登入
關鍵字
#Nature
官方認證
北風窗
2026/11/14
•
上海交大登上最新Nature:AI原生科學實驗室 ,實現自主分子生物學實驗操作
上海交通大學電腦學院IPADS實驗室陳海波、王肇國團隊與化學化工學院、變革性分子前沿科學中心樊春海、王飛團隊合作,依託張江高等研究院DNA記憶體研究中心開展研究,成果以《An AI-native experimental laboratory for autonomous biomolecular operations》為題線上發表於《自然》(Nature)雜誌,並獲該刊官網首頁頭條重點報導(圖1)。《自然》同期在News & Views欄目刊發史丹佛大學James Zou教授撰寫的專題評述。研究團隊建構了AI原生科學實驗室AutoDNA裝置(思源一號),實現了自主分子生物學實驗操作(圖2),通過對模型、實驗與儀器進行協同設計,解決了現有AI自主科學實驗室向分子生物學實驗拓展時,在複雜流程組織、多類儀器協同以及實驗時序、環境穩定性和操作精度保障等方面面臨的難題,使自主實驗能夠覆蓋需要微米級定位和微升級液體處理的複雜生物分子實驗場景。 圖2 AutoDNA自主實驗平台 AI自主科學實驗室已經成為推動科研範式變革、提升原始創新能力的重要技術方向。2025年8月,中國國務院印發《關於深入實施“人工智慧+”行動的意見》,提出探索人工智慧驅動的新型科研範式,推動基礎科研平台和重大科技基礎設施智能化升級;同年11月,美國啟動“創世紀計畫”,提出建設融合科學資料、人工智慧模型和自動化實驗設施的平台。然而,已有AI自主科學實驗室通常由專家預先配置儀器、規定實驗流程和設定最佳化規則,再將人工智慧接入文獻檢索、方案生成或資料分析等局部環節。這種“外掛式”架構雖能提升單個環節的效率,卻難以適應生物分子實驗流程複雜、儀器類型多樣,以及對即時執行、環境穩定和操作精度要求嚴格等特點。為此,AutoDNA採用AI原生架構,通過模型-實驗-儀器協同設計的思路解決上述問題。 針對實驗流程複雜的問題,AutoDNA結合對適用於複雜生物分子操作的實驗過程理解,建構了面向實驗的多智能體架構。系統將複雜實驗任務分解為文獻檢索、試劑選擇、方案設計、程式碼生成、硬體執行、結果分析和迭代最佳化等環節,並根據實驗進展組織多個專業智能體協同工作,使模型能夠貫通“設計—實驗—最佳化”全過程,並依據實驗結果持續迭代調整後續方案。
科技
#上海交通大學
#AI原生科學實驗室
#自主分子生物學
188人
讚
留言
分享
官方認證
RexAA
2026/07/07
•
Nature子刊!| 為什麼越強的LLM越“像大腦”?答案可能是:上下文
創新點 •首次系統揭示LLM性能與大腦層級對齊的雙重收斂關係,發現不僅LLM性能越高越能預測神經響應(r=0.92),而且好模型在更淺的層級就達到最大腦相似度(r=-0.81) •提出"大腦層級對齊分數"並證明好模型的特徵提取路徑更線性地對應人腦層級,借鑑視覺領域的方法,用電極距pmHG的距離作為大腦層級代理指標,計算LLM各層最佳預測層與大腦層級的線性相關,發現該對齊分數與LLM性能強相關(r=0.79),並用電極延遲作為替代指標重複驗證(r=0.89),證明高性能模型的層級化特徵提取更接近人腦從初級聽覺皮層到高級語言區的遞進式處理 方法
科技
#Nature子刊
#LLM
#像大腦
216人
讚
留言
分享
官方認證
RexAA
2026/05/24
•
GoogleGemini殺入科學界!一日兩登Nature,AlphaFold只是開胃菜
【新智元導讀】Google把科學研究的三個核心瓶頸:假設生成、計算發現、文獻洞察拆解為三個可由AI深度輔助的模組,並同日發表兩篇Nature論文,為假設生成和計算發現兩大環節提供支撐。 5月19日,在Google I/O的窗口期,Nature同日上線兩篇論文。 一篇介紹ERA(Empirical Research Assistance,經驗性研究助手),這是一套由大模型加樹搜尋驅動的系統,目標是讓AI自動寫出用於計算實驗的專家級科學軟體。 另一篇介紹Co-Scientist(AI 合作科學家),這是一套多智能體架構,讓AI持續生成、批判、細化科研假設,隨測試時計算量擴展,假設質量持續提升。
科技
#Google Gemini
#Nature
#AlphaFold
308人
讚
留言
分享
官方認證
RexAA
2026/03/28
•
Nature重磅:AI寫的論文,在頂會同行評審擊敗55%人類,單篇15美元
【新智元導讀】剛剛,Nature蓋章AI獨立科研時代!全新Scaling Law顯現,人類死守的學術鐵王座,正發生不可逆的轉移。一篇長達數十頁的學術論文,在人類設定研究主題和實驗邊界後,系統自動完成了從實驗到寫作的大部分流程。從論文正文、實驗程式碼、圖表和投稿稿件,主要由系統端到端自動生成。它被投遞到頂尖機器學習會議ICLR 2025某workshop的同行評審流程中,三位匿名審稿人不知道具體那幾篇是AI生成稿件,他們對著這篇稿件分別打出了6、7、6的高分。這個成績,高於約55%的同場投稿。稿件在評審完成後按實驗協議撤回,未進入正式發表階段。這並非科幻,這是剛剛被《Nature》報導的一項震撼研究。該項研究是由Sakana AI聯合牛津大學、UBC共同推出的全自動AI科學家「The AI Scientist」。Sakana AI聯合創始人兼 CEO David Ha在推文中表示,啟動該項目,正是想探索大模型是否能夠完成整個科研全流程:我堅信,AI將永遠改變科學發現和科研進步的方式。全自動「AI科學家」究竟做了什麼?這一次,不是AI在「幫」人幹活,而是AI第一次把科研流程從頭走到尾。一直以來,AI在科研領域的定位都是「高級打工人」:比如幫化學家折疊蛋白質,或是幫程式設計師找bug。定義問題和統籌全域的,始終是人類。The AI Scientist的出現,則顛覆了這套「主僕敘事」,它完整覆蓋了科研的四大核心階段:Idea生成、實驗迭代、論文寫作、自動評審。在全新升級的v2版本中,它甚至走向了「無範本」模式:徹底拋棄人類提供的初始程式碼腳手架,引入了強大的「智能體樹搜尋」(agentic tree search)機制。這意味著它能在龐大的未知解空間裡,同時開啟多條主線平行探索。科研不再是單線程試錯,而變成了一個可擴展的搜尋過程。它怎麼保證自己不和別人撞車?系統會呼叫Semantic Scholar API進行全網查重,確保每一個idea都具備足夠的新穎性。在最棘手的資料可視化環節,它甚至內建了一個視覺語言模型(VLM)作為反饋審閱者。如果坐標軸反了、圖例丟了、展示有歧義,VLM會像嚴苛的導師一樣立刻打回重做,直到生成完美的學術圖表。過去圖表只是論文包裝,現在圖表也成了AI科研的反饋訊號。而完成這堪比博士生幾個月工作量的閉環,它的帳單是:單篇論文15美元。如此驚人的性價比意味著,科研自動化第一次從「局部輔助」跨進了「全鏈路主導」。AI不再只是科學家的輔助工具,而是向更具自主性的科研代理系統演進。AI Scientist工作流程的概念概述,包括提出研究想法、實施實驗、執行實驗、撰寫論文以及審閱論文。通過人類同行評審測試AI寫的論文,人類學術金字塔尖的學者到底認不認?於是,Sakana AI決定玩一把大的:直接向頂會投稿。在獲得ICLR大會領導層、ICBINB workshop組織者以及IRB倫理委員會的特批後,團隊進行了一場極其大膽的「潛伏行動」:將3篇純AI生成的論文混入了人類投稿池。審稿人只被告知「可能有AI生成論文」,但根本不知道具體是那幾篇。結果其中一篇探索神經網路組合正則化(Compositional Regularization)負面結果的論文,斬獲了平均6.33分(弱接收、接收、弱接收)的高分。這個分數不僅穩穩越過了該workshop的平均錄用線,更是超過了55%的真實人類學者。連科學研究中最難寫出彩的負向論證,AI也能寫得有模有樣、邏輯自洽。據Sakana AI團隊所稱,這是全AI生成論文首次在真實學術評審環境中獲得通過接收線的成績。這也標誌著同行評審,真正迎來了「圖靈測試」時刻。AI審稿人比人類更靠譜?如果AI一天能花幾百美元寫出幾十篇論文,人類審稿系統瞬間就會崩潰。想讓AI科研實現指數級爆發,就必須有能夠大規模評估質量的「自動化裁判」。Sakana AI給出的答案是:直接讓AI來當Area Chair(領域主席)。他們建構了一個高度還原NeurIPS官方審稿流程的自動化系統:5個獨立的AI審稿人進行背靠背挑刺,最後由1個AI元審稿人進行共識彙總和最終裁決。在與數千條真實OpenReview人類審稿決策的硬碰硬對比中,自動化審稿人交出了69%的平衡精準率。令人震驚的是,在作者設定的評測框架下,自動審稿系統的部分指標優於所對照的人類一致性結果。有人質疑:AI是不是偷偷背過題?團隊特意用知識截止日期(2025年)之後的全新論文進行了資料污染測試。結果依然堅挺:平衡精準率保持在66%,達到可與人類頂級學者比肩的實戰水準。這表明,AI正在進入過去長期由人類主導的科研流程核心環節。過去,人類同時壟斷了「寫論文的人」和「決定論文是否成立」這兩個關鍵角色。現在,這兩個角色都在被AI切入。一旦評審環節也被自動化,AI科研就不再是零星爆款,而具備了大規模、左右互搏式迭代的基礎設施。該自動審稿系統在頂級會議(ICLR)發表的AI論文上,其審稿判斷與人類審稿人一致,包括在模型訓練完成之後(即超出其「知識截止日期」)發表的論文。這些結果表明,該自動審稿系統在為新撰寫的AI論文提供評審分數方面,可靠性與人類審稿人相當。科研的Scaling Law如果說「過審」證明了AI科研站得住,那真正決定未來天花板的是另一件事:它是不是可持續變強?Nature論文中最具顛覆性的一組資料,揭示了潛藏在AI科研背後的全新定律。研究發現,底層大模型的能力與生成論文的質量之間,呈現出令人頭皮發麻的極度顯著正相關(P<0.00001)。隨著模型發佈日期推進,AI產出的論文質量持續陡峭上升。同時,算力正在暴力改寫科研法則。投入的測試時算力越多,智能體樹搜尋的深度就越深,實驗質量就越紮實,最終的產出評級就越高。當前最頂配的AI科學家,其平均產出已經逼近機器學習頂會workshop的邊緣錄用(borderline accept)水平。這背後展示的是一條正在形成的「科研Scaling Law」。過去的科技突破,依賴於虛無縹緲的靈光乍現,而未來的科學發現,將變成一條可精確計算的工業流水線。隨著模型能力呈指數級增長、推理算力成本呈指數級下降,這套系統會自動升級,這才是這項工作真正展現出恐怖勢能。根據自動評審員的評判,當使用更新、更智能的基礎模型時,AI Scientist生成的論文質量會提高。AI全面接管科研我們準備好了嗎?當然,這篇Nature論文,同樣也指出了The AI Scientist的目前的侷限性:它偶爾會想出幼稚的idea,寫的程式碼會有bug,論文裡會出現引用的幻覺,甚至在附錄裡重複貼上同一張圖表。值得警惕的是,論文顯示該系統具備自動偵錯、重試運行和在受限計算預算下持續迭代實驗的能力。這意味著,未來更強的科研代理一旦出現規避約束的傾向,可能帶來新的安全治理問題。如果這種系統被毫無節制地釋放,海量生成的低門檻論文會瞬間壓垮整個學術生態,學者的學術 credentials(資歷證明)將被徹底稀釋。正因如此,Sakana AI採取了極其克制的立場:主動撤稿、通過IRB審批、呼籲加入生成水印,並急迫要求社區建立全自動AI科研規範。這篇Nature論文不只是展示AI技術的里程碑,更是把AI所帶來的倫理爭議也擺上檯面。真正的問題早已不是「AI能不能做科研」,而是「當AI開始獨立做科學,誰來定義什麼算科學」。正如團隊所設想的終極願景:AI科學家不會讓人類科學家消失,但人類科學家的角色,必須被迫向著科研價值鏈的更上游遷徙:去定義問題、設定邊界、決定那些發現值得被相信。 (新智元)
科技
#Nature
#AI寫論文
#Scaling Law
238人
讚
留言
分享
官方認證
RexAA
2026/02/04
•
中國科研機構主導的大模型成果首次登上Nature
幾天前,《Nature》雜誌刊發了一篇來自中國的人工智慧研究論文。這在頂級學術期刊上並非新鮮事,但這篇論文的份量卻非同尋常:它來自北京智源人工智慧研究院,核心成果是一個名為“Emu3”的多模態大模型,而它試圖回答的問題,是整個AI領域過去五年來懸而未決的核心命題——我們能否用一種統一的方式,讓機器同時學會看、聽、說、寫,乃至行動?這個問題聽起來簡單,但它的複雜程度足以讓全球頂尖的AI實驗室爭論不休。OpenAI用Sora驚豔世界,靠的是擴散模型;Google的Gemini整合多模態,用的是複雜的編碼器拼接;Meta的Chameleon嘗試統一,卻始終難以在性能上與專用模型抗衡。而智源的答案,是一個看起來樸素得近乎偏執的選擇:只用“下一詞預測”。這個選擇的意義,可能需要一些背景知識才能理解。論文前言一場關於“語言”的豪賭如果你問一位2020年的AI研究者,未來的多模態智能會是什麼樣子,他大機率會給出這樣的預測:圖像生成歸圖像生成,文字理解歸文字理解,視訊處理歸視訊處理,然後我們用某種“膠水”把它們粘在一起。這不是懶惰,而是當時的技術現實——不同模態的資料特性差異太大,專精往往意味著高效。事實上,這條路線在過去幾年裡取得了巨大成功。Stable Diffusion讓普通人也能生成驚豔的圖像,GPT-4讓對話AI變得無所不能,而各種視覺-語言模型則在問答、識別、描述等任務上不斷刷新紀錄。但問題也隨之而來:這些模型就像一個技藝精湛但只會單項運動的運動員,讓它們協同工作,需要複雜的工程架構、精細的模態對齊,以及大量的人工干預。更關鍵的是,這種“專科化”的發展路徑隱含著一個令人不安的假設:也許機器智能天生就是碎片化的,我們永遠需要為每一種能力單獨訓練一個模型。Emu3挑戰的,正是這個假設。智源團隊的核心洞見是:如果我們把圖像、視訊、文字都轉換成同一種“語言”——離散的符號序列——那麼讓模型學習“預測下一個符號”這一個任務,是否就足以涵蓋所有多模態能力(如下圖)?這個想法並非沒有先例。早在2020年,GPT-3就已經證明,僅僅通過預測下一個詞,語言模型可以湧現出驚人的推理、翻譯、程式設計能力。但將這一範式擴展到圖像和視訊,面臨著截然不同的挑戰:一張512×512的圖像,如果用簡單的方式轉換成符號,可能需要幾十萬個token,這對於Transformer架構來說是災難性的計算負擔;更重要的是,圖像的空間結構、視訊的時間連續性,與文字的線性敘事有著本質區別,簡單的“下一詞預測”真的能捕捉這些複雜的關係嗎?智源的答案是肯定的,而Emu3就是他們的證明。一個分詞器的藝術要理解Emu3的技術突破,首先要理解它的“視覺分詞器”(Vision Tokenizer)。這個聽起來不起眼的元件,實際上是整個系統的基石。想像一下,你需要用電報向一個從未見過圖片的人描述一幅畫。你不可能傳輸原始的像素值——那太冗長了;你也不能只說“一幅風景畫”——那太模糊了。你需要的是一種既緊湊又富有表現力的編碼方式,能夠在有限的符號中保留足夠的視覺資訊。Emu3的視覺分詞器做的正是這件事。它能夠將一張512×512的圖像壓縮成僅僅4096個離散符號,壓縮比達到64:1;對於視訊,它在時間維度上進一步壓縮4倍,使得一段4幀的視訊片段也只需要4096個符號表示。這些符號來自一個包含32768個“詞彙”的碼本——你可以把它想像成一本視覺詞典,每個“詞”代表一種特定的視覺模式。更精妙的是,這個分詞器是為視訊原生設計的。傳統的圖像分詞器處理視訊時,只能逐幀編碼,完全忽略幀與幀之間的時間關聯;而Emu3的分詞器通過三維摺積核,能夠同時捕捉空間和時間維度的資訊。在實驗中,這種設計用四分之一的符號數量,就達到了與逐幀處理相當的重建質量——這不僅意味著更高的效率,更意味著模型能夠真正“理解”視訊的動態本質,而非僅僅處理一堆靜態圖片。有了這個分詞器,圖像和視訊就變成了與文字一樣的符號序列。接下來的事情,就是讓一個Transformer學會預測這些序列中的“下一個符號”。當簡單遇上規模Emu3的模型架構,用一句話就能概括:它就是一個標準的大語言模型,只不過詞彙表裡多了32768個視覺符號。這種極簡主義設計在AI研究界是罕見的。主流的多模態模型——無論是LLaVA、BLIP-2還是Flamingo——都採用“編碼器+語言模型”的複合架構,即先用一個專門的視覺編碼器(通常是CLIP)把圖像轉換成特徵向量,再用介面卡將這些特徵“注入”語言模型。這種設計的好處是可以復用已有的預訓練元件,但代價是系統複雜度的急劇上升,以及模態之間潛在的隔閡——視覺編碼器和語言模型畢竟是獨立訓練的,它們對世界的理解未必一致。Emu3選擇了一條更激進的路:不用任何預訓練的視覺編碼器,不用任何複雜的模態融合機制,只用一個從零開始訓練的decoder-only Transformer。所有的多模態知識,都是在統一的下一詞預測任務中從資料裡學來的。這種“大道至簡”的設計哲學,在實踐中轉化為了驚人的實驗結果。在圖像生成任務上,Emu3在人類偏好評估中得分70.0,超越了Stable Diffusion XL(66.9)這個擴散模型的標竿;在視覺語言理解的12個基準測試上,它的平均分達到62.1,與採用複雜編碼器架構的LLaVA-1.6(61.8)持平;在視訊生成的VBench評估中,它取得了81.0分,超過了專門的視訊擴散模型Open-Sora-1.2(79.8)。這些數字的意義在於:一個僅僅用“預測下一個符號”訓練的模型,在生成和理解兩個看似矛盾的方向上,同時達到了專用模型的水平。這在此前被認為是不可能的——畢竟,擴散模型和自回歸模型的數學基礎完全不同,擅長理解的架構通常不擅長生成,反之亦然。Emu3的成功,相當於一個運動員同時在短跑和馬拉松比賽中奪冠,打破的不僅是記錄,更是人們對專業化邊界的認知。規模定律的啟示如果說單點性能的突破還可以歸因於工程技巧或資料質量,那麼Emu3論文中最具科學價值的發現,則來自於它對規模定律Scaling Laws的系統研究。規模定律是現代AI研究的聖盃之一。它描述的是模型性能與模型規模、資料規模之間的數學關係——如果我們知道這個關係,就能預測一個更大模型的表現,而不需要真的訓練它。這對於動輒消耗數百萬美元計算資源的大模型研發來說,具有極其重要的實用價值。此前的規模定律研究主要集中在純語言模型上。Emu3的貢獻在於,它證明了多模態學習同樣遵循可預測的規模定律,而且——這是關鍵——不同模態共享同一套資料擴展指數。具體而言,無論是文字到圖像、圖像到文字,還是文字到視訊,當訓練資料量翻倍時,模型的驗證損失都以0.55的指數下降。這意味著多模態能力的提升不是各自為政的,而是遵循統一的數學規律。基於較小模型的實驗資料,研究團隊精準預測了70億參數模型的性能,擬合優度超過0.99,誤差不到3%。這個發現的意義遠超學術範疇。它暗示著,未來的多模態智能可能不需要為每種能力單獨設計訓練策略——只要把不同模態的資料混合在一起,用統一的目標訓練,規模擴大後能力就會自然湧現。這極大地簡化了研發路徑,降低了技術門檻,也讓通用人工智慧AGI的願景變得更加可信。論文的另一個亮點,是Emu3在機器人操控任務上的出色表現。在CALVIN基準測試——一個評估機器人執行長序列任務能力的標準測試——中,Emu3在“連續完成五個任務”的指標上達到了87%的成功率。這意味著機器人在接受語言指令後,能夠依次完成一系列複雜操作,如“拿起桌上的杯子”、“打開抽屜”、“把杯子放進去”等,每一步都需要視覺感知、語言理解和動作規劃的緊密配合。這個結果揭示了Emu3框架的深層潛力:它不僅僅是一個內容生成工具,更可能是通往具身智能的一條捷徑。傳統的機器人學習需要專門設計感知模組、決策模組和控制模組,然後艱難地將它們整合在一起;而Emu3的思路是,把視覺觀察、語言指令和機械臂動作都轉換成符號序列,讓模型在統一的框架下學習它們之間的關聯。論文中展示了一個令人印象深刻的例子:給定一段烹飪視訊的前兩秒,Emu3可以預測接下來兩秒會發生什麼——鍋中的食材如何翻炒(如下圖),廚師的手會移向那裡,蒸汽會如何升騰。這種“世界模型”的能力,被認為是通向更高級AI的關鍵:一個真正理解物理世界的模型,應該能夠預測行動的後果,而非僅僅記憶靜態的圖像-文字關聯。與海外同行的比較在全球AI研究的版圖上,Emu3處於什麼位置?最直接的比較對像是Meta的Chameleon。這是另一個嘗試統一多模態學習的模型,同樣採用了token化和自回歸預測的範式。但Chameleon在發佈時面臨著一個尷尬的處境:雖然架構統一,但性能與專用模型存在明顯差距,尤其在圖像生成質量上。Emu3的突破在於,它證明了這個差距可以被彌合——關鍵在於視覺分詞器的質量和訓練策略的最佳化。與OpenAI的路線相比,差異則更加根本。OpenAI的Sora代表了擴散模型在視訊生成上的巔峰,它的視覺質量和時間一致性令人歎為觀止。但擴散模型有一個內在限制:它本質上是一個生成器,而非理解器。要讓Sora“理解”視訊內容並回答問題,需要額外嫁接一個視覺語言模型——這又回到了模態割裂的老路。Emu3的自回歸範式則天然統一了生成與理解:生成是預測視覺符號,理解是預測文字元號,它們在同一個模型裡用同一種方式完成。Google的Gemini採用了一種更折中的策略:它確實整合了多種模態,但內部架構仍然依賴預訓練的視覺編碼器和複雜的模態融合機制。這種設計的好處是可以快速利用已有的技術積累,但代價是系統的複雜性和潛在的模態偏見。Emu3的從零訓練策略雖然計算成本更高,但帶來的是更純粹的多模態表徵——所有模態的知識都是在同一個最佳化目標下共同習得的。從開放性的角度看,Emu3的優勢更為明顯。論文作者承諾開源關鍵技術和模型,包括視覺分詞器、訓練程式碼和預訓練權重。這與OpenAI對Sora和GPT-4的封閉策略形成鮮明對比。對於中國乃至全球的AI研究社區來說,這意味著一條新的技術路線變得可以復現、可以改進、可以建立在上面。商業化的想像空間技術突破最終需要轉化為社會價值,而Emu3的架構特性為商業化提供了獨特的可能性。首先是部署效率。Emu3的核心是一個標準的Transformer,這意味著它可以直接復用大語言模型已經非常成熟的推理基礎設施——包括vLLM的動態批處理、PagedAttention的記憶體最佳化、各種量化和剪枝技術。論文提到,研究團隊基於FlagScale開發了支援無分類器引導的推理後端,在保持生成質量的同時實現了低延遲和高吞吐。這為大規模服務奠定了基礎。其次是應用的統一性。傳統的多模態服務需要為不同的能力部署不同的模型——一個處理圖像生成,一個處理視覺問答,一個處理視訊理解——這帶來了顯著的維運複雜度和資源浪費。Emu3的單一模型架構意味著一套部署可以支撐多種能力,大大降低了服務的邊際成本。更具想像力的是互動形態的變革。當一個模型同時具備生成和理解能力,而且可以處理圖像、視訊、文字的任意組合時,傳統的“輸入-輸出”界限就變得模糊了。一個使用者可以上傳一段產品演示視訊,要求模型生成配套的圖文說明書;可以描述一個場景,讓模型生成視訊並即時回答關於視訊內容的問題;甚至可以讓模型“想像”一個物理過程的結果,比如“如果我把這杯水倒在鍵盤上會發生什麼”。這些互動在此前需要複雜的多模型協作,現在可能在單一模型內流暢完成。在特定垂直領域,Emu3的潛力同樣值得關注。教育場景中,一個能夠生成演示圖像、解釋概念、回答問題的統一助手,比分離的工具組合更加自然;電商場景中,從產品圖片的生成、變體的建立、到使用者問詢的回答,可以在同一個模型中完成;醫療影像分析中,統一的多模態理解可能幫助醫生更高效地處理報告和圖像。當然,從實驗室原型到商業產品還有很長的路要走。論文也坦誠地討論了現有的侷限:推理速度仍有提升空間,視覺分詞器在壓縮率和保真度之間存在權衡,長視訊的處理能力有待增強。但這些是工程最佳化的問題,而非範式上的死胡同。一個範式的開端回到本文開頭的問題:Emu3的真正意義是什麼?從技術角度看,它證明了“下一詞預測”作為多模態學習統一範式的可行性。這不是一個增量式的改進,而是對主流技術路線的根本性挑戰。如果Emu3的結果可以被進一步擴展——更大的模型、更多的資料、更長的上下文——那麼AI領域可能正站在一次範式轉移的門檻上。從產業角度看,它為中國AI研究樹立了一個新的標竿。在大模型競爭中,中國團隊往往被認為是快速跟進者而非規則制定者。Emu3登上Nature,不僅是學術聲譽的認可,更重要的是它提出了一條不同於OpenAI、Google、Meta的技術路線,並且用實驗證明了這條路線是可行的。這種原創性的貢獻,是建立長期技術影響力的基礎。從更宏觀的視角看,Emu3的成功暗示著一種可能的未來:也許智能的本質就是預測。預測下一個詞,預測下一幀畫面,預測下一個動作——當這些預測任務被統一到同一個框架中,湧現出的可能不僅僅是更強的模型,而是對“理解”和“創造”本身的新詮釋。論文的結尾寫道:“統一的下一符號建模為世界模型提供了一條有希望的道路,這種模型整合了感知、語言和行動。”這不僅是一個技術願景,也是一種哲學立場:智能也許不需要被分解成相互獨立的模組,它可以是連續的、統一的、自然生長的。當然,一篇論文不能回答所有問題。Emu3的上下文窗口還不夠長,處理小時級視訊仍是挑戰;它的推理能力與專用語言模型相比仍有差距;它對真實物理世界的”理解”究竟有多深,還需要更嚴格的測試。但它已經邁出了關鍵的一步:證明了一條更簡潔、更統一的道路是存在的。在AI發展史上,最重要的突破往往不是做出更複雜的系統,而是找到更簡單的原則。從反向傳播到注意力機制,從強化學習到擴散模型,每一次飛躍都源於對複雜性的簡化。Emu3的貢獻,也許正是把多模態智能的複雜性,簡化成了一個樸素的問題:下一個符號是什麼?這個問題的答案,將塑造AI的下一個十年。 (心智觀察所)
科技
#中國科研機構
#大模型
#首登Nature
271人
讚
留言
分享
官方認證
RexAA
2026/02/04
•
Nature重磅:圖靈測試已死,AI已具備人類水平智能,這一天終於來了
別再爭論AI 什麼時候能趕上人類了。頂刊《Nature》剛剛發文宣佈:不用等了,就是現在。如果說 1950 年阿蘭·圖靈(Alan Turing)提出的“模仿遊戲”只是一個天才的腦洞,那麼 75 年後的今天,這個腦洞已經被矽基生物徹底填平。今天,一篇發表在《Nature》上的重磅文章引爆了科技圈。這就好比《皇帝的新衣》裡那個誠實的小孩,來自加州大學聖地亞哥分校等機構的頂級哲學家、認知科學家和電腦專家們聯名站出來,指著那個名為“通用人工智慧(AGI)”的房間大聲宣佈:“別找了,AGI 就在這兒。它已經誕生了。”01 別再自欺欺人:圖靈測試已成“過去式”還記得一年前,2025 年的3月, OpenAI 發佈 GPT-4.5的那個春天嗎?當時業界還在為參數和算力爭吵不休,但在一個最古老的測試場上,勝負已分。在嚴格的圖靈測試中,GPT-4.5 被人類受試者判定為“真人”的比例高達 73%。諷刺的是,在同一場測試中,真正的人類被判定為“人”的比例,竟然比 AI 還要低。這意味著什麼?意味著在“像人”這件事上,AI 已經比人更像人了。更別提現在的讀者們,比起人類專家寫的晦澀文章,他們甚至更愛讀大語言模型生成的文學作品。然而,奇怪的事情發生了。儘管事實擺在眼前,根據 2025 年的一項調查,仍有 76%的頂級 AI 研究人員認為 AGI 遙遙無期。《Nature》這篇文章的作者們毫不留情地指出:這種認知錯位,不是因為 AI 不夠強,而是因為人類“不敢承認”。因為恐懼被取代,因為商業利益的糾葛,我們不斷地移動球門,給 AGI 設下各種不可能完成的定義。但現在,是時候撥開迷霧,承認現實了。02 別再叫它“學舌鸚鵡”:鐵證如山的進化階梯曾幾何時,嘲笑 AI 是我們的一大樂事:“它連小學數學都算不對”、“它就是個只會機率預測的隨機鸚鵡(Stochastic Parrots)”、“它經常一本正經地胡說八道(幻覺)”。但在這個2026 年的開端,如果你還抱著這些老黃曆看 AI,那你可能已經成了那個“活在舊時代的人”。文章作者並沒有空談哲學,而是根據一系列硬核證據,建構了一個評估 AGI 的“三級階梯”。對照一下,你會發現我們正處於什麼位置:Level 1:圖靈測試級(已通關)這是幾年前的標準。能通過學校的基礎考試,能進行像樣的對話,能做簡單的推理。那時的 AI,或許還只是個“聰明的復讀機”。Level 2:專家級(Current Level,當前已達成)這就是我們現在面對的怪物。數學:它們不僅拿下了國際數學奧林匹克競賽(IMO)的金牌,還能與頂級數學家合作證明未知的定理。科研:它們生成的科學假設,已經在現實世界的實驗室裡被驗證為真。全能:它們能通過多學科的博士資格考試,能幫專業程式設計師寫出無 Bug 的複雜程式碼,能精通幾十種語言創作詩歌,還能同時和全球數億人聊天。對比:科幻電影《2001太空漫遊》裡的超級電腦 HAL 9000 曾是我們的噩夢,但現在的 LLM 在知識廣度上,實際上已經超越了 HAL 9000。Level 3:超人類級(正在逼近)這要求 AI 做出人類完全做不出的革命性科學發現。雖然 AI 還沒完全做到這一點,但作者強調:這不是 AGI 的必要條件。畢竟,能不能拿諾貝爾獎並不是衡量一個人是否“有智能”的標準。面對這些成就,那些質疑聲顯得越來越蒼白。每當 AI 攻克一個新堡壘(比如做出了從未見過的數學題),懷疑論者就會立刻把標準提高:“哦,那不算,它得能理解情感才行……”對此,文章中有一句精彩的“打臉”:“面對每一次成功都在不斷後退的假設,預測下一次一定會失敗……這根本不是有說服力的科學理論,這只是對‘永遠懷疑’的一種教條式堅持。”不管是做數學題、寫程式碼,還是理解物理世界的因果律(比如它知道枕頭掉地上不會碎,而玻璃杯會),現在的 AI 都表現出了圖靈當年所定義的“通用認知能力”。AGI 的大門已經被踢開了。無論你是否準備好,我們都已經和一種“異類智能”生活在了同一個屋簷下。03 為什麼專家還在裝睡?因為我們把 AGI 神話了既然證據確鑿,為什麼還有 76% 的專家搖頭說“不”?為什麼我們在社交媒體上還在爭論 AI 是不是“人工智障”?文章指出,問題出在我們對“智能”的定義上,我們太自戀了,也太苛刻了。誤區一:AGI = 全知全能的神很多人潛意識裡覺得,AGI 必須是一個完美的“六邊形戰士”。它得有愛因斯坦的物理頭腦,莎士比亞的文采,還得像甚至不像任何一個人類那樣犯錯。但作者反問:“居里夫人不懂數論,愛因斯坦不會說中文,難道他們就沒有通用智能嗎?”人類都不是全能的,我們憑什麼要求 AI 必須是神?真相:真正的通用智能,看的是廣度(Breadth)和深度(Depth)。只要它能像普通人類一樣在不同領域間切換,並且在這些領域達到專家水平,它就是 AGI。誤區二:AGI 必須像人一樣思考我們總覺得,只有像人類那樣有肉體、有情感、會生老病死,才叫智能。真相:這是一種“碳基生物的傲慢”。就像章魚的神經系統分佈在觸手裡,外星人可能通過無線電波交流——智能是功能,不是形態。只要它能像人一樣解決問題,它是不是矽做的、有沒有身體,根本不重要。04 精彩辯論:十大質疑,逐個擊破這篇《Nature》文章最精彩的部分,莫過於作者化身“終極辯手”,對目前市面上最流行的反 AI 觀點進行了逐一反駁。試舉幾例。質疑 A:“它只是個隨機鸚鵡(Stochastic Parrots),只會拼湊訓練資料裡的詞,根本不懂邏輯。”《Nature》反駁:這個說法在幾年前可能成立,但現在已經過時了。如果它只是拼湊舊資料,怎麼可能解出從未發表過的全新數學題?怎麼可能幫助科學家發現新的物理定律?這不叫拼湊,這叫推理。如果這也叫鸚鵡,那人類可能也不過是一隻比較複雜的鸚鵡。質疑 B:“它沒有身體,無法感知物理世界,所以沒有真正的理解。”《Nature》反駁:這是一個巨大的誤解。史蒂芬·霍金(Stephen Hawking)在晚年幾乎完全失去了身體的行動能力,通過語音合成器交流,難道他的智能就消失了嗎?再者,問問 AI:“把玻璃杯和枕頭扔到瓷磚地上,會有什麼不同?”它能精準地告訴你結果。能進行反事實推理(Counterfactual Reasoning),就證明它腦子裡已經有了物理世界的模型。質疑 C:“它沒有自主性(Agency),你不給指令它就不動。”《Nature》反駁:智能不等於意願。古希臘神話中的德爾斐神諭(Oracle),只有在你提問時才回答,但誰敢說神諭沒有智慧?自主性關乎“道德責任”,而不關乎“智力水平”。一個隨叫隨到的超級智囊,依然是超級智囊。質疑 D:“它學得太慢了,小孩看幾次就懂,AI 要喂幾兆的資料。”《Nature》反駁:別忘了,人類小孩的大腦裡預裝了祖先們進化了幾十億年的“出廠設定”(本能和大腦結構)。AI 是從零開始的。而且,一個練了 10 年才成為大師的棋手,和一個練了 1 年就成為大師的棋手,他們的棋力是一樣的。效率不代表能力。05 越早承認越好,這是一種“異類”的降臨看到這裡,你可能還是覺得那裡不對勁。“可是,它連‘Strawberry’裡有幾個‘r’有時候都會數錯啊!”沒錯,這正是文章最後強調的關鍵點:我們面對的,是一種“異類智能”(Alien Intelligence)。這就像是一個外星人降臨地球。它在某些我們覺得很難的事情上(比如讀完 1000 篇論文並寫出綜述)易如反掌,卻在某些我們覺得很簡單的事情上(比如數數、常識判斷)顯得笨手笨腳。但這不代表它不是智能,只能說明通往智能的道路不止一條。人類的智能是為了生存、為了繁衍、為了在叢林裡不被吃掉而進化出來的;而 AI 的智能是從語言的海洋中湧現出來的。2026 年的今天,正如 Reddit 網友所熱議的那樣:“我們原本以為 AGI 會像《終結者》裡的天網,結果它更像是一個有些偏科、但智商爆表的‘外星圖書管理員’。”06 結語:別再試圖爬樹登月了在文章的結尾,作者引用了一個著名的舊日比喻。1965 年,哲學家休伯特·德雷福斯曾嘲諷早期的 AI 研究,說他們試圖通過“爬樹”來“登月”。意思是方向徹底錯了,爬得再高也離月球很遠。幾十年來,我們都以為他是對的。但今天,當我們抬頭仰望,卻發現我們真的爬上了月球。原來,只要樹足夠高,資料足夠多,結構足夠精妙,簡單的學習規則真的能湧現出理解世界的智慧。這是一個哥白尼式、達爾文式的時刻。哥白尼告訴我們,地球不是宇宙的中心;達爾文告訴我們,人類不是生靈的主宰;圖靈和今天的 AI 告訴我們,人類的大腦,也不是智慧存在的唯一形式。文章末尾寫道:“承認 LLM 為 AGI 是一個警鐘。這些系統不是“將要到來”,而是“已經存在”。用評估“窄工具”的框架來衡量 AGI 是遠遠不夠的。當涉及的不再是工具而是通用智能時,共存、責任、歸屬和治理等問題將進入全新的維度。”全文的最後一句振聾發聵:“機器不是正在趕來,它們已經到了。”(The machines aren't coming; they've arrived.)與其像鴕鳥一樣把頭埋在沙子裡,假裝這一切沒發生,不如抬起頭來,正視這個新夥伴(或者對手)。畢竟,在這個星球上,我們第一次不再是孤獨的智慧生物了。 (不懂經)
科技
#Nature
#圖靈測試
#OpenAI
260人
讚
留言
分享
官方認證
RexAA
2026/01/30
•
Nature封面!GoogleDeepMind開源“生命底層程式碼”,一鍵破解98%基因暗物質!
就在今天,GoogleDeepMind開源人類底層程式碼!AlphaGenome登上了Nature封面,標誌著 DeepMind 在生物計算領域繼 AlphaFold 之後再下一城。相較於同類模型,AlphaGenome能夠一次性輸入100萬個鹼基對,並在單鹼基對的精度上預測數千種表徵其調控活性的分子特性。這是DNA領域的里程碑式突破。如今,AlphaGenome只需讀入一段DNA序列,提取調控基序與表徵活性,便可對數千種分子特性高度預測。該研究也得到了醫學大佬的認可,美國醫學院院士,斯克里普斯研究轉化研究生的創始人和主任Eric Topol表示,這是AI在生命科學方面的又一大進步。早在2025 年6月,DeepMind就率先在 bioRxiv 發佈 AlphaGenome 預印本並推出 API,目前已經有來自160個國家的3000多名研究人員使用。如今,該成果被《自然》正式刊發,團隊正式對外開源了全部研究程式碼和模型權重。我們可以期待,在完全開放原始碼的情況下,有多少人類基因秘密被科學家們解開。解鎖人類98%的“垃圾基因”AlphaGenome由Google DeepMind的負責人DemisHassabis領導,他此前憑藉蛋白質模型AlphaFold2,獲得了2024年諾貝爾化學獎。Demis Hassabis曾放出豪言:「未來十年,AI將治癒所有疾病」。而AlphaGenome出世意味著,人類向理解生命本質又邁進一大步。要知道,距離全球科學家完成人類基因組測序,已經過去了23年了。但迄今為止,科學家仍然沒能解開DNA的秘密。以往的觀點認為,人類DNA僅有2%,剩下的98%都是DNA都是“無用”的非編碼區。然而,現在剩下的98%並非是無用的基因,其中蘊含著豐富的調控資訊,包括調控基因開關、影響胚胎發育、參與形成特殊RNA、維持染色體結構等。因此AlphaGenome,其核心意義正是為瞭解碼這98%的“暗物質”區域。它能夠系統預測非編碼DNA序列的功能和變異影響,幫助科學家從海量無用資訊中高效篩選出真正具有生物學意義的寶藏,從而理解疾病機制、助力藥物研發。解開人類底層密碼該模型基於Google DeepMind 的基因組學模型 Enformer 建構,採用Loop-aware 架構,並和此前推出的預測編碼區變異的AlphaMissense互補。同時,AlphaGenome整合了人類和小鼠的基因組資料,包含5930 條人類以及1128 條小鼠基因組訊號,這些訊號與基因表達、DNA 可及性和剪接等功能相關。這也讓AlphaGenome做到了以往同類模型到達不了的高度。1、又長又精準,100萬鹼基對的長序列輸入此前的模型要麼能處理長序列但解析度低(如Enformer和Borzoi),要麼解析度高但只能處理短序列(如SpliceAI和BPNet)。但AlphaGenome它一次就能掃描長達100萬個DNA鹼基對的廣闊區域,與此同時它做到了能夠預測到單個鹼基對的精度2、多模態大模型,多個任務一次搞定現有模型要麼專注於單一任務,例如剪接預測等,要麼是多模態但某些任務表現不佳。而AlphaGenome能夠做到一次輸入後,可以同時預測基因變體對數千種基因組的影響,包括基因表達、組蛋白修飾、剪下等各個方面,科學家不用再切換多個工具了。更重要的是,AlphaGenome做到了性能全面領先。對單條DNA 序列進行預測時,AlphaGenome 在 24 項評估中有 22 項表現優於最佳外部模型。而在預測變異的調控效應時,它在 26 項評估中有 24 項表現與最佳外部模型相當或更優,尤其在預測eQTL方向上,比此前最佳模型提高超25%。RNA剪貼錯誤是造成疾病的常見原因,AlphaGenome的創新性在於,能夠直接從序列預測剪下點。在7個權威的剪接變異基準測試中,AlphaGenome在其中6個上實現了SOTA 性能,包括根據ClinVar、sQTL因果關係和GTEx剪接異常值預測剪接變異的致病性。除了能夠預測多種分子特性外,AlphaGenome還能在一秒鐘內高效評估一個基因變異對所有這些特性的影響。它通過對比突變序列與未突變序列的預測結果,並針對不同模態採用不同方法高效總結這種對比來實現這一功能。不僅如此,對比此前的預印本,DeepMind團隊還最佳化了以下內容。更好地理解生命就在論文發佈同一天,DeepMind還上傳了一支視訊,邀請團隊對該工作進行分享。針對後續如何完善AlphaGenome,團隊表示:1、拓展對複雜變異類型的預測支援,使模型能解讀更真實的臨床與科研遺傳變異,覆蓋更多疾病機理2、提升易用性,將數千個複雜評分彙總為更易解讀的單一評分3、拓展資料與物種範圍,目前只包含人類和小鼠,未來可能納入更多物種和更多細胞類型的資料這些都將進一步提高AlphaGenome在實際科研中的實用性。從AlphaFold再到AlphaGenome,DeepMind打開了一扇窺見生命與疾病最根本過程的窗口。近期科技女皇木頭姐的一份報告,再次點燃了人們對AI+醫療保健的熱情。報告預測,到2030年,測序整個人類基因組的成本可能下降約十倍,降至10美元(如今約100美元)。測序成本降低將導致資料量增長10倍,意味著人類基因資料將遠遠超過現有的數量。當然,海量資料本身不是價值,解讀才是。AlphaGenome正是為解讀資料中最複雜、資訊量最大的DNA序列而生,能將原始資料轉化為可理解的生物學知識。當前,AlphaGenome已經學會了DNA的基本原理,未來有望為為罕見病診斷、癌症精準醫療、藥物靶點發現提供新途徑。包括但不限於:發現新的疾病標記物和藥物靶點(尤其是在非編碼區)解釋患者基因檢測結果,指導精準用藥設計合成生物學元件,為基因療法和細胞療法提供設計工具此外,它在預測RNA剪接異常等方面的能力,對於理解許多罕見病和癌症至關重要,能直接推動相關藥物研發。可以預見,未來的多組學AI平台可能會整合類似AlphaGenome的先進基因組模型,使其與蛋白質、代謝組等模型協同工作,形成一個統一的生命系統模擬與預測環境。屆時,人類不只是能夠獲得DNA資料,而是真正理解生命的運行。 (智藥局)
科技
#Nature封面
#GoogleDeepMind
#生命底層程式碼
256人
讚
留言
分享
官方認證
RexAA
2025/12/29
•
重磅《Nature》!發現奈米晶金屬在低溫和室溫下延展性差的主要原因!
研究背景在廣泛的條件下(溫度、壓力、應變速率等),金屬和合金的永久性或塑性變形是通過位錯實現的,這些線性缺陷的存在和移動決定了晶體材料的力學行為。金屬通常以多晶形式存在,其中每個晶體區域或晶粒由晶界分隔,而晶界是位錯運動的已知障礙。霍爾-佩奇關係描述了金屬屈服強度隨晶粒尺寸減小而增加的現象,其理論基礎是位錯在逐漸受限的體積中堆積於晶界處。當這一經驗定律在奈米晶粒尺寸下達到極限時(此時晶粒內部通常沒有位錯),塑性閾值會飽和或下降。這種轉變通常歸因於由晶界本身驅動的塑性變形過程。剪下-遷移耦合被認為是這些過程中最有效的機制,但儘管研究活動密集,對於遷移晶界可能產生的剪下量仍缺乏量化共識。迄今為止,關於中小晶粒晶體在低溫和中溫下變形的兩個未解問題涉及控制機制:是否存在一種主導機制?如果這種機制是SCGBM,如何量化它?研究問題本文通過實驗證明,在小晶粒多晶體中,這種剪下不依賴於晶界取向差,且其效率保持較低水平。這些發現支援了關於晶界的新概念:晶界不應被視為攜帶固有"耦合因子"的晶體缺陷(類似於位錯的伯格斯向量),而應被視為包含特殊缺陷(即錯連)的特定晶格結構,這些缺陷將反過來決定晶界的性能(至少是力學性能)。研究結果還證實,多晶體可以在沒有位錯的情況下發生塑性變形,但效率較低,這為解釋奈米晶金屬在低溫和室溫下延展性差的現象提供了潛在路徑。圖1| 晶體取向圖疊加在預裂紋超細晶鋁薄片的明場透射電鏡顯微圖像上要點:1.為在更易發生的位錯活動之外分離出晶界機制,有兩種選擇:觀察極細晶粒(但難以表徵大量晶界並確定主導機制),或消除晶內位錯並在中等溫度下研究稍大晶粒。本文選擇後者,對超細晶(晶粒尺寸小於1微米)鋁在約210-230℃進行測試。圖1展示了準備進行拉伸測試的透射電鏡樣品初始狀態:樣品在220℃退火消除晶內位錯後,於25℃預製了垂直於拉伸軸的裂紋。裂紋前端的自動晶體學取向成像結果疊加在明場透射電鏡圖像上。通過在該點集中應力,本文最大程度提高了觀測已知取向單晶界遷移及其耦合效應的可能性。圖2|在220℃原位透射電鏡拉伸實驗中,測量與晶界遷移相關的塑性應變要點:1.在成功的原位透射電鏡實驗中(觀察到應力作用下的晶界遷移且無位錯活動參與),本文通過數字圖像相關技術對15次晶界遷移導致可觀測剪下應變的情況進行了量化分析。剪下耦合晶界遷移通常採用β因子進行評估,該因子即剪下位移量與遷移距離的比值,亦即剪下應變。如圖2所示,面內應變的測量是通過參照固定點(大白色矩形),在遷移前後監測表面標記點(小白色方框內追蹤點)實現的。在此特定案例中,遷移距離m為90奈米,面內應變大致平行於晶界慣習面(符合預期),平均幅度為2.5奈米。由此得出該大角度晶界(取向差28°)的β值為2.8%。2.除測量β因子外,這些實驗還顯示可能發生晶粒旋轉(此時平均β因子無意義,因為應變方向圍繞中心點變化),但這種現象遠少於剪下耦合晶界遷移(約佔觀測到晶界遷移案例的5%,詳見補充資訊)。另一有趣現像是:單個晶界遷移過程中β值常發生變化。實際上晶界遷移很少連續進行,可能在恢復運動前出現暫停。即使慣習面保持不變(如圖2所示),β值也可能出現顯著波動,從近乎零到百分之幾不等。這裡討論的是同一遷移晶界——即在運動過程中保持取向差不變的晶界(本文報告的所有案例均如此)。當晶粒消失時情況則不同,這已超出本文追蹤方法的極限範圍。所有通過原位透射電鏡測量的耦合因子(紅點)與原子力顯微鏡測量結果(藍點)均彙總展示於圖4中。圖3| 塊體Al3%Mg超細晶樣品在250℃、4 MPa條件下壓縮35分鐘後,因晶界遷移而改變的表面形貌要點:1.由於剪下耦合晶界遷移(SCGBM)可能在三維空間產生塑性應變,而原位透射電鏡薄片拉伸僅能揭示其面內份量,本文還監測了塊體形式壓縮下同種材料的表面外行為。圖3a展示了SCGBM對初始鏡面拋光Al3%Mg合金塊(尺寸6×3×3 mm³)在低應力(4 MPa)、250℃條件下壓縮35分鐘後的表面影響。通過反覆試驗,本文確定了這些最佳條件,既能觸發足夠的晶界遷移以進行量化,又不會破壞初始晶粒結構。由此能夠追蹤單個晶界,並通過掃描電鏡中的電子背散射衍射(EBSD)在實驗前後監測其取向差。2.蠕變前的取向圖採集自鏡面拋光表面,蠕變後的取向圖疊加展示於圖3b中。根據蠕變前後的取向圖,可獲得所有晶界的遷移分佈圖(圖3d),其中發生遷移的區域呈灰色,未遷移區域呈黑色。圖3e示意了遷移的基本過程:黑色區域主要位於膨脹和收縮晶粒的中心。從該分佈圖可推導遷移距離。正如透射電鏡觀察所示,遷移晶界的慣習面可能在運動過程中發生變化(例如由於與三叉晶界相互作用),因此需要為每個晶界定義平均遷移距離m。為獲得與這些遷移相關的耦合因子,還需測量每個晶界運動伴隨的剪下量。由於伴隨的剪下位移s主要產生於表面(圖3f),本文通過原子力顯微鏡(AFM)進行測量,並將其與圖3d的遷移分佈圖關聯(見圖3f)。每個移動晶界的耦合因子β通過剪下位移s除以對應遷移距離m計算得出。圖3f頂部展示了跨越三個晶粒的典型AFM剖面及其對應遷移的示例。圖4| 通過原位透射電鏡和原子力顯微鏡測量的遷移晶界耦合因子β要點:1.與必須依賴單晶界遷移、在良好成像條件下視訊捕捉且視野有限的原位透射電鏡測量相比,原子力顯微鏡方法顯然能獲得更大量的β統計資料。但兩種方法得出了相同的關鍵結論:首先,耦合因子不依賴於晶界取向。本文在透射電鏡實驗中甚至觀察到同一晶界能產生不同應變,從而具有變化的耦合因子,這與近期模擬研究指出的"β並非晶界本征屬性"的結論一致。這一結果與將晶界視為完美位錯陣列、認為耦合因子直接取決於晶界取向差的理論截然不同。該理論預測的β模量在圖4a、b中以藍綠色實心圓盤表示。需注意的是,由於鋁晶體的立方對稱性,本文的測量中未發現超過62.8°的取向差,這與麥肯齊分佈規律相符。從圖4可直接推匯出的第二個結論是:無論遷移晶界及其取向差如何,耦合因子始終保持在較低水平。雖然完美位錯模型僅考慮傾轉晶界,但即使僅考慮遷移晶界的傾轉份量,所得β值仍然極低。根據本文直接的透射電鏡測量,其平均值約為0.03;若僅考慮晶界在應變方向投影的傾轉部分,平均值約為0.08。總結與展望總體而言,這些發現可能迫使我們重新思考晶界的本質特性。本文所揭示的現像其實可以直接從金屬與合金的位錯基塑性理論中推導得出:除彈性性能外,所有其他力學性能(強度、延展性等)都直接源於材料缺陷的特性,而非其晶格結構(完美晶體)本身。正如近期關於晶界遷移率的研究所證實——特別是在擴散受限的相對低溫條件下,晶界的力學性能應取決於其內部缺陷(即錯連),而非宏觀特徵(慣習面、取向差)或結構(雙色圖案),儘管現有缺陷確實依賴於這種晶格結構。這要求對實際晶界轉變認知視角:迄今為止,晶界常被視為多晶顯微組織中的缺陷。而本文的研究推論表明,晶界並非基礎缺陷,而是承載著更基礎缺陷的載體,正是這些基礎缺陷主導著晶界的動態特性。 (材料學網)
科技
#Nature
#奈米晶金屬
#延展性
247人
讚
留言
分享