在计算生物学中，设计精准结合的蛋白质是一个关键挑战。机器学习的引入改变了这一领域，Complexa框架通过结合生成与优化，提高了结合剂设计的效率和成功率，推动了人工智能在蛋白质设计中的应用。

内在无序蛋白（IDPs）挑战了传统的“结构决定功能”理论。尽管IDPs在生理条件下没有固定结构，但它们在信号转导和疾病中发挥着重要作用。研究团队开发了PeptoneBench和PepTron模型，以提高对无序蛋白构象的预测能力，推动了蛋白质研究的进展。

VGGT（视觉几何基础变换器）是牛津大学与Meta AI联合研发的3D视觉模型，能够快速推理相机参数和深度图，性能超越传统方法。该模型采用纯前馈设计，显著提升推理速度和精度，展现出强大的泛化能力，标志着3D视觉领域的重要突破。

非晶硅（α-Si）是一种广泛研究的无序固体。近期研究揭示了非晶化与结晶化的界限。牛津大学等机构的团队通过机器学习模拟，系统采样淬火硅的构型空间，提出了修正的类准晶硅模型，结果与实验数据一致。

EXO Labs成功在26年前的Windows 98奔腾II电脑上运行Llama 2，输出达到39.31 tok/秒，展示了人工智能在旧硬件上的潜力。该项目由牛津大学研究人员发起，旨在推动AI的普及，抵制少数公司对AI的控制。EXO通过古老的FTP传输文件，并使用Borland C++编译现代代码，实现了在老旧设备上运行AI模型的目标。

牛津大学通过Microsoft Copilot推动数字化转型，提升教育技术服务。IT部门已开始试用Copilot，员工对其潜力充满好奇。通过内部社区和定期支持，员工逐渐熟悉并提高工作效率。Copilot在快速生成想法和文档方面表现出色，尤其对神经多样性用户有帮助。

陈怡铭、威尔赫姆·赫克托、阿努什卡·奈尔和大卫·奥卢伊博被选为2025年罗德学者，将于明年秋季在牛津大学攻读研究生学位，因其在MIT的杰出表现和对社会问题的关注而获此荣誉。

最近的文本到图像生成器面临滥用风险。为此，提出了“潜在保护”方法，通过检测黑名单概念来阻止恶意输入，从而节省计算成本。该框架在多个数据集上验证，表现优异，有效防止不当内容生成。

牛津大学的“编程基础 I”课程是计算机科学和编程的入门课程，涵盖变量、数据类型、控制结构和函数等基本概念，强调问题解决和算法思维，适合初学者。通过实践项目，学生能巩固技能，提升编程能力。

牛津大学的研究人员发表了一篇论文，介绍了一种利用降低光学相干性来增强光子卷积处理的方法。他们展示了使用降低时间相干性的光子卷积处理系统，可以提高处理并行性，并实现大规模光子张量核。研究人员在两个光子平台上展示了部分相干处理的广泛适用性。光计算芯片具有高并行度、高能效比和高速度的特点，适用于人工智能等领域。然而，实现大规模光计算芯片仍然是一个难题。研究人员通过降低光源的品质，消除相位噪声问题，并提高系统算力和带宽利用率。这项新技术有望将光芯片算力提升两个数量级，并降低系统能耗。