《对话》去年12月举行网络研讨会，探讨人工智能在药物发现与开发中的应用前景。佐治亚理工学院学者杰弗里·斯科尔尼克与范德堡大学药理学助理教授本杰明·P·布朗在访谈中表示，AI可通过整合海量生物数据、提升虚拟筛选效率并辅助蛋白结构预测，为靶点识别与候选药物设计提供新工具，但仍需实验与临床验证支撑。

研究人员称，新框架通过刻画基础设施、社会条件与环境风险等因素的相互依赖关系，为社区脆弱性评级提供更精细的依据。

研究团队提出一种基于耳内加速度计的被动认证系统“AccLock”，通过捕捉心跳引起的微小振动实现连续身份验证，可在标准耳机上运行，并在多种采样率和真实场景下展现出较高准确率。

韩国科学技术院团队提出一种受大脑发育启发的“预热”训练方法，让AI在学习真实数据前先学会“我还一无所知”，从源头缓解过度自信问题，提升在自动驾驶、医疗诊断等关键领域的安全性与可靠性。

研究团队提出一种名为“发展视觉饮食”（DVD）的新训练流程，通过模拟人类视觉发育过程，让计算机视觉模型更依赖形状而非纹理，从而在鲁棒性和泛化能力上取得提升。

布法罗大学研究团队基于夏威夷十余年野火数据，对多种开源深度学习模型进行系统评估，并以2023年毛伊岛火灾与传统物理模型FARSITE对比。结果显示，人工智能模型具备数据适配优势，但在整体预测表现上仍难以取代传统方法。

一项发表在《工程研究杂志》上的研究提出了一种结合传统图像处理与深度学习的三阶段方法，可在UCF101数据集上以约95%的准确率自动检测并定位视频中的插帧篡改。

IMDEA材料研究所与马德里理工大学提出一种基于深度学习的替代模型，在液态复合材料成型过程的流体流动仿真中实现毫秒级预测，大幅降低计算成本，为数字孪生和自适应过程控制提供了新工具。

研究人员在《水资源研究》发表论文，尝试以可微分的物理驱动深度学习框架刻画大草原坑洼区“充满—溢流—连通”的阈值过程，以提升缺乏长期监测流域的径流预测与可解释性。

麻省理工学院海洋资助项目与Woodwell气候研究中心及其他合作伙伴共同开发了一套基于深度学习的鱼类监测系统。

Apple 推出全新 3D 表达方式 LiTo，只需一张图片，就能生成在不同视角下仍能保持真实反射与光泽效果的 3D 对象。该方法将几何形状与视点依赖的外观统一编码为 3D 潜在表示，并已被 ICLR 2026 收录。

研究团队通过让模型同时学习细菌与显微食物碎屑特征，消除碎屑被误判为细菌的情况，提升了基于图像的活菌快速检测与分类能力。