微软研究院
核心事实
时间轴 (近 90 天)
AI for Science是近年来兴起的交叉领域，指利用人工智能方法加速科学发现，覆盖从假设生成、实验设计到数据分析的全流程。代表性案例包括DeepMind的AlphaFold（蛋白质结构预测）、GNoME（新材料发现）以及微软研究院在分子动力学和量子化学上的工作。
Lean 是由微软研究院开发的交互式定理证明器，允许数学家将证明用形式化语言书写并由计算机检验逻辑正确性
Lean是由微软研究院开发的交互式定理证明器（interactive theorem prover），属于形式化数学工具的代表之一
大语言模型在单轮场景下表现极高，但在将同一完整信息拆分为多轮逐步提供时性能会显著退化
微软团队正在使用强化学习方法训练模型以改善多轮对话中的性能退化行为
Jennifer Neville 是普渡大学计算机科学与统计学教授、微软研究院合伙研究经理，领导'AI交互与学习团队'
CUPED（Controlled-experiment Using Pre-Experiment Data）是微软研究院提出的 A/B 实验方差缩减技术，利用实验前历史数据作为协变量通过回归去除噪声，在不增加样本量的情况下提升统计检验灵敏度
Z3 是微软研究院开发的高性能 SMT（可满足性模理论）求解器，广泛用于程序验证、安全分析和形式化方法领域
微软研究院的BioEmu可以根据给定序列生成蛋白质构象样本
David Lomet 是微软研究院数据库研究组创始人、美国国家工程院院士
还有 40 条时间轴事件
全部知识事实 (20)
Lean基于依赖类型论，将证明与程序统一表达
90%已验证LoRA（Low-Rank Adaptation）由微软于2021年提出，其核心思想是冻结预训练模型的权重，仅训练注入的低秩分解矩阵
90%已验证Lean是由微软研究院开发的交互式定理证明器，目前最新版本为Lean 4
90%已验证Lean由微软研究院的Leonardo de Moura于2013年创建，目前已发展到Lean 4版本
85%已验证LoRA（低秩适配）是2022年由微软研究院提出的参数高效微调方法
80%已验证LoRA（Low-Rank Adaptation）最初由微软研究院提出用于大语言模型的高效适配
80%已验证AutoGen由微软研究院推出，专注于多Agent协作场景
80%已验证当一次代码审查超过 400 行代码时，审查者的缺陷发现率会急剧下降
80%已验证ResNet（残差网络）由微软研究院何恺明团队于2015年提出，通过引入残差连接解决了深层网络训练中的梯度消失问题
80%已验证Lean是由微软研究院的Leonardo de Moura开发的交互式定理证明器,基于依赖类型论
80%已验证残差连接源自微软2015年提出的 ResNet，通过将输入直接跳过中间层相加到输出，缓解深层网络的梯度消失问题
75%已验证微软研究院的数据显示，人类平均注意力持续时间已从2000年的12秒下降至2015年的约8秒
75%已验证Graph RAG由微软研究院于2024年推动普及
70%已验证Lean 是由微软研究院开发的交互式定理证明器，允许数学家将证明用形式化语言书写并由计算机检验逻辑正确性
65%已验证Lean是一种依赖类型论驱动的交互式定理证明器，由微软研究院的Leonardo de Moura团队开发，目前活跃版本是Lean 4
65%已验证微软研究院于2023年首次提出BitNet，并于2024年推出进化版本BitNet b1.58
65%已验证Lean是由微软研究院Leonardo de Moura开发的交互式定理证明器和函数式编程语言
65%已验证微软研究院2024年发布了GraphRAG论文，证明GraphRAG在处理结构化知识时比传统RAG准确率提升显著
65%待验证微软研究院也在探索自动化科学发现的框架
75%待验证生命日志（Lifelogging）概念最早由微软研究院在2000年代系统性提出，但受限于存储成本和AI理解能力，始终停留在学术阶段
75%