跳转至

NMI — Vol 8 Issue 9 · 2026-10-13

  • 共 8 篇 · Nature Machine Intelligence
  • 目录核对 ⚠️ 疑似漏 10 篇(对照 OpenAlex 17 篇):10.1038/s42256-026-01294-w、10.1038/s42256-026-01299-5、10.1038/s42256-026-01289-7、10.1038/s42256-026-01292-y、10.1038/s42256-026-01291-z 等

本期导览

自动生成:归纳本期主要主题与脉络,不打分、不排名。

这一期共 8 篇,主题分布较散,但可归纳为三条主线。其一,大语言模型(LLM)作为实验设计与决策工具,涉及 GOLLuM(LLM 与高斯过程结合用于实验优化)、Causal evidence(LLM 置信度与弃权行为的因果分析)、Implicit-bias-like patterns(推理模型中的内隐偏见测量)。其二,科学数据表示与预测,包括 WIEN-INR(小波域多分辨率隐式神经表示)、NucleicBERT(RNA 序列自监督表示)、MAP(知识图谱驱动的单细胞响应预测)。其三,智能体与框架性讨论,如 MatBrain(轻量级协作智能体)、Life-inspired interoceptive AI(内感受机制视角文章)。

最突出的主线是 LLM 行为与统计校准的交叉。GOLLuM 将 LLM 的排序能力与高斯过程的不确定性估计结合,用贝叶斯目标训练嵌入,使相似实验结果的样本在潜空间聚集,仅需少量低性能数据即可在 23 个合成任务上超越传统贝叶斯优化,且实验效率提升 40% 以上——这是对 LLM 过度自信问题的直接统计修正。Causal evidence 则从因果识别角度切入,通过激活引导和中介分析证明 LLM 的弃权行为确实由内部置信度驱动,且置信度效应量比其他机制高一个数量级,这为理解 LLM 决策机制提供了可检验的因果证据。Implicit-bias-like patterns 将人类 IAT 的反应时差异类比为推理模型生成 token 数的差异,发现刻板一致任务计算努力更少,且该效应能预测下游输出偏差——这是将心理测量工具迁移到模型行为分析,方法上虽简单但可操作性强。

另一条值得注意的主线是数据高效表示与预测。WIEN-INR 将信号分解到小波域多分辨率尺度,用增强网络恢复细节,使小网络也能保留全谱内容,在压缩率与保真度上优于现有 INR,适合高维科学数据的存储与重建。NucleicBERT 仅用单条 RNA 序列做掩码语言建模,不依赖多序列比对,潜空间编码结构属性,在下游任务上匹配或超越依赖进化信息的模型,缓解了 3D 结构数据稀缺问题。MAP 则通过知识图谱预训练对齐分子结构、序列与文本机制,实现未测药物的零样本单细胞响应预测,其知识驱动策略与统计零样本泛化问题直接相关。

与因果推断、半参数效率、高维统计最贴合的优先阅读:Causal evidence(因果识别与中介分析)、GOLLuM(不确定性校准与贝叶斯优化)、WIEN-INR(高维信号多尺度逼近)。若关注 LLM 行为统计建模,Implicit-bias-like patterns 也值得一读;若偏计算生物学,MAP 与 NucleicBERT 提供了知识驱动与自监督两种范式对比。

统计计算 / 算法 (stat_computing, 1 篇)

1. 10.1038/s42256-026-01287-9 · arXiv — Multi-resolution enhancement for full-spectrum neural representations

  • 作者: Yuan Ni, Zhantao Chen, Shizhou Xu, Cheng Peng, Rajan Plumley, Chun Hong Yoon et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: SLAC National Accelerator Laboratory · Linac Coherent Light Source · Stanford University · Texas Materials Institute · The University of Texas at Austin · University of California, Davis · Carnegie Mellon University
  • 分类: vol 8 · issue 9 · pp 1492-1505
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对科学数据采集速度超过存储与分析能力的瓶颈,提出 WIEN-INR,一种基于小波域多分辨率增强的隐式神经表示(INR)框架,用于数据压缩与高保真重建。该方法将信号建模分布到不同分辨率尺度,并引入增强网络恢复细节,使较小网络也能保留全空间-频率内容,同时保持训练效率与低存储成本。在多种原始实验测量数据上验证,WIEN-INR 在压缩率与保真度上优于现有 INR 方法。对您而言,该工作展示了如何用多尺度分解与神经网络结合来逼近高维信号,与您在高维统计与计算复杂性方面的兴趣有潜在联系,但方法学上属于应用型创新。
  • 关键技术: implicit neural representations, wavelet domain, multi-resolution enhancement, hierarchical network, data compression
  • 为什么对您有用: 本文属于统计计算方向,可作为 gateway reading 了解 INR 在科学数据压缩中的应用。您的武器库(如高维统计、非参数方法)足以理解其核心思想,但若要深入改进,需补充深度学习训练与优化知识。值得一读以拓宽视野,但非直接推进您的主要研究方向。

其他 (other, 7 篇)

1. 10.1038/s42256-026-01283-z · arXiv — Large language models as uncertainty-calibrated optimizers for experimental discovery

  • 作者: Bojana Ranković, Ryan-Rhys Griffiths, Philippe Schwaller
  • 期刊/来源: Nature Machine Intelligence
  • 机构: NCCR Catalysis · École Polytechnique Fédérale de Lausanne
  • 分类: vol 8 · issue 9 · pp 1466-1477
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出 GOLLuM,一种将大语言模型(LLM)与高斯过程(GP)贝叶斯优化目标结合的方法,用于实验设计中的候选排序。核心思想是利用 GP 的不确定性估计来校准 LLM 的过度自信,通过贝叶斯目标训练 LLM 的嵌入,使相似实验结果的样本在嵌入空间中聚集。方法仅需少量(如十个)低性能实验数据,即可在 23 个合成化学、材料科学等任务上平均排名第一,且比传统贝叶斯优化少用 40% 以上的实验。在 Buchwald-Hartwig 反应优化中,GOLLuM 发现高性能反应的比例(43%)显著优于基于量子化学描述符的专家方法和现有 LLM(24-25%)。本文属于应用型方法论文,方法学创新在于将不确定性校准信号用于 LLM 微调,而非提出新的统计推断理论。
  • 关键技术: Bayesian optimization, Gaussian process, large language models, uncertainty calibration, embedding learning
  • 为什么对您有用: 本文属于 general-science 范畴(Nature Machine Intelligence),可作为 gateway reading 了解 LLM 与贝叶斯优化结合的前沿应用。虽然与您的主要兴趣(因果推断、高维统计等)无直接方法学关联,但其不确定性校准思想与您熟悉的贝叶斯优化和统计计算有一定交叉。武器库中的统计计算和软件工具足以支撑理解其方法,但若要深入其 LLM 训练细节,可能需要补充深度学习知识。值得花时间读全文,以拓宽对统计计算前沿应用的视野。

2. 10.1038/s42256-026-01293-x — Causal evidence that language models use confidence to drive behaviour

  • 作者: Dharshan Kumaran, Nathaniel Daw, Simon Osindero, Petar Veličković, Viorica Patraucean
  • 期刊/来源: Nature Machine Intelligence
  • 机构: Google DeepMind (United Kingdom) · Princeton University
  • 分类: vol 8 · issue 9 · pp 1411-1425
  • 相关性 5/10 · novelty: application
  • 摘要: 本文研究大语言模型(LLM)是否真正利用内部置信度信号来决定是否回答或弃权,属于认知科学与机器学习交叉领域。作者设计了四阶段实验范式:第一阶段在无弃权选项下获取基线置信度;第二阶段发现模型在弃权时对内部置信度施加隐式阈值,且置信度效应量比其他机制大约一个数量级;第三阶段通过激活引导(activation steering)提供因果证据,增强或抑制置信度分别减少或增加弃权,中介分析确认置信度重分配是主要机制;第四阶段通过指令让模型在不同置信度水平弃权,表明模型能读取并依据置信度设定弃权策略。此外,口头置信度(verbal confidence)独立预测弃权但区分正确性较弱,激活解码显示两种度量都是内部丰富表征的有损读出。结论是弃权行为由多维内部置信度表征与阈值策略共同决定,支持LLM具有结构化元认知控制的观点。
  • 关键技术: activation steering, mediation analysis, log-probability confidence, verbal confidence, threshold-based abstention policy
  • 为什么对您有用: 本文属于gateway-reading范畴(Nature Machine Intelligence),作为统计学家可了解LLM内部表征与行为之间的因果推断方法,但核心方法(激活引导、中介分析)与您的因果推断兴趣有间接联系,可作为跨学科阅读。武器库足以理解其统计部分(中介分析、效应量),但无需深入。

3. 10.1038/s42256-026-01300-1 · arXiv — Implicit-bias-like patterns in reasoning models

  • 作者: Messi H. J. Lee, Calvin K. Lai
  • 期刊/来源: Nature Machine Intelligence
  • 机构: Washington University in St. Louis · Rutgers, The State University of New Jersey
  • 分类: vol 8 · issue 9 · pp 1457-1465
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出推理模型内隐联想测验(RM-IAT),将人类IAT中的反应时差异类比为LLM推理模型在生成逐步推理时token数量的差异,以此衡量模型处理刻板/反刻板信息的计算努力差异。在四个推理模型(o3-mini、DeepSeek-R1、gpt-oss-20b、Qwen3-8B)上,发现与刻板一致的任务比不一致任务需要更少的计算努力,而Claude 3.7 Sonnet呈现反转模式,主题分析显示其内部推理更关注偏见与刻板。RM-IAT效应能预测模型在词联想和决策任务中的输出偏差,支持其收敛效度。该研究将心理测量工具迁移到LLM行为分析,属于应用型方法贡献。对您而言,本文作为跨学科科普阅读有价值,但方法学上无直接可迁移的统计理论。
  • 关键技术: implicit association test, reasoning-token counts, thematic analysis, convergent validity
  • 为什么对您有用: 本文属于general-science gateway reading(Nature Machine Intelligence),可作为跨学科入门读物,了解LLM行为测量中的新范式。但作为统计学家,您可能更关注其测量效度背后的统计模型(如效应量估计、模型间比较),不过武器库中无直接对应的工具,且方法学novelty有限,不值得深入展开。

4. 10.1038/s42256-026-01286-w — A knowledge-driven framework for predicting single-cell responses for unprofiled drugs

  • 作者: Jinghao Feng, Ziheng Zhao, Xiaoman Zhang, Mingfei Liu, Jingyi Chen, Xingran Quan et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: Shanghai Jiao Tong University · Shanghai Artificial Intelligence Laboratory · Harvard University
  • 分类: vol 8 · issue 9 · pp 1478-1491
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 MAP 框架,用于预测未测药物(unprofiled drugs)的单细胞响应,属于计算生物学与机器学习交叉领域。核心设定是零样本泛化:模型需对无表达谱的药物预测差异表达基因。方法上,作者构建了整合 14 个公共资源的知识图谱 MAP-KG(含 187,089 药物、22,924 基因、694,246 条机制关系),并提出知识驱动的预训练策略,将分子结构、蛋白质序列和文本机制描述对齐到统一嵌入空间,生成机制感知的基因与药物嵌入,再与预训练的单细胞基础模型耦合,以条件化扰动响应预测。评估在两个零样本场景下进行:未见细胞系-药物组合和更严格的未测药物,前者 top-50 差异表达基因 Pearson delta 相关性提升最高 +12.3%,后者 +11.8%。此外,通过基因集富集分析进行通路级功能分析,在 A-549 细胞系中成功优先排序出 5 个已批准抗癌药物中的 4 个。对您而言,本文属于应用型工作,方法学 novelty 有限,但知识图谱与嵌入对齐的思路可能对统计建模中的结构化先验整合有启发,不过与您的主要兴趣(因果推断、高维统计、U-统计量)无直接关联。
  • 关键技术: knowledge graph, multi-modal embedding alignment, zero-shot prediction, single-cell foundation model, gene set enrichment analysis
  • 为什么对您有用: 本文属于 gateway reading 范畴(Nature Machine Intelligence 的跨学科应用),作为统计学家入门计算生物学中单细胞数据建模的读物尚可,但数据与模型描述对统计学家而言不够深入。您的武器库(非参数统计、高维渐近)足以理解其评估指标(如 Pearson delta 相关性),但不足以直接贡献方法学改进,因此暂不可做。若您对知识图谱嵌入或单细胞基础模型的统计性质感兴趣,可花时间读全文,否则建议略读摘要即可。

5. 10.1038/s42256-026-01298-6 · arXiv — A collaborative agent with two lightweight synergistic models for autonomous crystal materials research

  • 作者: Tongyu Shi, Yutang Li, Zhanyuan Li, Qian Liu, Jie Zhou, Wenhe Xu et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: Chinese Academy of Sciences · Shenzhen Institutes of Advanced Technology · University of Chinese Academy of Sciences · Chengdu University · Chongqing University of Posts and Telecommunications
  • 分类: vol 8 · issue 9 · pp 1441-1456
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 MatBrain,一个用于晶体材料研究的轻量级协作智能体系统,由两个协同模型组成:Mat-R1(30B 参数)负责领域推理,Mat-T1(14B 参数)负责工具调用。通过熵分析发现两个模块的输出分布具有不同特征,与功能分工一致。该系统在结构生成、性质预测和合成规划等任务上表现与前沿大模型相当,但参数量小得多,可本地部署。在催化剂设计中,48 小时内生成 3 万候选结构并识别出 38 种有前景的材料,显著减少了人工参与时间。作为 Nature Machine Intelligence 的论文,本文属于通用科学网关阅读,对统计学家而言,其方法学新颖性有限,主要价值在于展示轻量级多智能体协作在科学发现中的应用。
  • 关键技术: dual-model architecture, entropy analysis, tool orchestration, domain reasoning, local deployment
  • 为什么对您有用: 本文属于通用科学网关阅读,适合作为了解 AI 智能体在材料科学中应用的入门读物。武器库(统计方法)虽不能直接支撑进入该领域,但本文的数据生成和筛选流程(3 万候选结构、38 种材料)可能引发对实验设计或筛选统计方法的兴趣。值得花时间读全文以拓宽视野,但无需深入方法学。

6. 10.1038/s42256-026-01295-9 — NucleicBERT interprets RNA sequence space through self-supervised language modelling

  • 作者: Utkarsh Upadhyay, Julian Herold, Markus Götz, Alexander Schug
  • 期刊/来源: Nature Machine Intelligence
  • 机构: Forschungszentrum Jülich · Jülich Supercomputing Centre · Karlsruhe Institute of Technology · Helmholtz Munich
  • 分类: vol 8 · issue 9 · pp 1426-1440
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出 NucleicBERT,一个基于自监督掩码语言模型的 RNA 序列表示学习方法,目标是在缺乏结构标注的情况下从单条序列中学习上下文表征。模型不依赖进化信息或多序列比对,仅利用大规模未标注 RNA 序列进行预训练。通过可解释性分析,作者发现模型在潜空间中组织序列并编码结构属性,表明序列相关性本身蕴含生物学约束。在下游结构预测和功能预测任务上,NucleicBERT 仅需单序列输入即可匹配或超越现有 RNA 预测模型。该方法缓解了 3D RNA 结构数据稀缺的问题,为实验技术提供了快速的计算补充。本文属于应用型方法论文,方法学新颖性主要在于将 NLP 技术迁移到 RNA 领域,而非提出新的统计理论。
  • 关键技术: self-supervised masked language model, contextual embeddings, explainable AI, fine-tuning, RNA structure prediction
  • 为什么对您有用: 本文属于 Nature Machine Intelligence 的通用科学入门读物,面向对 RNA 序列建模感兴趣的统计学家。作为入门读物,它清晰展示了自监督学习在生物序列上的应用流程,但数据与模型设定(序列分类/回归)与您的主要兴趣(因果推断、高维统计)无直接交集。您的武器库(如非参数统计、U-统计量)足以理解其评估指标,但无法直接迁移。鉴于其方法学新颖性有限且与您的研究方向距离较远,不值得花时间精读全文。

7. 10.1038/s42256-026-01296-8 · arXiv — Life-inspired interoceptive artificial intelligence for autonomous and adaptive agents

  • 作者: Sungwoo Lee, Younghyun Oh, Hyunhoe An, Hyebhin Yoon, Karl J. Friston, Seok Jun Hong et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: Institute for Basic Science · Sungkyunkwan University · UCL Queen Square Institute of Neurology · University College London
  • 分类: vol 8 · issue 9 · pp 1335-1346
  • 相关性 3/10 · novelty: survey
  • 摘要: 本文是一篇 Perspective 文章,提出将生物体的内感受(interoception)机制引入人工智能,以构建更具自主性和适应性的智能体。作者主张将内部状态从生物实现中抽象为数学表示,并显式分解内部与外部环境的状态变量,同时形式化生命启发的内部状态动力学性质。内部状态被视为普遍可用且内在有价值的上下文,作为稳定参考信号调节外部环境变化下的学习与行为。文章还讨论了神经调节机制等生物过程如何支持上下文依赖的适应性行为。该文整合了控制论、生命理论、强化学习和神经科学的见解,提出一个统一框架,但并未提供具体的统计或计算方法。
  • 关键技术: interoception, active inference, reinforcement learning, homeostatic regulation, state-space factorization
  • 为什么对您有用: 本文属于 Nature Machine Intelligence 的跨学科前沿文章,作为科普性阅读可了解 AI 与神经科学交叉的最新视角,但方法论上与您的核心兴趣(因果推断、高维统计等)无直接关联。作为 gateway reading,其行文对统计学家较为友好,但缺乏具体的数据或建模细节,武器库足以理解,但无需深入。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论