杜克大学Wang实验室借助Gemini 3 Deep Think模型，基于研究级数据推演热力学曲线与生长路径，生成可执行工艺“配方”，成功制备出130微米二维半导体薄膜，刷新实验室纪录；AI将经验驱动的试错优化升级为知识驱动的精准设计，显著加速材料研发进程。
当硅材料逐渐逼近理论极限，材料研发还能更快吗？
在杜克大学 Wang 实验室，研究团队把二维材料作为突破方向，但难点不在理论，而在工艺。气体流量、温度变化、加热时间彼此耦合，参数组合复杂，过去往往需要专家反复试验数周甚至数月。
这一次，AI 起到了关键作用，Gemini 3 Deep Think 基于研究级数据和前沿成果，综合推演出完整的热力学曲线和生长路径，形成一套可直接执行的工艺 “配方”。研究人员按照这套方案操作，成功制备出了 130 微米的二维半导体薄膜，虽然没有达到原定 100 微米的目标，但创下了实验室的最好成绩。
在这个项目中，AI 的价值，不只体现在一次尺寸突破，而在于改变了参数优化方式！它把原本高度依赖经验的试错过程，转化为基于知识整合和系统推演的精准设计，加快了材料探索的节奏。
#Gemini #AI技术 #材料科学
OpenAI 旗下 GPT-5.6 Sol Ultra 通过 64 路并行 agent 在 1 小时内生成了图论 CDC 猜想的证明文本，成本不足 500 美元。该成果引发争议，因缺乏 Lean 机械化验证、未公开完整推理轨迹及受限于图论形式化库不成熟，数学界对其有效性存疑。此事表明 LLM 已具备启发式数学搜索能力，但验证基础设施滞后仍是瓶颈。未来“多路并行+防放弃 prompt”或成范式，而完善 Lean 工具链是确立 AI 证明可信度的关键。
针对复杂疾病治疗难题，Arc 研究所正利用 AI 构建通用“虚拟细胞”模型。该模型将 RNA 表达视为生命语言，计划四年内通过 CRISPR 和单细胞测序完成 10 亿次实验进行训练。研究人员可借此在电脑模拟中预测基因或化学干预方案，实现从盲目猜测到精准预测的转变。该工具将于今年晚些时候开源，有望在未来四五年内推动个性化医疗及复杂疾病治疗取得临床突破。
OpenAI 正式发布 GPT-5.6，推出 Sol、Terra、Luna 三档模型。Sol 在 Agent 评测中领先，但编码基准落后竞品且存在 token 过度消耗问题，Terra 性价比显著提升。新功能包括程序化工具调用、缓存优化及 Sol 自主训练 Luna。尽管安全围栏较严且知识截止日期存疑，该版本仍属扎实迭代。对于 Codex 用户建议升级，而 Claude Code 用户需权衡工作流兼容性，两大 AI 厂商竞争已趋白热化。
围绕《Gemini 3 Deep Think 助力材料科学突破》展开交流，未登录用户可浏览评论，登录后可参与讨论。
