预测
引领图像编辑领域的新潮流！Edicho：实现跨图像一致编辑的新方法(港科&蚂蚁&斯坦福)
本文经AIGC Studio公众号授权转载，转载请联系出处。 在图像处理领域，如何实现跨图像的一致编辑一直是技术挑战。 传统方法往往局限于单张图像的编辑，难以保证多张图像间编辑效果的一致性。
麻省理工Nature子刊：AI加速量子化学计算，精度媲美「金标准」，计算效率提升百万倍！
编辑 | 2049在量子化学计算中，精确预测分子电子结构一直是一个重要而富有挑战性的课题。 传统的密度泛函理论（DFT）方法虽然计算速度快，但精度有限；而高精度的耦合簇（CCSD（T））方法虽然被视为「金标准」，但其计算成本随分子大小呈指数级增长，难以应用于复杂体系。 最近，麻省理工学院的研究团队开发出一种创新的多任务学习方法，成功将机器学习与量子化学计算相结合，实现了接近CCSD（T）精度的分子电子结构预测。
世界模型会是L3自动驾驶的唯一解吗？2025 技术展望~
三维空间占有率（3D Occupancy）预测的目的是预测三维空间中的每个体素是否被占有，如果被占有，则对应的体素将被标记。 3D Semantic Occupancy是在三维空间内同时编码占用状态和语义信息，成为描述自动驾驶 3D 场景的一种极具吸引力的表示方式。 而自动驾驶世界模型（World Model）具备对真实物理世界的理解能力，基于一些历史信息/状态，能够预测未来时刻的场景变化甚至agents的状态变化。
准确预测蛋白质功能新SOTA，中南大学推出全新深度学习模型，登Nature子刊
编辑丨&预测蛋白质功能的计算方法对于理解生物学机制和治疗复杂疾病具有重要意义。 然而，现有的预测计算方法缺乏可解释性，难以理解蛋白质结构和功能之间的关系。 在研究中，来自中南大学的团队提出了一种基于深度学习的解决方案，名为 DPFunc，用于使用域引导的结构信息进行准确的蛋白质功能预测。
2025智能世界50震撼预测！AI海啸来袭，5维度看清AGI与潜在可能
一直坚持的新年预测大多得到印证，尤其去年命中率90%以上。 2025继续。 《2024年的16个可能》，讲到我们同时处在四个周期的起点。
Hinton发2024末日预警：10年内人类灭绝！奥特曼预言18个月ASI降临
2024年，注定是AI历史上浓墨重彩的一年。 站在2024年的尾声，各位大佬也给出了自己对于未来的预测。 OpenAI CEO奥特曼看来，我们即将迎接超级智能的到来，而且很快了！
高精度预测蛋白构象变化，中国科大、上科大通用深度学习模型
编辑 | KX预测蛋白质构象变化是计算生物学和人工智能领域的一大挑战。 主流的 AlphaFold 等算法可以高通量预测蛋白质的静态结构，但对蛋白质构象变化预测却束手无策。 为了解决这个问题，中国科学技术大学和上海科技大学的研究人员，提出了一种新颖的深度学习策略，即利用高通量生物物理采样来规避与蛋白质构象转变相关的数据匮乏。
改进蛋白突变稳定性预测，清华龚海鹏团队AI蛋白工程模型登Nature子刊
编辑 | KX准确预测蛋白质突变效应在蛋白质工程和设计中至关重要。 近日，清华大学龚海鹏团队提出了一套基于几何学习的模型套件——GeoStab-suite，其中包含 GeoFitness、GeoDDG 和 GeoDTm 三个模型，分别用于预测蛋白质突变后的适应度得分、ΔΔG 和 ΔTm。 GeoFitness 采用专门的损失函数，允许使用深度突变扫描数据库中的大量多标记适应度数据对统一模型进行监督训练。
达摩院发布八观气象大模型：精度达1小时1公里，率先落地新能源场景
11月6日，阿里巴巴达摩院（湖畔实验室）在北京举行决策智能产品发布会，正式发布八观气象大模型，在全球气象模型基础上引入区域多源数据，时空精度最高可达1公里*1公里*1小时。 通过大幅提升对温度、辐照、风速等关键气象指标的预测性能，八观气象大模型率先落地新能源占比高的新型电力系统，助力国网山东电力调控中心成功预测了多次极端天气，新能源发电功率、电力负荷预测准确率分别提升至96%和98%以上。 传统上，气象学家们根据物理规律，将大气运动变化编写成一系列数学物理方程再进行数值计算，耗费大量算力资源，且受到物理模型的瓶颈制约，难以快速、高效地满足各行业不同准确率、分辨率的天气预需求。
全球首次：时序大模型突破十亿参数，华人团队 Time-MoE 预训练数据达 3000 亿个时间点
Time-MoE 采用了创新的混合专家架构，能以较低的计算成本实现高精度预测。 研发团队还发布了 Time-300B 数据集，为时序分析提供了丰富的训练资源，为各行各业的时间序列预测任务带来了新的解决方案。 在当今以数据为驱动的时代，时序预测已成为众多领域不可或缺的核心组成。
从结构准确预测蛋白质功能，东北大学「CNN+GCN」统一框架，优于现有方法
编辑 | KX蛋白质在生物体内扮演着不可或缺的角色，准确预测其功能对于实际应用至关重要。尽管高通量技术促进了蛋白质序列数据的激增，但揭示蛋白质的确切功能仍然需要大量时间和资源。目前，许多方法都依赖于蛋白质序列进行预测，而针对蛋白质结构的方法很少。
从预测风暴到设计分子，微软的 AI 基础模型如何加速科学发现
编辑 | ScienceAI人们总是在寻找规律来解释宇宙，并预测未来。俗话说，「朝霞不出门，晚霞行千里」，人们常常用它来预测天气。AI 非常擅长发现模式并进行预测。现在，微软研究人员正在尝试将「基础模型」应用于科学领域。材料科学、气候科学、医疗保健和生命科学等科学学科有望通过 AI 取得进步。专家表示，针对这些学科量身定制的基础模型将加快科学发现的进程，使他们能够更快地创造出实用的东西，如药物、新材料或更准确的天气预报，同时也能更好地了解原子、人体或地球。「AI 是你工具箱中可以为你提供支持的工具，」微软研究院 A
精准预测流产风险，上海交大等开发可解释AI算法，为早期预防带来希望
编辑 | ScienceAI上海交通大学李金金、上海市红房子妇产科医院金莉萍等组成的联合团队，开发了基于人工智能的流产风险预警平台，首次实现了在怀孕前，通过分析血清代谢物来精准预测流产风险。该研究以「Interpretable learning predicts miscarriage using pre-pregnancy serum metabolites」为题，于 2024 年 10 月发布在《The Innovation Medicine》。论文链接：：流产的影响与研究挑战流产，尤其是反复自然流产（Recu
原子、分子、复合物级性质预测均最佳，清华分子预训练框架登Nature子刊
编辑 | KXAI 已广泛用于药物发现和材料设计中的分子筛选。当前的自监督分子预训练方法往往忽略了分子的基本化学特性和物理原理。为了解决这个问题，来自清华大学的研究人员提出了一种称为分数去噪（Fractional denoising，Frad）的分子预训练框架，以学习有效的分子表示。通过这种方式，噪声变得可自定义，允许纳入化学先验，从而大大改善分子分布建模。实验表明，Frad 始终优于现有方法，在力预测、量子化学特性和结合亲和力任务中，取得最先进的结果。改进的噪声设计提高了力准确性和采样覆盖范围，这有助于创建物理一
谷歌前高管创办的 Brightband 公司获 1000 万美元融资，可用 AI 预测极端天气
据彭博社报道，由谷歌前高管创办的初创公司 Brightband 周四（今日）宣布，其已获得 1000 万美元（AI在线备注：当前约 7089.5 万元人民币）A 轮融资。该轮融资由 Prelude Ventures 领投，参与投资者包括贝恩资本旗下的 Future Back Ventures 和 Slack 联合创始人卡尔・亨德森。图源 Pexels该公司由前谷歌高管朱利安・格林和三位科学家于今年夏天创立，旨在利用 AI 技术改善天气预报。该公司目的是开发一款付费产品，以及一个基于原始天气观测训练的开源 AI 预测
港大发布OpenCity: 大模型驱动下的智慧城市"新内核"
代码链接: : : 导读精确的交通预测是实现高效城市规划和交通管理的关键，它有助于优化资源分配并改善出行体验。但是，现有的预测模型在面对未知区域和城市的零样本预测任务，以及长期预测时，表现往往不尽如人意。这些问题主要归因于交通数据在空间和时间上的异质性，以及跨时间和空间的显著分布变化。在本研究中，我们的目标是开发一个多功能、强鲁棒性和高适应性的时空基础模型，用于交通流量的预测。为此，我们设计了一种新型的基础模型——OpenCity，它能够捕捉并规范来自不同数据源的潜在时空模式，以促进在不同城市环境中的零样本泛化能
超越AlphaFold3，OpenAI投资的AI生物初创发布Chai-1，分子结构预测新SOTA
编辑 | ScienceAI近日，成立仅 6 个月的 AI 生物技术初创公司 Chai Discovery，发布用于分子结构预测的新型多模态基础模型 Chai-1，并附带了一份技术报告，比较了 Chai-1 与 AlphaFold 等模型的性能。Chai-1 可以统一预测蛋白质、小分子、DNA、RNA、共价修饰等，在与药物发现相关的各种任务中都达到 SOTA。公司联合创始人兼 CEO Joshua Meier 表示，Chai 的模型在测试的基准上表现更佳，成功率提升 10% 到 20%。他说：「例如，与 Alpha
OpenCity 大模型预测交通路况：零样本下表现出色，来自港大百度
长时间交通状况预测，可以用大模型实现了。香港大学联合华南理工大学和百度，推出了长时间城市交通预测模型 ——OpenCity。而且泛化能力极强，可有效应用于广泛的交通预测场景。为了解决传统交通预测模型泛化性及长期预测能力不足的问题，研究团队新的基础模型 OpenCity。OpenCity 结合了 Transformer 架构和图神经网络，用以模拟交通数据中复杂的时空依赖关系。通过在大规模、异质性交通数据集上进行预训练，OpenCity 能够学习丰富、具有泛化性的表征，这些表征可有效应用于广泛的交通预测场景。相比于传统