铁铅液流电池跑完1万次循环，AI生物学模型加速扩张

这项验证于10月1日公布。电芯在25C至30C的温度下跑了1万次循环。CIC energiGUNE表示，电池以铁和铅作为活性材料，只用一个电解液回路，而传统液流电池有两个回路。它采用无氟膜，用来降低内阻，并限制化学物质在电芯两侧之间发生不必要的迁移。

液流电池把能量储存在外部储罐里。电解液越多，储能容量越大；功率输出则取决于电芯和电堆的尺寸与数量。两者分开，系统就能按数小时储能来设计，不必同时放大这两个参数。CIC energiGUNE表示，高循环能力与安全性相结合，适合太阳能和风能并网、电网级储能、微电网以及工业能源管理。

同一周还出现了另一种截然不同的规模化主张，来自微软研究院。9月29日，该公司推出Quine，称其为一个多模态生物学世界模型，以及一套连接模型、科学工具、文献和研究人员的交互式框架。微软表示，该系统与哈佛大学和麻省理工学院的Broad Institute合作，优先筛选出预计能推动治疗性肿瘤状态转变的化合物，并在多项湿实验检测中验证了若干排名靠前的候选物。

微软对局限说得很谨慎。Quine是实验性研究技术，仅供研究使用，不用于临床或医疗用途。其输出可能不完整或不准确，需要合格研究人员审查并做实验验证。Quine Fellows项目将让一批科学家获得使用权限，并有机会向系统反馈。

蛋白质结构与大流行病的空白

9月24日，NVIDIA表示已与Google DeepMind以及欧洲分子生物学实验室的欧洲生物信息研究所合作，通过AlphaFold数据库发布了2800多种病毒的蛋白质复合物三维结构预测。这些结构用AlphaFold2推断，并用NVIDIA的BioNeMo Inference Runtime优化。该公司称，这让团队把推断扩展到数千个病毒蛋白质组。加入数据库的蛋白质相互作用中，约30%是科学上的新发现，呈现出蛋白质数据库从未记录过的形状。

“下一次大流行病发生时，可能会出现某种完全未知的东西，而我们将缺少应对COVID时掌握的知识，”格拉斯哥大学MRC病毒研究中心分子病毒学教授Joe Grove在NVIDIA的文章中说。“我们要做的是提前把一部分知识储备起来。”文章引用全球发展中心的分析估计，到2050年，出现与COVID-19同样严重的大流行病的概率约为50%。NVIDIA表示，传统结构测定可能需要数年时间，每个结构的成本高达数千美元。

研究过程本身的自动化也在推进。9月29日提交到arXiv的一篇论文描述了AIM，即作者所称的面向想法驱动自动化研究的Agentic Idea Manager。该框架使用Agentic Surrogate和Agentic Acquisition机制来组织和选择研究方向，用Solution Auditor保持想法与实现一致，用Resource Planner在并行分支之间分配实验预算。在10项AutoLab基准任务上，作者报告System Optimization提升1.6个百分点，长周期Model Development和CUDA任务提升4.9个百分点，达到最佳基线性能所需的实际时间最多快3.1倍。

微软研究院亚洲的新加坡实验室于2025年7月24日开业，是该公司在东南亚的第一个研究实验室，9月28日迎来第一年。该实验室列出的方向包括下一代模型与智能体系统、领域专用AI、AI原生研究实践以及人才培养。

并非所有数据都指向同一个方向。9月24日发表在JAMA Psychiatry上的一项研究由巴塞罗那全球健康研究所和奥胡斯大学牵头，分析了丹麦210万名儿童和青少年。研究把2012年至2022年间确诊ADHD或自闭症的71000多人，与未确诊的713000多人进行比较。出生体重低的儿童在时期开始时后来被诊断出这两种疾病之一的概率高出54%；到时期结束时，这一差异降至17%。“关键信息不是这些风险因素不再重要，”第一作者Magnus Elias Tarp说。“我们发现，近年确诊的人比十年前得到同样诊断的人更接近普通人群。”