上海青年研发的学术版AI“大圣”能高效处理科研问题，提升实验效率，推动生命科学和地球科学等领域的科研变革。

Polymathic AI 联合研究团队提出了一个以 Transformer 为核心架构、主要面向类流体连续介质动力学的基础模型 Walrus。Walrus 在预训练阶段覆盖了 19 种高度多样化的物理场景，涵盖天体物理、地球科学、流变学、等离子体物理、声学以及经典流体力学等多个领域。结果表明，无论在下游任务的短期预测还是长期预测中，Walrus 均优于此前的基础模型。

谷歌在癌症、药物和地球科学领域取得了重要进展，利用AI和量子计算解决复杂问题。新工具DeepSomatic可识别癌细胞基因变异，Cell2Sentence-Scale 27B模型提出新疗法。量子计算机能够精确模拟分子行为，推动新材料和药物设计。Earth AI整合地理数据，提升灾害响应能力。这些研究促进了实际应用，改善了人类生活。

深时地球科学研究探讨地球历史与演化，涵盖内部结构和生命演化等领域。浙江大学的Earth Explorer系统利用大数据与AI技术，实现地学数据的可视化分析，提升研究效率与灵活性。

本研究提出了GeoRSMLLM模型，旨在解决现有视觉语言模型在复杂指令和像素级操作中的不足。通过引入遥感视觉语言任务集（RSVLTS）和统一数据表示方法，该模型能够更有效地处理遥感任务，为地球科学和遥感领域提供更通用的解决方案。

人类对地球的认识在过去百年中显著进步，但仍有许多未解之谜。地球经历了复杂的演化历程，包括气候变化和生物灭绝。书中探讨了地球的形成、生命起源以及人类与地球的关系，强调人类在地球历史中的渺小和未来的不确定性。

本研究提出了一种结合深度神经网络的新方法，解决地球科学中未观察因素导致的空间异质性问题。该方法在预测全球总初级生产力方面表现优越，能够有效揭示主导因素的区域分布差异。

地球科学正迎来AI驱动的变革，2024年研究者在智慧城市、房价和海洋生态等领域取得突破，展示了AI在复杂系统中的潜力，为可持续发展提供创新解决方案。

地球科学正经历AI驱动的变革，AI通过分析海量数据优化建模与预测。浙江大学戚劲研究员在COSCon’24论坛上分享了GeoAI的跨学科应用，包括房价分析和海洋遥感，提出了GNNWR和GTNNWR模型，提升了建模的精度与可解释性。这些新方法在多个科学研究中得到广泛应用，推动了地球科学的发展。

本文探讨了神经场模型在物理海洋学中填补稀疏数据空隙的应用，提出了多种改进的机器学习方法，以提升数据重建的效率和准确性，展示了其在地球科学和流体动力学中的广泛应用潜力。

该研究提出了一种结合数据同化和机器学习的新方法，用于模拟和预测复杂动态系统。通过迭代应用数据同化和神经网络，显著提升了模型的预测能力，尤其在地球科学领域表现突出。研究还展示了深度学习在处理稀疏数据和非高斯数据方面的优势，推动了数据同化技术的发展。

本文探讨了机器学习在地球科学中的应用，强调新方法的重要性及其面临的挑战，包括遥感数据的标签瓶颈、模型可解释性、深度学习的优化和多模态预训练的效果。提出了改进技术和工具，以提高地理空间建模的准确性和效率。

本文介绍了一种新的学习模型——隐藏物理模型，旨在从小数据中学习偏微分方程，并结合高斯过程进行概率推断。该模型在多个科学领域展现出应用潜力，特别是在物理启发式神经网络训练和数据驱动的偏微分方程发现方面。研究探讨了机器学习与传统物理模型结合的创新方法及其在地球科学等领域的应用挑战和未来研究方向。

本文探讨了生成式人工智能（GAI）在地球科学中的应用，重点介绍了机器学习和深度学习在预测、模拟和决策中的作用。讨论了生成对抗网络和物理信息神经网络在数据生成和地表变化方面的进展，同时指出了物理解释性和可信度等挑战。GAI在气候变化和城市科学领域展现出巨大潜力。

地球科学基础模型通过整合跨学科数据和人工智能技术，模拟地球系统，以应对气候变化和自然灾害等问题。尽管存在验证、可解释性和社会偏见等挑战，跨学科合作仍是提升模型准确性和公平性的关键。此外，研究还探讨了遥感任务的基准测试和评估方法，推动地球监测领域的发展。

本文介绍了人工智能在地球科学中的应用，包括机器学习和深度学习的最新发展，以及生成对抗网络、物理信息神经网络和生成预训练转换器的结构。这些工具在数据生成、超分辨率和去雾等应用中有所帮助。然而，仍然存在物理解释性、恶意用途和可信度等挑战。人工智能模型对地球科学有巨大潜力，特别是在气候变化、城市科学、大气科学、海洋科学和行星科学方面。