人工智能

人工智能:AI 科研智能体、大模型与自动化科研流程

阿尔茨海默病人工智能语音与言语生物标志物的系统综述

系统综述评估基于人工智能的语音与言语分析作为阿尔茨海默病及轻度认知障碍无创生物标志物的转化潜力。 遵循PRISMA指南,两名研究者检索PubMed、Scopus与Cochrane Library,纳入报告诊断与预后结局、采用机器学习或深度学习分析人类语音的研究。

机器学习预测心血管病风险算法的系统综述:前景与临床不确定性

该综述考察机器学习算法预测心血管疾病风险的输出,是否针对Framingham风险评分的已知不足并改善风险估计。 检索Medline、Embase与IEEE自建库至2025年1月1日,纳入将机器学习心血管风险评估输出与FRS直接比较的研究,排除评论、信件及未发表文献。

AI 与智能体在药物发现中的应用:批判性文献综述

演进脉络:从 DENDRAL 专家系统、计算机辅助药物设计(CADD)、QSAR 建模,到 AlphaFold 3 生物分子复合物预测、计算机辅助合成规划(CASP)、天然产物生物勘探与自主多智能体系统。 重点进展:抗菌筛选、精准肿瘤学、植物化学表征,以及临床阶段的 AI 生成分

人–AI 团队 vs 人–人团队:信息探询如何影响协作决策

背景:传统人–AI 决策研究把过程当作"AI 给建议、人做决定"的线性分段流程;但 LLM 让交互更接近人–人团队的协作——成员必须共享并整合各自独有的信息才能做出好决策。 采用团队研究经典范式 隐藏剖面任务(hidden profile);操纵团队类型(人–AI 98 组 vs

主动推断与"人工推理":用期望自由能驱动结构学习与规则发现

核心问题:如何采样最能揭示世界模型结构的结果——即在若干生成模型/假设之间做最优实验设计(rule discovery)。 数学工具:主动推断中,策略(动作组合)按期望自由能选择 = 期望信息增益 + 价值;信息增益即"含与不含行动后果"两种预测后验之间的 KL 散度。 计算效率

审计"审计者":无标签、可校准地测量 LLM 诊断中的无依据断言(ATRACC 2026)

场景:微服务事故诊断。核心工具 TCA(Telemetry Claim Adjudicator) 是一个不依赖结果标签的机械裁决器,逐条裁定 LLM 智能体在诊断中引用的遥测断言是否有依据。 配套制品:6 种架构臂 × 2 个基准的诊断 harness;以 SHA-256 请求号

基于蒙特卡洛搜索的推理分解方案预缩放用于优化代码合成

该条目为期刊论文的出版信息资讯,仅报告题名、作者与出版卷期,未提供摘要与结果,因此无法给出方向性结论;证据档位为C,不足以下结论。 研究设计与做法材料未报告;从题名可推测涉及对推理分解方案进行蒙特卡洛搜索以实现预缩放,并用于优化代码合成,但具体设计类型、样本量、对照与随访时长均材