AI学术快报 | 代码历史训练、内存瓶颈破解、AI医生多轮推理…今日五大突破

我爱免费

作者：微信文章

每天五分钟，了解AI学术圈最新动态。全球AI研究又有哪些值得关注的进展？让我们一起看看。

01
代码历史训练：让AI学会 " 长期规划 "


AI查看GitHub代码历史上海交通大学、中科院计算所、香港理工大学等机构联合研发了一项突破性方法—— daVinci-Agency 。他们用了一个很聪明的思路： 用GitHub Pull Request的历史记录来训练AI 。核心突破AI学会了 " 长期项目规划 " 能力，能够像人类项目经理一样分解任务、安排时间、并在执行中自我纠错。怎么做到的？

仅用了 239个高质量训练样本 ，每个样本包含一个完整项目的开发过程（从需求到上线）。

在Toolathlon测试中，性能提升 47% 。

词汇使用减少 11.36万个 ，工具调用减少 25.8% 。

通俗理解：以前AI只会做 " 一步任务 " ，现在它能看懂一个项目的 " 全生命周期 " ，知道先做什么、再做什么，遇到问题还能自己调整计划。学术意义：这种方法为AI在复杂软件开发、科研项目管理等场景的应用铺平了道路。

02
世界顶尖科学家怎么看AI？


迪拜AI峰会在阿联酋迪拜举行的世界顶尖科学家峰会上，AI成为焦点话题。这些站在科学前沿的专家们，给出了三个关键观点：

AI是科学家的 " 得力助手 "

能 加快试错过程 ，让实验效率大幅提升。

降低实验门槛 ，让更多研究者能够开展高水平研究。

AI改变的是 " 工作方式 " ，不是 " 消灭工作 "

未来企业内部岗位可能会 结构调整 ，但不会大规模失业。

人类需要学会与AI协作，发挥各自优势。

AI需要 " 制度设计 "

强大的辅助工具必须配以完善的 伦理规范 和 安全机制 。

科学界呼吁建立全球统一的AI治理框架。

通俗理解：科学家们认为AI就像 " 超级计算器 " ，能帮我们算得更快、更准，但怎么用、用到哪里，还需要人类来定规则。

03
内存瓶颈破解：多个AI助手可以 " 共享记忆 " 了


AI内存共享示意图首尔大学团队解决了多智能体系统中的一个老大难问题—— 内存瓶颈 。问题背景多个AI助手一起工作时，每个都要占用大量内存，导致系统变慢、成本飙升。解决方案：LRAgent框架

共享基础缓存 ：所有助手共用一份 " 公共记忆 " 。

个性化低秩缓存压缩 ：每个助手的个性化信息被高度压缩。

Flash-LoRA-Attention技术 ：在压缩状态下也能高效计算。

实际效果

系统吞吐量提升 1.42-2.46倍 。

内存使用减少至原来的 三分之一 。

准确率仅下降 0.1-1.5% （几乎可以忽略不计）。

通俗理解：就像办公室里多个员工可以共用一台打印机，而不是每人买一台，既省空间又省钱。学术意义：为大规模AI助手协作系统提供了可行的技术路径。

04
OpenScholar模型：让AI引用文献不再 " 胡编乱造 "


AI论文检查华盛顿大学与艾伦人工智能研究所联合研发了 OpenScholar模型 ，专门解决AI在学术引用中的 " 幻觉 " 问题。什么是 " 引用幻觉 " ？AI在写论文时，可能会编造根本不存在的参考文献，或者错误引用来源。这在学术界是严重问题。OpenScholar的突破

引用准确率 媲美人类专家 。

能理解复杂的学术语境和引用规范。

支持多学科、多语言的学术文献。

通俗理解：就像给AI配了一个 " 学术秘书 " ，专门负责检查参考文献是否真实、准确。应用场景

科研论文撰写辅助

学术文献自动审核

学生论文查重和引用指导

05
AI医生学会 " 多轮互动推理 "


AI医生CT交互香港中文大学、腾讯混元团队、中科院自动化所等机构开发的 MedSAM-Agent框架 ，让AI医生具备了 人类般的多轮互动推理能力 。核心能力

能自主完成复杂的医学图像分割任务（如CT、MRI、X光等）。

在多轮交互中不断优化判断，就像医生和患者反复沟通一样。

具备出色的 跨模态泛化能力 （在不同成像模式间都能准确工作）。

测试表现

在涵盖6种成像模式的21个数据集上保持高精确度。

具备 工具无关性 ，可以适配不同的医疗软件系统。

通俗理解：以前的AI医生只能 " 看片说话 " ，现在的AI医生能 " 问诊交流 " ，通过多轮对话把病情搞得清清楚楚。学术意义：为AI在复杂医疗诊断场景的落地提供了新范式。

06
今日小结
2026年2月5日，AI学术研究在多个维度取得实质性进展：方法论创新用代码历史训练AI，打开了 " 长期规划 " 的新思路。系统优化破解内存瓶颈，让多AI协作变得高效可行。应用深化AI在学术引用、医疗诊断等专业领域的表现越来越接近人类专家。共识形成科学界对AI的定位和发展方向逐渐清晰——它是工具，是助手，需要规范，更需要合作。对我们普通人意味着什么？ 这些突破不会立刻改变我们的生活，但它们正在为未来的AI应用打下坚实基础。也许不久的将来，我们的项目经理是AI，我们的研究助手是AI，甚至我们的健康顾问也是AI——而这一切，都源于今天这些看似 " 高深 " 的学术研究。