科研人员发现单个神经元也能执行“智能计算”

广告 科研人员发现单个神经元也能执行“智能计算” 12:44 广告 广告 广告 了解详情 > 会员跳广告 首月9.9元 秒后跳过广告

1080P及以上画质仅为黄金会员专享>

开通/续费会员 抱歉，您观看的视频加载失败 请检查网络连接后重试，有话要说？请点击 我要反馈>> 正在切换清晰度... 播放 按esc可退出全屏模式 00:00 00:00 00:17 广告 只看TA 高清 倍速 剧集 字幕 字幕 下拉浏览更多 5X进行中 炫彩HDRVIP尊享HDR视觉盛宴 超清 720P 高清 540P 2.0x 1.5x 1.25x 1.0x 0.8x 50 哎呀，什么都没识别到 反馈 循环播放 跳过片头片尾 画面色彩调整 AI明星识别 视频截取 跳过片头片尾 是 | 否 色彩调整 亮度 标准 饱和度 100 对比度 100 恢复默认设置 关闭 单语言 双语言 选择显示语言 中文 English 主字幕（上方） 中文 English 副字幕（下方） 中文 English 关闭 复制全部log

由中国科学家完成的研究显示，单个神经元的树状分枝结构（树突）就可以完成高级认知中的关键计算步骤。

相关成果16日在线发表于国际学术期刊《科学》。

新华社音视频部制作

市委书记跨省任省委常委、省纪委书记！四地省委领导班子调整

出席这次全会的有省纪委委员44人，列席26人。

全会由中共安徽省纪律检查委员会常务委员会主持。

省委常委、省纪委书记许永锞讲话。

上述消息显示，许永锞已任安徽省委常委、省纪委书记。

公开履历显示，许永锞，男，汉族，1967年11月生。

他曾长期在广东省工作，2019年跨省份调任广西壮族自治区钦州市委书记，2021年升任自治区党委常委、自治区政府党组成员，次年获任自治区政府副主席。

2024年，许永锞出任广西壮族自治区党委常委、自治区政府常务副主席、党组副书记。

2025年12月，他任广西壮族自治区党委常委、南宁市委书记。

此前担任安徽省纪委书记的刘海泉，1964年10月出生。

2016年6月，刘海泉进入纪检监察系统工作，任中央纪委驻最高人民法院纪检组组长、最高人民法院党组成员。

2017年10月，他当选为第十九届中央纪委委员。

2021年10月，刘海泉出任安徽省委委员、常委和省纪委书记。

除安徽之外，近期还有多地省委领导班子进行了调整。

据《陕西日报》报道，10月13日，陕西省委书记赵一德在西安市调研全面依法治省工作。

省委常委、省委秘书长李钧，省委常委、省委政法委书记李九红，省直有关部门负责同志等参加活动。

上述消息显示，日前担任陕西省委常委的李九红，已兼任省委政法委书记。

公开履历显示，李九红，男，汉族，1969年3月生，研究生学历，工学博士，中共党员。

他曾任陕西省商务厅党组书记、厅长，铜川市委书记等职。

2025年1月，他任陕西省副省长、省政府党组成员。

今年9月，《陕西日报》发布消息，李九红同志任陕西省委常委。

据新福建客户端10月13日消息，日前，中共中央批准：赵增连同志任福建省委委员、常委；福建省委决定：赵增连同志任省政府党组副书记。

公开资料显示，赵增连，1970年3月生。

他曾任海关总署动植物检疫司司长。

2022年12月，赵增连跻身海关总署党委委员，后担任办公厅（国家口岸管理办公室）主任职务。

2024年，赵增连任海关总署副署长。

2026年3月，他出任福建省政府副省长。

另据河北日报10月12日消息，近日，中共中央批准：王刚同志任河北省委委员、常委；河北省委决定：王刚同志任石家庄市委委员、常委、书记，张超超同志不再担任石家庄市委书记、常委、委员职务。

公开履历显示，王刚出生于1971年1月，2023年1月王刚当选黑龙江省副省长。

2023年5月他出任交通运输部党组成员、副部长。

Gemini 4挑战诺奖得主成果，数小时完成5种新酶设计

作为谷歌最新的旗舰模型，Gemini 4 Argon 在多项基准测试中达到前沿水平，并在 Vals AI 综合指数中超过 OpenAI、Anthropic 的竞争模型。

与此同时，谷歌还公布了一项重要的蛋白质设计成果。

研究人员借助 Gemini 4 Argon，在数小时内完成数据整理、模型调优和筛选规则制定，最终得到 5 种全新的人工酶设计。

随后的实验室测试显示，这 5 种设计均表现出较强的催化活性。

这次设计的是丝氨酸酯酶，一类能够催化酯键水解的蛋白质，在药物制造、精细化工和生物燃料等领域具有广泛的应用前景。

过去，想要从头设计一种具有特定催化功能的酶，研究人员通常需要使用多种专业计算工具，经过多轮筛选和实验验证。

巧合的是，就在去年，诺贝尔化学奖得主 David Baker 的团队也在《Science》发表过一项类似研究。

他们利用 RFdiffusion 等专业模型，成功设计出具有催化活性的丝氨酸水解酶。

如今，谷歌将一款面向编程、金融、法律等多种任务的通用大模型，带进了这一专业领域。

数小时设计 5 种新酶，Gemini 4 做了什么？ 从头设计一种具有特定功能的酶，一直是蛋白质工程中的难题。

研究人员不仅要找到合适的蛋白质结构，还要保证它能够催化预期的化学反应。

在这次实验中，研究人员使用 4MU-acetate（4- 甲基伞形酮乙酸酯）作为测试底物。

这种物质在被水解后会释放荧光产物，因此可以通过检测荧光信号，判断新设计的酶是否具有相应活性。

按照谷歌公布的流程，Gemini 4 Argon 首先整理与目标酶相关的数据，随后完成模型调优，并根据生物化学原理制定多个筛选条件。

整个计算过程只用了数小时，研究团队最终得到 5 个全新的酶设计。

后续实验显示，这些设计均表现出较强的催化活性。

这里需要关注的是 Gemini 4 承担的工作。

传统的酶设计需要研究人员掌握不同计算模型的使用方法，根据目标反应调整模型，再结合专业知识筛选候选蛋白。

Gemini 4 作为一款通用大模型，已经能够参与其中的数据处理、模型调整和筛选策略制定，而这些工作通常需要研究人员投入大量时间。

从这次案例来看，Gemini 4 在科学研究中的作用，已经不局限于回答专业问题，而是开始切入模型调整和计算流程改进等实际工作。

不过，这与此前专业团队的做法又有所不同。

Gemini 4 挑战诺奖技术路线，究竟有什么不同？ 2024 年，华盛顿大学教授 David Baker 因计算蛋白质设计获得诺贝尔化学奖。

同年获奖的还有 Google DeepMind 的 Demis Hassabis 和 John Jumper，他们的主要贡献是利用 AI 预测蛋白质结构。

Baker 团队开发的 RFdiffusion，是蛋白质设计领域具有代表性的专业模型。

2025 年 4 月，Baker 参与的团队在《Science》发表论文，展示了如何利用 RFdiffusion 等工具，从头设计具有催化活性的丝氨酸水解酶。

（来源： Science） 这项研究与谷歌此次公布的成果有不少相似之处。

两者都涉及丝氨酸水解酶，也都使用了可以通过荧光信号检测活性的底物，但采用的技术路线有所不同。

Baker 团队使用的是一套由多种专业模型组成的设计流程。

研究人员首先根据目标化学反应，确定酶的催化中心需要具备什么样的结构，再利用 RFdiffusion 生成能够容纳这一催化中心的蛋白质骨架。

随后，通过 LigandMPNN 设计氨基酸序列，使用 Rosetta 优化结构，并借助 AlphaFold2 检查设计出的蛋白质能否按照预期折叠。

此外，团队还使用 PLACER，评估蛋白质在不同反应阶段的活性位点构象，判断它能否支持完整的催化过程。

研究人员将这些工具组合起来，经过多轮计算筛选和实验测试，最终获得了具有持续催化能力的新酶。

这套方法的特点是，每种模型负责一项具体任务，研究人员需要根据实验目标选择工具、调整参数，并决定哪些设计进入下一轮验证。

Gemini 4 Argon 此次参与的工作有所不同。

根据谷歌公布的信息，它主要负责整理相关数据、完成模型调优，并根据生物化学原理制定筛选规则。

这些工作原本需要研究人员结合专业知识和计算工具逐步完成，如今通用大模型已经能够参与其中。

与 RFdiffusion 等专业模型相比，Gemini 4 具备跨领域知识处理、代码生成和多步骤推理能力，可以协助研究人员处理不同环节的任务。

谷歌此次展示的成果，也说明通用模型的作用正在从回答科研问题，扩展到实际的模型调整和候选筛选工作。

不过，谷歌尚未公布此次酶设计使用的完整工具链，无法确定具体的蛋白质结构生成是否仍由专业模型完成。

两项研究的实验结果也暂时无法直接比较：Baker 团队公开了多轮筛选、催化动力学及结构验证数据，谷歌目前仅披露了 5 种设计具有较强催化活性。

因此，Gemini 4 此次展示的进展，主要在于利用通用模型加快专业科研流程。

它能否进一步提高酶的设计成功率，或在催化性能上超越现有专业模型，还有待更多实验结果证明。

通用 AI 进入生物学，专业模型会被取代吗？ 谷歌此次公布的成果，还有一个值得追问的问题。

此前，Google DeepMind 已经开发出 AlphaFold 等专业蛋白质 AI 工具，旗下 Isomorphic Labs 也一直在探索 AI 药物发现。

既然谷歌已经具备这样的专业技术能力，为什么又开始让通用大模型参与蛋白质设计？ （来源：Isomorphic Labs） 一个可能的原因，是科研工作中有许多环节并不直接涉及复杂的分子计算，却同样需要大量时间。

过去，研究人员想设计一种新的蛋白质，可能需要先检索文献、整理数据，再根据研究目标选择不同软件，编写代码、调整参数，随后分析计算结果，决定哪些候选方案值得进行实验。

每一种专业模型都有自己的使用方法和适用范围。

即使研究人员掌握了这些工具，要把它们组合成一套完整的研究流程，也需要投入不少精力。

而通用大模型正在尝试承担其中一部分工作。

研究人员提出目标后，模型可以协助收集相关资料、编写程序、调用其他计算工具，并根据已有结果调整下一轮筛选方案。

这也为专业模型和通用模型的合作提供了空间。

前者负责结构预测、序列设计等具体计算任务，后者则协助组织研究流程，让不同工具能够更方便地配合使用。

谷歌此次发布的其他科研案例，也体现出类似方向。

例如，研究人员利用 Argon 优化开源量子化学软件 xTB，使其分子结构预测速度提升至原来的 2.3 倍，构象搜索速度提升至 1.8 倍。

这里，Argon 并没有取代原有的科学计算软件，而是通过代码优化提高了工具的运行效率。

这类变化可能使未来的科研工作出现新的分工。

专业模型继续在结构预测、分子设计等具体任务上提高准确性，通用模型则帮助研究人员完成数据整理、程序编写、工具调用以及结果分析。

对缺乏专门计算团队的实验室来说，这种方式可能尤其有吸引力。

研究人员不必独自处理所有软件和代码问题，也有机会使用过去需要较多技术支持才能运行的专业工具。

谷歌也在尝试扩大 Argon 的科研用户群体。

此次发布中，公司宣布计划向最多 1 万名符合条件的科学家，免费提供 6 个月 Google Antigravity 最高使用档位，采取滚动审核方式。

未来，这款模型将有机会在更多真实研究项目中接受检验。

参考链接 1.https://blog.google/intl/en-in/products/introducing-gemini-4-argon/ 2.https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 3.https://pmc.ncbi.nlm.nih.gov/articles/PMC12288761/ 4.https://huggingface.co/blog/HuggingFaceBio/carbon-annotator-genbank-genome-annotation 运营/排版：何晨龙 注：封面/首图由 AI 辅助生成