今天在《科学》杂志上：来自微软研究院AI for Science的BioEmu。这种生成式深度学习方法模拟蛋白质平衡集群——对于大规模理解蛋白质功能至关重要。

与生成性人工智能的首次接触可能令人难忘。在《医学中的人工智能革命，重温》第7集中，@BillGates 和 @SebastienBubeck 回忆了他们的早期经历，并分享了他们如何看待这项技术现在及未来对医疗保健的改变。

微软研究院邀请各类组织加入DFT研究早期访问计划，以探索我们新型Skala功能的潜力，并通过更快、更准确的密度泛函理论加速各行业的创新。

兴奋地分享两个进展，使我们在医疗保健人工智能领域更接近于现实世界的影响： SDBench 引入了一种新的基准，将 304 个 NEJM 案例转化为互动诊断模拟。人工智能必须提出问题、安排测试并权衡成本，反映出真实临床决策的复杂性。 MAI-DxO 是一种模型无关的协调器，模拟一组虚拟医生。它实现了 85.5% 的诊断准确率——是经验丰富的医生的四倍，同时降低了诊断成本。 这些进展共同提供了一种蓝图，展示了人工智能如何帮助在医疗保健中实现精准和高效，我们期待与医疗保健合作伙伴及整个生态系统共同努力，使这些进展产生影响。

在“AI测试与评估”中，生物技术治理专家Alta Charo探讨了基因组编辑的演变前景及其监管影响，而Microsoft总经理Daniel Kluttz则在AI治理的背景下反思了这些见解。

我们正在朝着医疗超级智能迈出重要一步。人工智能模型已经在多项选择的医学考试中表现出色——但真实的患者并没有提供 ABC 答案选项。现在，MAI-DxO 可以以更高的准确性和更低的成本解决一些世界上最棘手的开放性病例。

全球首个多模态双语放射学数据集可能会重塑放射科医生和人工智能系统解读X光片的方式。PadChest-GR由阿利坎特大学与微软研究院共同开发，未来几年有潜力推动该领域的研究进展。

我们只是触及了人工智能在医疗保健领域转型潜力的表面。@BillGates 和 @SebastienBubeck 在《医学中的人工智能革命，重温》第7集中讨论了他们对未来的愿景以及实现这些愿景所需的步骤。

在《AI测试与评估：来自科学与行业的经验》首集节目中，主持人凯瑟琳·沙利文和阿曼达·克雷格·德卡德讨论了微软如何借鉴其他领域的经验，以推动人工智能治理政策和实践。

在《医学中的人工智能革命，重温》第7集中，@BillGates 和 @SebastienBubeck 探讨了生成性人工智能在医学中的现状，“医疗智能”赋能医疗保健领域人们的潜力，以及接下来会发生什么。