Anthropic 最新研究显示，Claude 已经开始真正参与“做科学”。 在蛋白质设计实验中，Claude 自主调用专业模型和 GPU，从零设计 protein binder： AI for Science 正在从辅助研究，走向直接参与科研工作流。

美国健康饮食现在已经进入了一个很神奇的阶段：万物皆要有蛋白质。 汉堡要双倍蛋白质，咖啡也要有蛋白质。 星巴克在全国所有门店推出“高蛋白拿铁PRO系列”，一杯含20克+优质蛋白。行业首款！ “一杯蛋白含量相当于3个鸡蛋！” “提神补营养，健康咖啡天花板。” “健身人的新宠！” 该系列采用天然原生的6.0高蛋白生牛乳，一杯可提供20克优质原生蛋白，约占成年人一日所需蛋白质总量的三分之一。 咖啡正在从“风味饮品”向“健康型饮品”进化。 星巴克这次的高蛋白系列，真的踩中了北美消费者的健康饮品需求! 新推出的Protein Lattes 和 Protein Cold Foam在美加市场反响强劲。 昨天的星巴克 2026 财年第二季度业绩明显超预期：全球同店销售增长 6.2%，美国同店销售增长 7.1%。 目前$SBUX，维持跑赢大盘评级，已经突破$100美元！ #food# #starbucks# #蛋白质# $SBUX

10 月 16 日，Google Research 发布两项研究，分别涉及自主实验机器人和AI 驱动的适配体设计闭环。最重要的是，研究展示了 AI 如何根据真实实验失败原因，修改下一轮设计策略，而不只是增加候选分子的生成数量。 1. Wet-lab 命中率：经过三轮反馈，最高达到 42.1% Google 的适配体实验涵盖两个蛋白靶点。 α-thrombin： 第一轮没有获得有效结合分子，命中率为 0%。AI 分析实验失败原因后，发现部分固定引物序列影响适配体折叠，于是修改结构设计。第二轮命中率达到 26.0%，第三轮进一步达到 42.1%，靶标特异性达到 98.5%。 Myoglobin： 第一轮有效命中率为 10.2%。第二轮由于 AI 过度优化表面结合信号，产生大量非特异性结合分子，实际命中率反而下降至 3.7%。AI 根据实验数据重新限制容易产生非特异性结合的结构，第三轮命中率提高至 33.5%。 也就是说，Myoglobin 的最终命中率达到第一轮的约 3.3 倍，相较第二轮低点提高约 9 倍。 2. 蛋白质设计：计算成本下降，同时获得纳摩尔级结合分子 另一项研究针对肿瘤相关靶点 FAP（Fibroblast Activation Protein）。 Google 使用 Agent 辅助优化蛋白设计流程，通过只保留靶蛋白局部结合区域进行结构预测，使该步骤计算速度提高 8.6 倍。 在相同计算预算下，人类科学家与 Agent 协作的计算筛选命中率接近单独由科学家操作的两倍。 随后，团队利用真实实验获得了亲和力达到个位数纳摩尔级别的蛋白结合分子。 为什么这次值得特别关注？ 此前： AI Design → Computational Filter → Wet-lab Validation 这次更重要的进展是： AI Design → Wet-lab → 分析失败机制 → 自主修改设计规则 → 下一轮 Wet-lab → 命中率提升 这意味着实验不再只是模型输出结果的最终验证环节，而开始成为 AI 持续改善设计策略的反馈来源。

刚看完All-In Podcast最新一期，黄仁勋亲自下场怼AI末日论，中途特朗普还突然打电话进来 黄仁勋直接开怼Dario Amodei的人类灭绝论 这期的重磅嘉宾是英伟达创始人兼CEO黄仁勋，一上来他就针对Dario Amodei此前那篇讨论人类灭绝风险的博客文章，做了一番相当直接的反驳。他强调保持快速创新、确保美国的领先地位，跟安全这两件事根本不冲突，把它们对立起来本身就是个伪命题。针对部分前沿实验室提出的所谓10%人类灭绝风险这类量化指标，黄仁勋直接把这个说法定性为凭空捏造，而且相当不负责任。 他还翻起了旧账，回顾了这几年那些落空的悲观预言，曾经有人预言AI五年内会让放射科医生彻底失业，结果现实是现在需要更多医生，AI只是被用来辅助读片。也有人预言六到十二个月内90%的代码会由AI编写、初级岗位大幅消失，这些说法后来也都被证明是错的。他的判断是，业界所谓的AI失控事件，主要发生在研发端向工程化过渡的这个阶段，本质上是工程管理和验证流程的问题，应该靠沙箱、监控、评估体系这类工程手段去从根源解决，不是拿这些问题去向公众贩卖恐慌。 针对业界热议的递归自我改进(RSI)——也就是AI训练下一个AI这个概念，黄仁勋的解释是，这本质上就是上下文学习、LoRA微调、强化学习加上合成数据生成这几种工程手段的组合，是提升生产力的正常逻辑，跟外界想象的那种指数级失控走向毁灭完全是两回事，企业发布模型之前必须经过严格的基准测试、评估和防退化验证，这套流程本身就已经脱离了失控这个想象的现实基础。 特朗普突然打电话进来了 访谈中途，特朗普直接给黄仁勋打了电话，通过免提跟现场观众和主播聊了起来。他直言所谓AI毁灭论就是一场骗局，说所谓机器人将接管世界完全是谎言，很多政治势力和外部竞争对手其实是想借这套说法来阻碍美国的科技发展。他还把数据中心比作未来20到25年的石油，认为这场变革的规模比当年的互联网革命还要宏大，不仅带动了大量就业，还让很多本来濒临衰退的社区重新焕发了活力。他总结的一句话挺直接，谁赢得AI，谁就赢得一切，如果美国自己放慢脚步、阻碍数据中心建设，只会白白便宜了竞争对手，所以必须全力以赴打赢这场AI竞赛。 开源vs闭源：黄仁勋用瓶装水和自来水做了个比喻 黄仁勋把闭源模型比作瓶装水，开箱即用、体验极致。把开源模型比作自来水是不可或缺的基础设施，能满足主权AI、数据隐私以及各种特定业务定制的需求。他给出了一个挺有说服力的数据：过去六个月流入AI原生初创公司的4000亿美元风险投资里，有80%其实是依赖开源模型的，这说明开源在实际产业落地里的分量比很多人想象的要重得多。 关于英伟达自己在整个生态里的定位，他也讲得比较坦诚。很多下游厂商担心英伟达凭借算力和资金优势去侵蚀应用层，他的回应是英伟达的策略是能做多深就做多深，但业务层尽量往下靠，也就是通过研发底层框架(比如cuDNN、Megatron)来给整个行业铺路，扶持所有的前沿实验室、模型厂商和新型云厂商，让整个生态能够百花齐放，不是自己去抢下游的生意。 针对一些需要极高专业门槛、普通车企或药企根本没法独立承担研发成本的垂直领域，英伟达也在打造专属的基座模型。比如具备推理能力的自动驾驶模型Alpamo，以及用于蛋白质分子研究的ESM/Proteina Complexa，这些模型正在被用来赋能礼来、默克这类药企以及各大车企。 全球芯片竞争与超智能的定义 黄仁勋判断中国在本土先进制程光刻技术上，预计会在2030年左右取得突破。他认为中国的强项在于极致的大规模量产能力和高密度的工程技术人才，美国不能指望靠限制对手或者自己放慢脚步来应对，唯一的办法就是超速狂奔，靠自己跑得更快来保持领先。 他还给出了自己对AGI和超智能这两个概念的定义，按照具备常人同等智力水平这个标准，他认为行业实际上已经跨过了AGI这道门槛。而在一些特定垂直领域，超智能其实已经实现了，比如自动驾驶领域的事故率已经降到人类的十分之一，蛋白质结构预测和高通量虚拟筛选这类领域，AI的能力也早就超过了人类顶尖科学家的水平。

創意電子（GUC）2026年9月22日宣布，採用台積電N2P（2奈米）製程與CoWoS-L封裝的HBM4E PHY與Controller IP已完成設計定案，並獲客戶AI ASIC採用。該IP延續已通過矽驗證的N3P 12Gbps HBM4基礎，在所有操作條件下將傳輸速度提升至16Gbps，並強調高功耗效率與超小面積。GUC以專有interposer佈線優化訊號與電源完整性，可支援多種CoWoS架構。 為因應3D SoIC，GUC另提供SoIC-X用face-up版本，整合TSV以支援I/O與向上層晶片饋電，建立3D堆疊連接路徑。該IP亦延續HBM、GLink、UCIe產品線，並整合proteanTecs互連監測，提升測試可視性與實際運作可靠度。 技術長Igor Elkanovich表示，HBM4E可顯著提升新一代AI加速器頻寬與系統效能；結合face-up HBM、face-up UCIe與GLink-3D，GUC可提供完整3D SoIC介面方案，協助客戶整合HBM、chiplet與3D堆疊。