Claude 如何提升生物分子建模
How Claude is uplifting biomolecular modeling
Anthropic 的一篇研究文章，介绍 Claude 在 Claude Science 中如何使科学家用于预测和设计生物分子的开源模型运行更快、更省内存。文中称 Claude 在不到四周内优化了 30 多个此类模型，平均提速约 4 倍，并创建了低内存模式，可在单个 NVIDIA GPU 节点上预测超过 10,000 个 token 的生物分子体系。文章还提到开源全部优化代码，并宣布与 Adaptyv Bio 联合举办蛋白质设计竞赛。
小模型，大效果：用不到 500 美元训练一个金融智能体 — Charles Dickens，Snorkel AI
Small Models, Big Results: Training a Finance Agent for Under $500 — Charles Dickens, Snorkel AI
这是 Snorkel AI 研究科学家 Charles Dickens 的演讲，介绍 Snorkel 与 UC Berkeley Sky Computing Lab 如何用不到 500 美元训练一个 40 亿参数模型，在真实金融问题上超过 2350 亿参数的同类模型。内容包括：基于 SEC 10-K 文件构建并专家校验的 FinQA 金融问答数据集；前沿模型的失败模式，如编造表结构、塞爆自身上下文、重复失败策略；使用开源 rLLM 框架和简单通过/失败奖励做强化学习，使 Qwen3 4B 达到约 60%、对比 235B 的 51%；技能可迁移到更难的多表问题且未损害通用工具使用；以及更简单的训练数据和奖励效果最好、瓶颈在于有纪律的工具使用而非推理深度。适合对用小模型做领域后训练和强化学习感兴趣的读者观看。