NeurIPS 投降了！ 本来上周出了在实体清单（包括华为/移动/大疆）工作的个人无法投稿的规定，被大量国人抵制，现在服软了！ NeurIPS 傻逼不是第一次了，本来叫 NIPS 挺好听的，前几年听了白左的话，说发音太像“Nipples”（乳头）改了名。

今年NeurIPS，分母炸了。 NeurIPS 五年前一万篇投稿，现在两万五以上。AAAI 上一轮拒掉 82%。 接收名额基本线性增长，投稿量是指数的。我们面对的是队伍长了三倍。同一篇稿子放三年前可能就中了，放今天直接寄。 一篇 NeurIPS 投稿背后典型配置是3–5 个人、十几人月、几万刀算力、一个审过上百篇稿的资深作者在最后一周把所有会让审稿人皱眉的地方磨平。如果你是一个人、本科生，又没导师，没有任何一个环节有人拦你一下。 所以，很多时候差的不是脑子,是基础设施。

给前沿 Agent 六天、3000 美元 API 额度和 GPU，它能独立做出一篇 NeurIPS 级论文吗？ 这篇论文给出的早期答案很冷静： 代码能写，实验能跑，真正的研究问题却没有被推进。 作者提出了一种「影子评估」：拿两篇尚未公开的 NeurIPS 2026 投稿，只把核心研究问题交给 Agent。由于原论文还未公开，它无法直接检索答案，最后再由原作者按顶会标准评审。 Agent 独立完成了工程工作，但两篇最终都被明确拒稿，总评分分别只有 2/6 和 1/6。 最关键的问题集中在科学判断上。 它们很难判断证据是否足够，遇到研究设计问题时缺少新的解法，也不擅长从已经投入很多时间的错误方向中彻底退出。 更有意思的是，AI 自评其实多次指出了这些问题。Agent 往往只会补充限制说明，继续沿着原来的路线推进，很少真正重做研究设计。 我觉得这篇最有价值的地方，是它把科研 Agent 从「优化一个明确指标」，拉回了真正开放的研究过程。 样本目前只有两个案例，结论还很早。但它至少提醒我们： 今天的 Agent 已经很像执行力很强的研究助理。距离独立研究者，仍然差研究品味、证据标准和及时推倒重来的能力。 会做实验，和知道什么实验值得做，中间还隔着真正的科研能力。 📎 arxiv:

SLAS（Society for Laboratory Automation and Screening，国际实验室自动化与筛选学会）是全球实验室自动化、高通量筛选（HTS）、药物发现和 AI + Wet Lab 最重要的行业组织之一。 如果说 NeurIPS、ICML 代表 AI 算法的发展方向，NVIDIA GTC 代表 AI 算力的发展方向，那么 SLAS 正逐渐成为 AI for Science 和 AI 驱动 Wet Lab 的产业风向标。 今年的 SLAS Europe 2026，行业关注点发生了明显变化。从模型性能转向实验室现实。 数据质量（Data Quality）、系统互联（Interoperability）、实验执行（Lab Execution）、自动化基础设施（Automation Infrastructure）成为会议最频繁出现的关键词。 行业开始意识到，AI 已经不是最大的瓶颈。真正的瓶颈是实验室。 过去几年，AI 可以轻松设计数百万个候选分子，但这些候选分子最终仍然需要实验验证。真正限制研发效率的，不是模型还能提升多少，而是实验能否更快完成、数据能否高质量产生、结果能否快速反馈。 AI 本身已经开始走出 super Cycle，但对ai驱动的生命科学来说，模型越来越成熟，实验能力开始成为新的稀缺资源。 新的关键词是Orchestration。（是不是有点耳熟？） 过去谈实验室自动化，更多指的是 Automation。 自动移液机器人，自动培养，自动筛选。。。 今天讨论是整个实验室如何作为一个整体协同运行。 Automation 关注单个设备，Orchestration 管理整个实验室。 未来实验室越来越像数据中心。AI、机器人、仪器、数据库、分析平台需要组成一个连续运行的系统，而不是一堆独立设备。 整个流程开始变成：AI 提出假设、自动设计实验、机器人执行实验、仪器产生数据、AI 分析结果、重新设计下一轮实验、不断循环。 这就是 Closed-loop Lab。真正重要的不是机器人，而是整个实验流程能够形成闭环。 因此，API 开始成为新的基础设施。未来 Agent 不仅需要调用大模型，还需要调用实验室、调用仪器、调用机器人、调用分析平台。 没有统一 API，Agent 无法真正操作实验室。没有数据接口，AI 无法形成反馈。 未来实验室的核心竞争力，是谁拥有最好的 Instrument API、Workflow API 和 Data API。 AI 与 Wet Lab 的融合，本质上就是数字世界和物理世界之间建立统一接口。 这也是为什么 LIMS、ELN、SDMS 这些实验室的信息化软件，未来，它们更像 AI 的长期记忆。 LIMS（Laboratory Information Management System）负责管理样品、实验流程和实验结果。 ELN（Electronic Laboratory Notebook）负责保存实验设计和研究记录。 SDMS（Scientific Data Management System）负责管理科学仪器产生的大规模原始数据。 未来 AI 并不是直接读取 PDF 或 Excel，而是直接调用这些系统，理解过去所有实验历史，设计下一轮实验。 实验室开始从事后分析（Reactive）进入预测干预（Predictive）。Agent 不再只是分析实验，而是开始参与实验。整个行业也越来越认可一个现实，Wet Lab将越来越重要（这点从wet lab大牛最近加入anthropic也可以看出）： 模型必须经过实验验证。 实验不断产生真实数据。 真实数据继续训练模型。 模型再提出新的假设。 Hypothesis → Experiment → Learn → Hypothesis。 这个循环无法被跳过，这就是未来的Closed-loop Lab 对于接下来的ai驱动生物科学的重要节点，最值得关注的可能是实验室基础设施。 高通量实验平台、实验室机器人、液体处理系统、LIMS、ELN、SDMS、Workflow Orchestration、Lab OS、Connected Lab、Closed-loop Lab，这些过去相对边缘的领域，正在成为 AI for Science 最重要的新基础设施。

全球AI最顶级的四所大学：斯坦福、CMU、UC Berkeley、南京大学 全球经典三部AI教材：deep learning、PRML、西瓜书 全世界四位AI领域开拓者：Geoffrey Hinton、Yoshua Bengio、Yann LeCun、周志华 全球AI产业爆发四大城市：湾区、伦敦、北京、南京 全球四大AI顶会：NeurIPS、ICML、ICLR、 江苏省人工智能产业联盟成立大会

被字节开除并起诉的老哥，创业估值 2 亿了。 此前因在字节上班，不满团队资源分配，通过篡改代码等，恶意攻击内部项目，而被字节开除的实习生田柯宇。 最新消息已在世界模型领域创业，并拿到多位天使投资人投资，估值 2 亿，他目前也是北大博士，NeurIPS 24 最佳论文奖获得者。

被字节开除的实习生田柯宇，在世界模型领域创业，融资数千万美元，估值2亿美元！ 知情人士消息，因为攻击大模型训练事件而被字节开除的实习生田柯宇已经在世界模型领域创业，并拿到知名VC的投资。田柯宇的创业项目是世界模型方向，由五源资本合伙人孟醒孵化并投资，整体融资金额数千万美元，估值约2亿美元。 田柯宇是北京大学博士研究生、字节跳动前实习生，因 2024 年篡改代码攻击模型训练被字节起诉索赔 800 余万元，同期获 NeurIPS 最佳论文奖并担任北京蓝炭网络科技法定代表人。 就在被字节起诉10天后，12月4日，田柯宇在NeurIPS 2024上，获得最佳论文。在这篇最佳论文中，田柯宇和其所在团队首次提出了一种新的图像生成框架，这个框架在图像合成的质量、多样性、数据效率和推理速度方面首次超越了强大的扩散模型，并且具有很好的扩展性和零样本任务泛化能力，并且这个项目已经在Github上积累了4.4k多颗星。

现在很多人聊 Research Agent，最容易想象的画面是： 给它一堆论文，让它自己想一个新 idea。 但这篇论文提醒我一个很关键的问题： idea 的质量，很多时候取决于它有没有被放回真实的文献脉络里。 论文提出了一个系统，叫 ResearchStudio-Idea。它的目标是把 ML 研究里常见的 idea 生成方式，整理成可以复用的 skill。 它主要包含三个部分：Paper-Search 负责找相关论文，Scoop-Check 负责检查 novelty claim 有没有撞车，IdeaSpark 负责真正生成研究想法。 最核心的是 IdeaSpark。 作者分析了 2021–2025 年 ICLR、ICML、NeurIPS 的 1,947 篇论文，从里面抽出 31 个 ideation sub-pattern，最后整理成 15 个可复用的 research ideation patterns。 这些 pattern 更像是研究经验的压缩：什么场景适合用，通常解决什么 bottleneck，和已有方法怎么拉开差异，过去哪些论文用过类似思路。 实验结果也比较直接。 在 100 个 ICLR 2026 Oral seeds 上，IdeaSpark 的 idea quality 得到 3.87/4，并且在 88 个 seed 上排名第一。相比之下，裸模型直接生成 idea 的效果明显弱很多。 论文里还有一个很有意思的现象： GPT-5.5 bare 的 novelty 分数最高，但 quality 最低。 这说明一个问题：看起来「新」的 idea，不一定是好的 idea。很多时候只是因为它太泛、太空，所以不容易和已有工作直接撞上。 这篇最有意思的地方在于，它把 Research Agent 的重点从「多生成几个想法」，推进到了「把想法生成变成一套可复用的研究技能」。 未来真正有用的 Research Agent，可能会越来越依赖这种 skill library。它需要读更多论文，也需要把证据、瓶颈、已有方法和风险放在同一个框架里考虑。 AI 科研的下一步，可能会从「更会幻想」走向「更会沿着真实研究脉络提出问题」。 📎 arxiv:

独家｜百度招 95 后任大模型一号位 近日，大模型领域技术专家孙天祥正式加入百度，就任基础模型研发部（BMU）负责人。 孙天祥此次同时进入百度模型委员会（BMC），从研发 MOSS 到提出 MaaS 再到其后续创业方向，他的学术与产业路径与百度基础模型的战略投入方向高度契合。 此前，百度分别成立基础模型研发部（BMU) 和应用模型研发部（AMU），其中应用模型研发部由贾磊负责。 孙天祥作为年轻的大模型领域技术专家，在博士期间他是类 ChatGPT 开源大模型 MOSS 的主导者，并在国际上提出了 Model-as-a-Service (MaaS) 概念，孙天祥在 ICML、ICLR、NeurIPS、ACL、NAACL 等 AI 顶会发表论文四十余篇，博士期间先后在 Amazon AI Lab、上海人工智能实验室等机构实习，积累了从自然语言处理到大规模语言模型训练与工程化的丰富实战经验。 过去一段时间，百度在 AI 组织架构和人才梯队上持续迭代：设立百度模型委员会、多批次引入年轻技术力量，围绕基础模型的系统性人才布局逐步成型。

华尔街砸300万美金训练的金融AI， 现在普通人0成本就能白嫖了！ FinGPT来了——AI4Finance基金会又一个重磅开源项目！ 它和BloombergGPT的区别简单粗暴： 一个从零训模型烧300万刀， FinGPT只在开源大模型上用LoRA轻量微调，每次迭代成本不到300美元，还能每周更新最新金融数据！ 目前GitHub 20k+ Star，已被NeurIPS 2023正式收录，硬核背书拉满。 最爽的几个能力： 情绪分析：一张RTX 3090就能跑，准确率干翻GPT-4微调版 FinGPT-Forecaster： 输入股票代码+时间，直接给出新闻+行情预测（Hugging Face有在线Demo） 支持Llama-2、Qwen等基座，还能RLHF训出只属于你投资风格的私人AI投顾 金融情绪分析、新闻分类、报告摘要、考试评测……全都能干。 76K+条开源金融数据集随便练手。 它把华尔街级别的金融大模型，真正塞到了普通人手里！ 想在AI时代不被市场信息碾压的 赶紧去星标+收藏：