2026 DeeCamp 开启报名，聚焦 AI Agent 驱动的多肽药物发现
2026 年 DeeCamp 人工智能训练营正式启动报名，本年度赛题以 AI Agent 驱动的多肽药物发现为核心，覆盖从靶点洞察到功能性 Binder 设计全流程。多肽 Binder 在阻断蛋白-蛋白相互作用、模拟配体、调控受体等方面具有重要价值，但传统方法依赖人工文献调研与反复试错，效率低下。赛题旨在构建智能 AI Agent 系统，自动整合生物医学知识、解析靶点特征、预测结合表位、生成并优化多肽序列，协同计算与实验验证，推动多肽药物研发的智能化、自动化及可解释性，加速 AI 制药在生命科学领域的落地应用。 #DeeCamp #AI #多肽药物 #生命科学 #AI制药 #人工智能 #药物发现 #2026 #智源社区
2026 年 DeeCamp 人工智能训练营正式启动报名，本年度赛题以 AI Agent 驱动的多肽药物发现为核心，覆盖从靶点洞察到功能性 Binder 设计全流程。多肽 Binder 在阻断蛋白-蛋白相互作用、模拟配体、调控受体等方面具有重要价值，但传统方法依赖人工文献调研与反复试错，效率低下。赛题旨在构建智能 AI Agent 系统，自动整合生物医学知识、解析靶点特征、预测结合表位、生成并优化多肽序列，协同计算与实验验证，推动多肽药物研发的智能化、自动化及可解释性，加速 AI 制药在生命科学领域的落地应用。 #DeeCamp #AI #多肽药物 #生命科学 #AI制药 #人工智能 #药物发现 #2026 #智源社区
德国极右翼政党 AfD 开发 AI 软件，批量生成“愤怒诱饵”帖子
德国极右翼政党“德国选择党”（AfD）开发了一套名为 Alternita 的 AI 软件套件，底层基于 Google Gemini、OpenAI 的 ChatGPT 和 Anthropic 的 Claude 引擎。该软件可帮助党员在几分钟内生成符合自身立场的煽动性社交媒体帖子，旨在制造“愤怒诱饵”以吸引关注。德国调查机构 Correctiv 的卧底记者发现，只需上传一篇民粹文章，软件即可自动生成针对移民、LGBT 群体的仇恨内容，例如要求“立即停止入籍”并配以 AI 生成的燃烧彩虹旗图片。该软件已用于 AfD 联合领导人爱丽丝·魏德尔的社交账号，且部分 AI 生成内容未标注来源。目前 Alternita 处于试点阶段，计划明年全面推广。AfD 在德国东部部分州支持率高达 40%，该软件旨在帮助中央控制信息输出，同时保持基层活跃度的在线优势。Google 和 OpenAI 表示正在调查其使用是否违反服务条款，Anthropic 未回应。 #德国 #极右翼 #AI #社交媒体 #仇恨言论 #AfD #调查 #科技伦理
德国极右翼政党“德国选择党”（AfD）开发了一套名为 Alternita 的 AI 软件套件，底层基于 Google Gemini、OpenAI 的 ChatGPT 和 Anthropic 的 Claude 引擎。该软件可帮助党员在几分钟内生成符合自身立场的煽动性社交媒体帖子，旨在制造“愤怒诱饵”以吸引关注。德国调查机构 Correctiv 的卧底记者发现，只需上传一篇民粹文章，软件即可自动生成针对移民、LGBT 群体的仇恨内容，例如要求“立即停止入籍”并配以 AI 生成的燃烧彩虹旗图片。该软件已用于 AfD 联合领导人爱丽丝·魏德尔的社交账号，且部分 AI 生成内容未标注来源。目前 Alternita 处于试点阶段，计划明年全面推广。AfD 在德国东部部分州支持率高达 40%，该软件旨在帮助中央控制信息输出，同时保持基层活跃度的在线优势。Google 和 OpenAI 表示正在调查其使用是否违反服务条款，Anthropic 未回应。 #德国 #极右翼 #AI #社交媒体 #仇恨言论 #AfD #调查 #科技伦理
Cerenovus 发布 Compendium，打造团队与 AI 代理共享的协作知识库
Cerenovus 是一家专注于知识管理的科技公司，近日推出其核心产品 Compendium。该产品是一个实时协作知识库，旨在将分散在各类软件、文档和工作记录中的企业信息整合为统一的、可读的网页，让整个团队及其 AI 代理共享同一个动态上下文。Cerenovus 认为，企业自身拥有的信息已远超任何个人的理解能力，Compendium 正是为解决这一痛点而生。此外，公司还预告了面向大型企业的旗舰平台 Noesis，预计未来推出。Cerenovus 由 Y Combinator 孵化，致力于成为一家“知识公司”。 #Cerenovus #Compendium #知识管理 #协作工具 #AI代理 #企业软件 #YCombinator #科技新闻
Cerenovus 是一家专注于知识管理的科技公司，近日推出其核心产品 Compendium。该产品是一个实时协作知识库，旨在将分散在各类软件、文档和工作记录中的企业信息整合为统一的、可读的网页，让整个团队及其 AI 代理共享同一个动态上下文。Cerenovus 认为，企业自身拥有的信息已远超任何个人的理解能力，Compendium 正是为解决这一痛点而生。此外，公司还预告了面向大型企业的旗舰平台 Noesis，预计未来推出。Cerenovus 由 Y Combinator 孵化，致力于成为一家“知识公司”。 #Cerenovus #Compendium #知识管理 #协作工具 #AI代理 #企业软件 #YCombinator #科技新闻
从未发布的AI政策
一名网络安全专家入职AI初创公司担任安全主管，接手了一份从未正式发布的AI政策文件。文件规定合理，包括验证AI输出、披露机器生成内容、使用零数据留存协议等。出于职业习惯，他测试了政策边界，并合规使用内部文档于AI工具。然而，公司IT部门拥有未公开的监控系统，有人看到他使用AI处理文档，却未核实具体设置，谣言迅速传播——他被贴上“不当使用AI”的标签。由于政策从未正式发布，他无法自证清白，最终成为公司内部的警示故事。此事揭示了影子治理的危险：当规则存在于官方之外，模糊性可被武器化，使合规者沦为牺牲品。 #AI政策 #影子治理 #网络安全 #企业合规 #隐秘监控 #初创公司 #警示故事 #内部治理
一名网络安全专家入职AI初创公司担任安全主管，接手了一份从未正式发布的AI政策文件。文件规定合理，包括验证AI输出、披露机器生成内容、使用零数据留存协议等。出于职业习惯，他测试了政策边界，并合规使用内部文档于AI工具。然而，公司IT部门拥有未公开的监控系统，有人看到他使用AI处理文档，却未核实具体设置，谣言迅速传播——他被贴上“不当使用AI”的标签。由于政策从未正式发布，他无法自证清白，最终成为公司内部的警示故事。此事揭示了影子治理的危险：当规则存在于官方之外，模糊性可被武器化，使合规者沦为牺牲品。 #AI政策 #影子治理 #网络安全 #企业合规 #隐秘监控 #初创公司 #警示故事 #内部治理
物理引导的时空神经网络模型用于燃料密度预测
近日，一篇题为《物理引导的时空神经网络模型用于燃料密度预测》的学术论文提交至预印本平台arXiv。该研究由Tolga Caglar等六位作者共同完成，提出了一种融合物理定律与深度学习的时空神经网络模型，旨在提升燃料密度预测的准确性与可解释性。传统方法难以同时兼顾时空动态与物理约束，而新模型通过引入物理引导机制，在保持神经网络拟合能力的同时，确保了预测结果符合物理守恒定律。实验结果表明，该模型在多个燃料密度数据集上表现优于纯数据驱动方法，为能源领域的智能预测提供了新思路。论文目前处于申请DOI阶段，相关代码和数据有望后续公开。 #物理引导 #时空神经网络 #燃料密度预测 #深度学习 #AI #学术论文 #能源 #arXiv
近日，一篇题为《物理引导的时空神经网络模型用于燃料密度预测》的学术论文提交至预印本平台arXiv。该研究由Tolga Caglar等六位作者共同完成，提出了一种融合物理定律与深度学习的时空神经网络模型，旨在提升燃料密度预测的准确性与可解释性。传统方法难以同时兼顾时空动态与物理约束，而新模型通过引入物理引导机制，在保持神经网络拟合能力的同时，确保了预测结果符合物理守恒定律。实验结果表明，该模型在多个燃料密度数据集上表现优于纯数据驱动方法，为能源领域的智能预测提供了新思路。论文目前处于申请DOI阶段，相关代码和数据有望后续公开。 #物理引导 #时空神经网络 #燃料密度预测 #深度学习 #AI #学术论文 #能源 #arXiv
UP: Unbounded Positive Asymmetric Optimization for Breaking the Exploration
一篇来自arXiv的学术论文提出了一种名为UP（Unbounded Positive Asymmetric Optimization，无界正非对称优化）的方法，旨在打破探索与稳定性之间的经典困境。该论文由Chongyu Fan等五位作者撰写，于2026年7月8日提交。研究针对在强化学习、机器人控制及自适应系统中，算法在探索新策略与维持已有稳定表现之间难以平衡的问题，设计了无界正非对称优化策略。该方法通过非对称的梯度更新机制，使得模型在探索过程中能够保持更稳定的收敛性，从而在复杂动态环境下取得更好的性能表现。论文提供了详细的理论分析与实验验证，展示了UP在多个基准任务上的优势，为优化算法设计提供了新的思路。 #论文 #arXiv #优化 #探索稳定性 #强化学习 #机器学习 #AI #算法
一篇来自arXiv的学术论文提出了一种名为UP（Unbounded Positive Asymmetric Optimization，无界正非对称优化）的方法，旨在打破探索与稳定性之间的经典困境。该论文由Chongyu Fan等五位作者撰写，于2026年7月8日提交。研究针对在强化学习、机器人控制及自适应系统中，算法在探索新策略与维持已有稳定表现之间难以平衡的问题，设计了无界正非对称优化策略。该方法通过非对称的梯度更新机制，使得模型在探索过程中能够保持更稳定的收敛性，从而在复杂动态环境下取得更好的性能表现。论文提供了详细的理论分析与实验验证，展示了UP在多个基准任务上的优势，为优化算法设计提供了新的思路。 #论文 #arXiv #优化 #探索稳定性 #强化学习 #机器学习 #AI #算法
鲁棒联邦学习
近日，一篇题为《Robust Federated Learning Under Real-World Client Churn》的学术论文发表于arXiv预印本平台。该研究由Dhruv Garg等人共同完成，聚焦联邦学习在实际部署中面临的客户端频繁退出（即客户端流失）问题。研究提出了一种鲁棒性增强方法，旨在确保在参与设备不稳定、数量动态变化的情况下，模型仍能保持高效训练与良好性能。该工作对推动联邦学习在移动设备、边缘计算等真实场景中的应用具有重要意义，为克服数据异构性与参与方不可靠性提供了新的理论支撑与实验验证。 #联邦学习 #客户端流失 #鲁棒性 #人工智能 #机器学习 #分布式训练 #论文 #arXiv #2026
近日，一篇题为《Robust Federated Learning Under Real-World Client Churn》的学术论文发表于arXiv预印本平台。该研究由Dhruv Garg等人共同完成，聚焦联邦学习在实际部署中面临的客户端频繁退出（即客户端流失）问题。研究提出了一种鲁棒性增强方法，旨在确保在参与设备不稳定、数量动态变化的情况下，模型仍能保持高效训练与良好性能。该工作对推动联邦学习在移动设备、边缘计算等真实场景中的应用具有重要意义，为克服数据异构性与参与方不可靠性提供了新的理论支撑与实验验证。 #联邦学习 #客户端流失 #鲁棒性 #人工智能 #机器学习 #分布式训练 #论文 #arXiv #2026
混合最小二乘/梯度下降法用于MIONets
该论文提出了一种基于混合最小二乘与梯度下降的方法，用于优化MIONets（多输入输出网络）。作者通过结合两种经典算法的优势，旨在提升模型在复杂任务中的收敛速度与精度。论文详细介绍了该方法的核心原理、数学推导及实验验证，结果显示在多个基准测试上，该混合方法相较传统梯度下降算法表现出更优的性能与稳定性。该研究为神经网络训练提供了新的优化思路，有望推动MIONets在图像识别、自然语言处理等领域的应用。论文已提交至arXiv平台，正在等待DataCite的DOI注册。 #论文 #机器学习 #优化算法 #MIONets #最小二乘 #梯度下降 #AI #arXiv
该论文提出了一种基于混合最小二乘与梯度下降的方法，用于优化MIONets（多输入输出网络）。作者通过结合两种经典算法的优势，旨在提升模型在复杂任务中的收敛速度与精度。论文详细介绍了该方法的核心原理、数学推导及实验验证，结果显示在多个基准测试上，该混合方法相较传统梯度下降算法表现出更优的性能与稳定性。该研究为神经网络训练提供了新的优化思路，有望推动MIONets在图像识别、自然语言处理等领域的应用。论文已提交至arXiv平台，正在等待DataCite的DOI注册。 #论文 #机器学习 #优化算法 #MIONets #最小二乘 #梯度下降 #AI #arXiv
插补与聚类结合
近日，一篇题为《Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery》的论文引发关注。该研究由Chuyao Zhang等八位作者共同完成，提出将数据插补与聚类分析相结合的新框架，通过挖掘数据中隐藏的子组结构来提升缺失值恢复的准确性与鲁棒性。传统插补方法往往忽略样本间的异质性，而该工作利用聚类揭示潜在分组模式，使插补过程能针对不同子组分别建模，从而更精细地还原缺失数据。实验表明，该方法在多种缺失机制和数据集上均优于常见基准方法，为数据预处理和机器学习中的缺失值问题提供了有效解决方案。相关论文已在arXiv预印本平台发布。 #缺失数据 #插补 #聚类 #机器学习 #数据科学 #论文 #arXiv
近日，一篇题为《Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery》的论文引发关注。该研究由Chuyao Zhang等八位作者共同完成，提出将数据插补与聚类分析相结合的新框架，通过挖掘数据中隐藏的子组结构来提升缺失值恢复的准确性与鲁棒性。传统插补方法往往忽略样本间的异质性，而该工作利用聚类揭示潜在分组模式，使插补过程能针对不同子组分别建模，从而更精细地还原缺失数据。实验表明，该方法在多种缺失机制和数据集上均优于常见基准方法，为数据预处理和机器学习中的缺失值问题提供了有效解决方案。相关论文已在arXiv预印本平台发布。 #缺失数据 #插补 #聚类 #机器学习 #数据科学 #论文 #arXiv
Intrinsic-Noise Consolidation
一篇arXiv预印本论文提出了一种名为“Intrinsic-Noise Consolidation”的创新方法，利用Doob-屏障条件扩散将模拟设备中的固有噪声转化为持续学习（continual learning）的资源。传统上，噪声被视为干扰信号，但该研究通过数学建模，将噪声纳入学习过程，使得模型在依次学习多个任务时能有效缓解灾难性遗忘。该方法通过条件扩散过程对噪声进行结构化利用，在不增加额外存储或计算负担的前提下提升连续学习性能。论文作者Gunner Levi Howe指出，该工作为模拟计算硬件与持续学习算法的结合开辟了新路径，尤其适用于资源受限的边缘设备。相关研究已提交arXiv并于2026年7月发布。 #AI #持续学习 #模拟噪声 #扩散模型 #机器学习 #Doob屏障 #arXiv
一篇arXiv预印本论文提出了一种名为“Intrinsic-Noise Consolidation”的创新方法，利用Doob-屏障条件扩散将模拟设备中的固有噪声转化为持续学习（continual learning）的资源。传统上，噪声被视为干扰信号，但该研究通过数学建模，将噪声纳入学习过程，使得模型在依次学习多个任务时能有效缓解灾难性遗忘。该方法通过条件扩散过程对噪声进行结构化利用，在不增加额外存储或计算负担的前提下提升连续学习性能。论文作者Gunner Levi Howe指出，该工作为模拟计算硬件与持续学习算法的结合开辟了新路径，尤其适用于资源受限的边缘设备。相关研究已提交arXiv并于2026年7月发布。 #AI #持续学习 #模拟噪声 #扩散模型 #机器学习 #Doob屏障 #arXiv
边缘系统延迟约束的DNN架构学习
该论文发表于《Future Generation Computer Systems》期刊，提出了一种针对边缘系统的延迟约束深度神经网络（DNN）架构学习方法，核心创新在于引入零化批归一化（Zerorized Batch Normalization）技术。边缘设备资源受限，对推理延迟有严格要求，传统架构搜索难以兼顾精度与效率。该方法通过将批归一化层参数化为零化形式，在训练过程中自动学习网络结构，同时显式约束延迟目标，从而在保持模型精度的前提下大幅降低推理延迟。实验结果表明，该方法在多种边缘硬件平台上均能有效压缩网络并满足实时性要求，为边缘智能部署提供了可扩展的解决方案。 #深度学习 #边缘计算 #神经网络架构搜索 #延迟约束 #零化批归一化 #学术论文 #DNN
该论文发表于《Future Generation Computer Systems》期刊，提出了一种针对边缘系统的延迟约束深度神经网络（DNN）架构学习方法，核心创新在于引入零化批归一化（Zerorized Batch Normalization）技术。边缘设备资源受限，对推理延迟有严格要求，传统架构搜索难以兼顾精度与效率。该方法通过将批归一化层参数化为零化形式，在训练过程中自动学习网络结构，同时显式约束延迟目标，从而在保持模型精度的前提下大幅降低推理延迟。实验结果表明，该方法在多种边缘硬件平台上均能有效压缩网络并满足实时性要求，为边缘智能部署提供了可扩展的解决方案。 #深度学习 #边缘计算 #神经网络架构搜索 #延迟约束 #零化批归一化 #学术论文 #DNN
论文提出进化式自监督图像聚类新方法
近日，arXiv 上发布了一篇题为《Converge to Surprise: Evolutionary Self-supervised Image Clustering》的论文，作者为 Canlin Zhang 和 Xiuwen Liu。该论文提出了一种名为“收敛到惊喜”的进化式自监督图像聚类方法，利用进化策略在无标签数据中自动学习聚类特征。论文目前以预印本形式公开，尚未正式登记录入 DOI，但已引起相关领域关注。自监督学习是当前计算机视觉的重要方向，该方法通过引入进化机制，可能为图像聚类任务提供新的思路和性能提升。具体技术细节和实验评估有待进一步公开。 #论文 #arXiv #自监督学习 #图像聚类 #计算机视觉 #进化算法 #AI #机器学习
近日，arXiv 上发布了一篇题为《Converge to Surprise: Evolutionary Self-supervised Image Clustering》的论文，作者为 Canlin Zhang 和 Xiuwen Liu。该论文提出了一种名为“收敛到惊喜”的进化式自监督图像聚类方法，利用进化策略在无标签数据中自动学习聚类特征。论文目前以预印本形式公开，尚未正式登记录入 DOI，但已引起相关领域关注。自监督学习是当前计算机视觉的重要方向，该方法通过引入进化机制，可能为图像聚类任务提供新的思路和性能提升。具体技术细节和实验评估有待进一步公开。 #论文 #arXiv #自监督学习 #图像聚类 #计算机视觉 #进化算法 #AI #机器学习