Agave sisalana）生产高吸水材料的方法，剑麻是一种吸水性强、耐干旱的多肉植物。作者指出，他们的方法在改进后或能用来在农村和半干旱地区生产从当地取材的一次性卫生巾。

　　美国斯坦福大学的Manu Prakash和同事将从剑麻叶提取的纤维用过甲酸和氢氧化钠处理，再将它们风干混合。这能得到一种松软材料，作者认为这种材料或能用作一次性卫生巾的吸水层，他们发现这种吸水层比市面上的棉质卫生巾的吸水力更强（每克材料吸收23.9克水对比15.2克水）。为演示这种潜在应用，作者将经过加工的剑麻放入一个原型卫生巾中，夹在市售卫生巾的多孔上层和防水底层之间。

　　作者估算了生产加工后剑麻所需的原材料和能源，并与之前生产软木材和漂白棉数据进行对比，后两种是市售卫生巾的常用材料。他们估计，在实验室条件下生产1千克加工后的剑麻会产生3.5千克二氧化碳，需消耗44.6至119.6千克水。相比之下，生产1千克经加工的软木材会产生0.5至1.1千克的二氧化碳，消耗61.8千克水，而1千克漂白棉会产生1.6至5.3千克二氧化碳，消耗64.5至139.5千克水。

　　由于剑麻在半干燥地区可全年种植，作者认为剑麻或可作为棉或软木材的替代品，在中低收入地区本地生产一次性卫生巾，尤其是在干燥或常被认为不适合开展农业的地区。他们建议，今后可进一步提升剑麻加工的可持续性，包括纤维处理中产生的富含聚合物的废水是否能用于生产化肥或是卫生巾的可堆肥防水底层。

　　《自然》发表的两篇论文报告，人工智能驱动的平台可以改善发现和合成新无机化合物的速度和精确性。

　　技术的近期进展已经改进了计算机程序识别新材料的能力。但这个过程面临的阻碍，是学习算法适应与其所学相反的结果的能力，因为新发现本质上需要的是用新的、创造性的方式理解数据的能力。

　　英国Google DeepMind的Ekin Cubuk和同事提出了一个计算模型，能够通过大规模主动学习改进材料发现的效率。这个程序使用现有文献训练，生成多样的潜在化合物候选结构，然后通过一系列回合不断改进这些结构。这些模型（作者称为材料探索图形网络）发现了超过220万稳定结构，将结构稳定预测的精确性提高到80%以上，在预测成分时每100次试验的精确度提高到33%（相比之下，此前工作中该数字为1%）。

　　在第二篇论文中，美国加利福尼亚大学伯克利分校的Gerbrand Ceder和同事开发了一种自动实验室（A-Lab）系统。这种A-Lab根据现存科学文献训练，随后结合主动学习，可对拟定化合物创造最多5个初始合成配方。随后它可以用机器臂执行实验，合成粉末形态的化合物。如果一个配方产量低于50%，A-Lab会调整配方继续实验，在成功达到目标或穷尽所有可能配方后结束。经过17天的连续实验，A-Lab进行了355次实验，产生了58个拟定化合物中的41个（71%）。作者表明，对决策算法做一些小改动，这一成功率还可提高到74%，如果计算技术能得到同样改进，还能进一步提高到78%。

　　这两篇论文展示了通过结合提高计算力和基于现有文献的训练，在使用学习算法辅助发现和合成无机化合物方面的有前景的进展。

　　材料项目的许多计算都是在伯克利实验室国家能源研究科学计算中心的超级计算机上进行的。图片来自伯克利实验室Thor Swift

　　《自然-通讯》发表的一项论文认为，南极臭氧层的核心（中平流层）自2004年以来在春季中期（10月）减少了26%，与此前报告的整体臭氧层恢复趋势相悖。但恢复趋势在早春（9月）仍存在。这些发现突出了随着地球气候的动态变化持续监测和评估臭氧层的重要性。

　　1987年，《蒙特利尔议定书》列出了受控消耗臭氧层物质的清单，禁止未来生产这些物质，普遍认为议定书在恢复臭氧方面取得了成功。但过去3年里（2020-2022），南极在春季中期再次出现了面积大且持续存在的臭氧空洞，然而春季早期仍有轻度的臭氧增加（或臭氧空洞的轻度恢复）。理解臭氧层变化极为重要，因为南极平流层臭氧层在南半球的气候变异中发挥重要作用。

　　《自然-通讯》发表了一项对英国超过20亿项交易的分析，表明非处方药的销售数据或可用于改善对呼吸道疾病死亡率的预测。这些发现表明，非处方药销售可能是人口健康的一个有用指标，可改进疾病监测，支持保健规划。

　　新冠大流行凸显出精准预报呼吸道感染的重要性。生成此类预测的一个困难是，许多轻症患者不会去看医生，他们的病况因而不会进入卫生系统。但患有轻症的人可能还是会因为有症状去购买非处方药，因此销售数据的模式或可表明患病率变化，而这是用其他办法很难检测到的。

　　英国诺丁汉大学的Elizabeth Dolan和同事使用非处方药（如咳嗽或喉药和减充血剂）的销售数据来预测2016到2020年间呼吸道疾病（如流感和支气管炎）的每周死亡情况。销售数据来自英国一家商业街零售商的交易和会员卡。所有数据都被匿名汇总到商店一级的销售量，然后提供给研究者，供他们分析销售量对下级地方政府的影响。这项分析比较了两种模型的精确度，一种是基于机器学习的模型，其中包括了销售数据和其他常用呼吸道疾病指标（如人口社会统计数据和天气数据），另一种模型是没有销售数据的模型。他们的发现表明，纳入销售数据的预测更准确，尤其是在呼吸道疾病死亡率较高的时期。

　　要评估将销售数据纳入实时疾病监控系统中的实用性和可行性，还需要进一步研究。除了继续评估预测的准确性，还需要考虑到公共卫生部门获取商业销售数据的伦理影响。

　　《自然》发表的一项研究指出，碳排放统计上的差异可能正在使我们偏离气候变化减缓目标。各国和科学模型对于土地利用相关碳排放的定义必须保持一致，才能降低我们超出《巴黎气候协定》所定目标的可能性。该研究提出了解决这些差异的一个办法，并指出世界需要在比之前认为的更短时间内实现净零碳排。

　　为控制全球变暖，许多国家都做出了净零碳排和温室气体排放的承诺。然而，政府间气候变化专门委员会（IPCC）和国家温室气体清单（NGHGIs）对于人为碳排放的定义存在差异，这意味着国家目标与科学标准并不一致。

　　奥地利国际应用系统分析研究所的Matthew Gidden和同事用一个模型重新分析了IPCC的排放路径，让它们与国家报告惯例一致。作者随后观察了这两组数据间的差异在不同气候目标（升温1.5 °C与2 °C）的路径下会如何演变。结果发现，如果采用NGHGI报告惯例，关键的减缓目标更难实现，而且要求总排放量更低以及更快达到净零排放。比如，在1.5 °C的情景下，可能需要比之前预估的时间最多提前5年实现净零排放。关键是，如果与NGHGI保持一致，与土地利用领域（包括林业、农业和耕地等）相关的1.5 °C与2 °C情景下的碳排放可能会在本世纪中叶再次上升，或让该领域到2100年成为一个净排放源。

　　作者总结道，这些结果提供的证据能用来对比不同的气候数据集。英国气象局的Chris Jones和Alexander Askew在一篇同时发表的“新闻与观点”文章中写道，“各国可用这种方法更新和改进自己的标准和目标，以便能报告真正的净零排放——与IPCC的气候稳定目标一致，但能用NGHGI惯例进行追踪”。

　　在NGHGI和基于模型的核算约定下，目前对LULUCF碳通量估算的差异。来源：Gidden

　　《自然-人类行为》发表的一项研究认为，美国科学、技术、工程和医学（STEM）领域的博士（PhD）毕业生中，早年（25岁之前）身有残障的人比无残障的同辈每年少赚14360美元。

　　过去的研究表明，在美国的STEM就业中，女性和代表性不足的少数族裔面临着收入不平等和代表性不平等。残障科学家和工程师与美国整体劳动力相比，失业可能性更高，但残障STEM博士毕业生所遭受不平等的数据一直缺乏。

　　美国约翰斯·霍普金斯大学的Bonnielin Swenor和同事调查了与无残障的博士毕业生相比，25岁前身有残障和25岁及之后发生残障的博士毕业生在薪资和代表性方面存在差异的证据。作者使用了从1973年到2017年间获得学位的近115万美国研究型博士毕业生的数据。在样本中，704013人仍然在STEM领域工作（包括在25岁后发生残障的36807人，和25岁前发生残障的20544人）。在这个子集中，他们根据社会经济背景、工作和学位的相关特征对个人进行了匹配。就所有就业领域而言，身患残障的STEM博士毕业生比无残障的其他人年收入少10580美元——而在学术界，他们的年收入少14360美元。作者还发现，在较高级教职员（如院长和校长）和终身教职中，残障人士代表性不足。

　　这些发现表明，美国STEM领域的残障博士毕业生在薪资和代表性方面存在不平等。作者呼吁结构性变革来对抗此类不平等。

　　在STEM领域工作的残疾博士学位获得者在各类学术生涯里程碑中的代表情况。来源：Castro

　　《自然-通讯》发表的一篇论文报道了一个人工智能（AI）体，在3D模拟中，该智能体能在第一次见到的任务中实时模仿专家。该智能体能从第三人称视角实时可靠地获取来自人类搭档的知识。作者认为，研究结果是对具身AI实现快速知识传播的一次概念验证，是朝着人类-AI互动的开放式文化演变迈出的第一步。

　　之前在物理模拟和现实世界机器人中已经证明了用人类数据让具身AI智能体学习新技能的效果。过去的智能体通常需要在监督下从大量第一人称的人类演示中学习，这类演示的获取既昂贵又费时。相比之下，人类本身可以通过模仿示范者，在几秒内以互动方式学会新技能，即使婴儿也有这种能力。因此，研究人员一直在寻求一种AI智能体，能从效率和隐私与人类相仿的其他个体那里进行社会化学习。

　　英国谷歌DeepMind的Edward Hughes和同事利用深度强化学习训练了一个智能体，这个智能体能在名为GoalCycle3D的物理模拟任务空间里，在几分钟内发现和模仿新专家的行为，并记住所学知识。训练后，他们发现这个智能体可以在各种有挑战性的导航问题中从人类和AI专家这里快速学习，虽然它们以前从来没见过人类。比如，这个智能体可以在包含大量障碍的复杂地形中穿梭。该方法的一个关键是一种新形式的自动化课程，该课程结合了示范者的阶段性遮蔽以及任务难度的逐步升级。研究人员发现，这个智能体的个体神经元是可解释的，而且能同时编码物理信息和社会信息。

　　研究结果为 AI领域和文化演化心理学之间的密切互动奠定了基础。作者认为，AI从业者可从人类社会学习中汲取灵感，构建出适应当下人类伙伴的具身智能体，并保护好隐私。此外，能社会学习的AI智能体或为研究人类文化能力发展提供新的建模工具。

　　论文报道的智能体（蓝色）模仿人类（红色）完成一项之前从未见过的任务，并在人类推出后回忆出正确的路径。视频来自论文