uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

teksti |. valkoinen kyyhkynen

toimittaja ｜ wang yisu

"tekoälyn taustalla oleva logiikka on erilainen kuin suurten kielimallien nykyinen koulutuslogiikka, shenzhen technologyn tekninen johtaja lu jintan sanoi suoraan, että nykyinen tekoälyn logiikka tieteellisen tutkimuksen alalla ja suurten kielimallien soveltamisessa." kielimallit muilla toimialoilla eivät ole samoja.

alalla tiedetään, että suuren kielimallin koulutus perustuu korkealaatuisen datan "syöttämiseen" mitä enemmän dataa, sitä vahvempi on suuren kielimallin kyky. tieteellisen tutkimuksen joillakin tietyillä aloilla dataa on kuitenkin suhteellisen vähän. esimerkiksi tietyntyyppisistä proteiinirakenteista voi kestää useita vuosia saada satoja korkealaatuisia kokeellisia tietoja.

tämä tarkoittaa myös sitä, että tekoälyn soveltaminen tieteellisen tutkimuksen alalla vaatii suhteellisen vähemmän dataa parempien mallivaikutusten saavuttamiseksi.

joten miten tekoäly muuttaa tiedettä? ja kuinka ajaa liiketoimintamalli läpi? shenzhen technology on yhtenä ai for sciencen edustavista yrityksistä antanut oman ajattelunsa ja ratkaisunsa.

perinteisessä tieteellisessä laskennassa, jos haluat ennustaa molekyylien ja atomien fysikaalisia ominaisuuksia niiden rakennetietojen avulla, sinun on yleensä suoritettava mikroskooppisia laskelmia käytännön ongelmien kanssa. tällä hetkellä ala ei vieläkään pysty ymmärtämään tätä poikkimittaista laskentakykyä, ja se luottaa enemmän empiiriseen arviointiin ja kokeelliseen todentamiseen.

samaan aikaan laskentajärjestelmien laajenemisen myötä laskelmien määrä perinteisissä tieteellisissä laskelmissa on kasvanut eksponentiaalisesti ja saavuttanut usein kymmeniä tuhansia tai jopa satoja miljoonia atomimittakaavan järjestelmiä mallien kokonaislaskenta-aika on sykli voi olla hyvin pitkä.

"shenzhen technology voi saada mallin tuottamaan laskentatuloksia, jotka ovat lähellä fyysisen mallin tarkkuutta, ja samalla parantaa huomattavasti laskentatehoa, lu jintan sanoi: "käytämme tekoälyä näiden fyysisten menetelmien sovittamiseksi aiemmin vaati paljon laskelmia.

esimerkkinä kuvantunnistuksen ytimessä on analysoida kuvan pikseliinformaatiota ottamalla käyttöön konvoluutiohermoverkko, se voi poimia kuvan paikallisia piirteitä, hajottaa alkuperäisen kuvan erilaisiksi piirrekartoiksi ja suorittaa likimääräisen ratkaisun ominaisuuden kautta. tämä on itse asiassa ulottuvuuden vähentämisanalyysi.

itse asiassa tekoäly on myös tieteellisen alan ulottuvuuden vähentämissovellus. se vähentää laskennallista monimutkaisuutta tehokkaiden mallinnusominaisuuksiensa ansiosta, erityisesti varhaisissa vaiheissa, joihin liittyy ristikkäisiä laskelmia. samaan aikaan multimodaalisen suuren mallin kykyyn perustuen voidaan saavuttaa myös moniulotteinen analyysi ja erityyppisten tietojen, kuten molekyylirakenteen, fysikaalisten ominaisuuksien, kokeellisten tietojen jne., ennustaminen.

esimerkiksi lääkekeksintöprosessissa on yleensä tarpeen ensin analysoida proteiinin rakenne ja kohdepisteet ja sitten seuloa sadoista tuhansista tai jopa miljoonista yhdistekirjastoista ehdokasyhdisteitä, joilla on korkea affiniteetti kohdepisteisiin. yleensä suoritetaan moniulotteisia arviointeja, mukaan lukien affiniteettianalyysi, farmaseuttisten kemiallisten ominaisuuksien (kuten toksisuus, imeytyminen, aineenvaihdunta jne.) ennustaminen ja arviointi.

"tekoälyn alalla avain suuriin ristimittakaavaisia ​​laskelmia tukeviin malleihin on niiden valtava parametrimittakaava ja vahva yleistyskyky. mallin valtava määrä parametreja mahdollistaa monimutkaisten fysikaalisten, kemiallisten ja biologisten ilmiöiden vangitsemisen, ja vahva yleistyskyky "perusmalli voi ennustaa lääkkeen asiaankuuluvat ominaisuudet sen mikrorakenteen perusteella, ja sitä voidaan soveltaa myös materiaalialaan, kun mallia siirretään analysoimalla materiaalien mikrorakennetta." materiaalien stabiilisuus ja muut fysikaaliset tilat eri lämpötiloissa ja paineissa."

siksi shenzhen technologyn ymmärrys ai for sciencen yleisistä perusmalleista piilee joukossa esikoulutusmalleja. tätä mallia voidaan soveltaa useilla teollisuuden aloilla ongelmien ratkaisemiseen hienosäädön avulla.

useilla shenzhen technologyn tällä hetkellä tutkimilla perusmalleilla voidaan edelleen saada hyviä tuloksia rajoitetulla datakoulutuksella, ja niitä voidaan edelleen optimoida ja tarkistaa saatujen korkealaatuisempien tietojen perusteella. tässä mallijärjestelmässä mahdollistamalla tekoälyn oppiminen tieteellisten perusperiaatteiden itse ja lisäkoulutuksen avulla pienellä verkkotunnuksen datamäärällä voidaan jo saavuttaa hyviä tuloksia, jotka eroavat hieman suurista kielimalleista.

lu jintan kertoi light cone intelligencelle: "tieteellisen laskennan tietolähteet eivät ole laajalle levinneitä, ja julkisia tietojoukkoja ei ole paljon, joten suuri osa työstämme on nyt mallin harjoitteluvaikutuksen lisääminen tehokkaampi pienten tietokokonaisuuksien perusteella.

kahden viime vuoden aikana shenzhen technology on myös menestyksekkäästi lanseerannut sarjan suuria teollisuusmalleja, kuten dpa-molekyylisimulaatiomalli, uni-mol 3d-molekyylikonformaatiomalli, uni-fold-proteiinin laskostumismalli, uni-rna-nukleiinihapporakennemalli, uni -telakoita tehokas lääkemolekyylien telakointimoottori ja uni-smart tieteellisen kirjallisuuden multimodaalinen suurikielimalli jne.

lu jintanin mukaan shenzhen technologylla on tällä hetkellä satoja malleja materiaali- ja lääkealalla, ja nämä mallit on myös onnistuneesti integroitu shenzhen technologyn tuotealustaan.samaan aikaan shenzhen technology on myös saavuttanut strategisen yhteistyön kymmenien alan johtavien lääkeyritysten kanssa ja saavuttaa myös kaupallistamisen läpimurtoja vuonna 2023 yli 100 miljoonan euron liikevaihdolla.

tällä hetkellä shenzhen technologyn liiketoiminta on kattanut älykkään koulutuksen yliopistoissa, biolääketieteellisen tutkimuksen ja kehityksen sekä uudet akkumateriaalit.

nykyisen ai for sciencen algoritmiluokituksen mukaan kokonaiskehitys on kuitenkin edelleen l2-vaiheessa, mikä on lähellä kokeellista tarkkuutta. se on edelleen enemmän ihmiskeskeistä, ja siinä käytetään mallilaskelmia ihmisten auttamiseksi ja stressin vähentämiseksi.

l3-vaiheessa tekoäly voi antaa suoraan tuloksia, ja joissakin skenaarioissa se voi suoraan korvata ihmiskokeita.

jos haluat siirtyä l2:sta l3:een, "päävaikeus on, että jokaisen linkin tarkkuuden on saavutettava tietty korkeus. samanaikaisesti algoritmien integrointi jokaiseen linkkiin on myös suuri haaste." sanoi.

tulevaisuuteen katsoen lu jintan uskoo, että ai for sciencen markkinatila on riittävän suuri, olipa kyseessä sitten koulutus ja tieteellinen tutkimus, biolääketiede tai akkumateriaalit, tekoälyn lisääminen voi itse asiassa ratkaista monia perustavanlaatuisia ongelmia, ainakin kokeellisella tasolla. , ja valtaa ihmisiä teollisuus, rajojen etsintä jne. tarjoavat lisää ideoita ja lähtökohtia.

seuraava on yksityiskohtainen keskustelu guangcone intelligencen ja shenzhen technologyn teknisen johtajan lu jintanin välillä (poistettu ja muokannut guangcone intelligence):

shenzhen technology käyttää tekoälyä

tieteellisen tutkimuksen ja kehityksen laadun ja tehokkuuden parantaminen

k: suuret mallit ovat muuttaneet luonnollisen kielen prosessointia, videoiden ja kuvien luomista. miten ne ovat muuttaneet tiedettä?

a:suuria kielimalleja on alettu käyttää kaivoskirjallisuuden tiedoissa, patenttitiedoissa ja muilla aloilla. kutsumme niitä myös alan tutkimustuloksiin tekee myös joitain multimodaalisia sovelluksia, kuten kuvien ja kaavioiden tulkintaa.

perinteisessä tieteellisessä laskennassa ongelmia esiintyy usein mikro-makromittakaavassa. ongelmien ratkaisemiseen käytetään erilaisia ​​fyysisiä malleja, mutta kyvyt puuttuvat edelleen joissakin poikkimittakaavaisissa laskentaskenaarioissa. jos esimerkiksi haluamme ennustaa molekyylin makroskooppisia ominaisuuksia sen atomien rakenneinformaation avulla, tarvitsemme kyvyn mallintaa asteikkojen yli.

tekoäly sisältää suuria malleja, joilla voidaan saavuttaa poikkimittakaavainen mallinnus oppimalla nämä fyysiset mallit ja soveltamalla niitä tiettyihin ongelmiin, nämä ongelmat voidaan ratkaista hyvin.

yleensä joudumme tekemään suuren suorituskyvyn laskelmia, usein kymmenien tuhansien tai jopa satojen miljoonien atomien järjestelmissä. jos laskelmat perustuvat fysikaalisiin malleihin, aikajakso on suhteellisen pitkä. shenshi technology tekee tässä mahdollistaakseen mallin tuottavan laskentatuloksia, jotka ovat lähellä fyysisen mallin tarkkuutta, ja samalla se voi parantaa huomattavasti laskentatehoa.

k: kuinka muuntaa satojen miljoonien atomien järjestelmämittakaavassa olevat laskelmat suurten mallien alalla?

a:mikroskooppisessa mittakaavassa kahden atomin välistä vuorovaikutusta voidaan analysoida fysikaalisilla malleilla, kuten klassisen mekaniikan tai kvanttimekaniikan yhtälöiden avulla, laskea niiden välinen vuorovaikutusvoima ja liikerata. tällä hetkellä laskennassa on otettava huomioon vain kahden atomin keskinäinen vaikutus, ja ongelma on suhteellisen yksinkertainen. kuitenkin, kun atomien määrä järjestelmässä kasvaa, tilanne muuttuu monimutkaisemmaksi. esimerkiksi kun otetaan käyttöön kolmas atomi, sen lisäksi, että tarkastellaan kunkin atomin välistä parivuorovaikutusta, on analysoitava myös useiden kappaleiden vaikutus näiden kolmen välillä. tällä hetkellä atomien välinen vuorovaikutus ja liikerata eivät riipu vain kahdesta atomista, vaan ne määräytyvät yhdessä koko järjestelmän tilan mukaan, ja laskennan määrä kasvaa epälineaarisesti. tiedemiehet ottavat usein käyttöön approksimaatioalgoritmeja, kuten tiheysfunktionaalisen teorian tai molekyylidynamiikan simulaatioita, käsitelläkseen tehokkaasti laskelmia eri mittakaavassa.

se, mitä tekoälymme teki alkuaikoina, oli itse asiassa käyttää tekoälyä näiden fyysisten yhtälöiden sovittamiseksi ja tietojenkäsittelyn suorituskyvyn parantamiseksi. sitä voidaan verrata kuvan tunnistukseen. sen ydin on, että se analysoi eri pikseleitä, ja se jakaa kuvan ominaisuuskuviksi. tämä on itse asiassa dimensioanalyysi. se, mitä teimme tekoälyn alkuaikoina tieteellisen laskennan alalla, voidaan nähdä myös ulottuvuuksien pienentämisenä eli nopeuttaa asioita, jotka ovat aiemmin vaatineet paljon laskelmia.

k: mitä eroa on perinteisen tekoälyn laskentamenetelmillä ja suurten mallien tulolla?

a:suuren mallin määritelmä on suhteellisen epämääräinen, ja yleensä indikaattorina käytetään parametrien määrää, mitä enemmän parametreja on, sitä suurempi on laskennan määrä. meille kyse on enemmän monimittaisten laskelmien tarjoamisesta. nykyinen esikoulutusmallimme, uni-mol, perustuu molekyylien ja atomien kolmiulotteiseen rakenteeseen, ennustaa oleellisia fysikaalisia ominaisuuksia, muodostaa rakenteen ja aktiivisuuden suhteita ja ratkaisee ne aiemmin ennusteet perustuivat usein kokeisiin ja kokea. tämä menetelmä yhdistää eri mittakaavan laskelmia ja tarjoaa uusia laskentamenetelmiä esimerkiksi materiaalitieteen aloille.

kun käsittelemme suuria malleja, painotamme yleensä enemmän mallin yleistyskykyjä. tekoälyn alalla se on suhteellisen yleinen. esimerkiksi perusmallilla voidaan ennustaa joitain lääkkeisiin liittyviä ominaisuuksia mikrorakenteen perusteella eri lämpötiloissa ja paineissa, joten käsityksemme ai for sciencen yleisestä mallista on enemmänkin esikoulutusmalleja. tätä mallia voidaan soveltaa eri teollisuuden aloilla ongelmien ratkaisemiseen hienosäädön avulla.

k: mikä on multimodaalisuuden päärooli?

a:se sisältää erityyppisten tietojen, kuten molekyylirakenteen, fysikaalisten ominaisuuksien, kokeellisten tietojen jne. yhdistämisen kattavaa analysointia varten. esimerkiksi lääkekeksintöprosessissa on yleensä tarpeen analysoida ensin proteiinin rakenne ja kohdepisteet ja seuloa seulontaprosessin aikana kohdepisteisiin korkean affiniteetin omaavat yhdisteet , prosessi voi sisältää affiniteettianalyysin, lääkeominaisuuksien analyysin, onko se myrkyllinen, onko se hyödyllistä ihmiskehon imeytymiselle jne. se voi olla moniulotteinen analyysi. siksi, jos haluat saavuttaa paremman seulontavaikutuksen, sinun on analysoitava se useista näkökulmista ja ominaisuuksista.

yleiset multimodaaliset ongelmat, kuten kuvat ja videot, voivat olla lähempänä multimodaalisia sovelluksiamme dokumenttidatan louhinnassa. esimerkiksi paperissa on tarpeen lukea paitsi tekstin, myös kuvainformaation , ja kuvatietojen on oltava. suorita perusteellinen louhinta, integroi se sitten tekstitietoihin ja tulosta lopuksi tulokset. käytämme myös kirjallisuudessa tätä yhteistä multimodaalista kykyä.

k: kuinka suuri on mallidatan kysyntä ai for science -alalla?

a:eri kentät ovat tietysti erilaisia, mitä enemmän, sitä parempi. esimerkiksi biolääketieteen ja akkualan segmentoiduissa sovelluksissa tiedon saannin vaikeus on erilainen aloilla, joilla on pitkät t&k- ja todentamissyklit, datan tuotto on suhteellisen pieni ja tiedon absoluuttinen määrä on rajallinen. . esimerkiksi tietyntyyppisistä proteiinirakenteista tietueita voi olla vain muutama sata muutamassa vuodessa, mutta muilla aloilla dataa on ehdottomasti enemmän.

fyysiset perusmallit voivat kuitenkin tuottaa lisää tietoa useat tällä hetkellä tutkimamme perusmallit voivat edelleen saada hyviä tuloksia rajoitetulla datakoulutuksella, ja niitä voidaan optimoida ja korjata tulevaisuuden laadukkaamman tiedon perusteella. mallijärjestelmässämme sallimalla tekoälyn oppia tieteelliset perusperiaatteet itse ja lisäkoulutuksella pienellä verkkotunnuksen datamäärällä voidaan jo saavuttaa hyviä tuloksia, jotka eroavat hieman suurista kielimalleista.

k: kuinka saada tekoäly oppimaan perustieteellistä logiikkaa ja ratkaisemaan sitten tiettyjä sovellusongelmia?

a:yleensä joitain fyysisiä malleja käytetään suoraan laskelmien suorittamiseen, minkä jälkeen tuloksena oleva data opetetaan ja sitten fyysiset mallit simuloidaan.

k: mikä on suuren perusmallin ja kunkin pystytyypin suurten mallien välinen suhde? pitäisikö minun kouluttaa suuri perusmalli itse vai käyttää kolmannen osapuolen avoimen lähdekoodin suurta mallia?

a:eri skenaariot ovat erilaisia. perussovellus on yksittäisen paperin tulkitseminen kustannusnäkökulmasta johtuen joitain yleisiä suuria malleja käytetään apunani paperin tulkinnassa. jos haluamme tulkita useita julkaisuja tai jopa tehdä kokonaishaun suuresta paperikirjastostamme, mukaan lukien patenttihaku ja -analyysi, käytämme itse kehitettyä kirjallisuusmalliamme tehdäksemme paperin yksityiskohtaisemman tulkinnan.

siksi kehittelemme edelleen käyttäjille tarkoitettuja tuotteita. saatamme päättää, mikä malli sopii paremmin tuotteisiimme, ja teemme valinnan myös kustannusnäkökohtien perusteella.

nykyään kutsumme monia malleja enemmän esikoulutusmalleiksi. esimerkiksi viime vuonna julkaisemamme dpa on sarja esikoulutusmalleja eri elementtien atomien välisten mahdollisten funktioiden laskemiseen. aloitimme myös openlam-suuratomimalliprojektin aika sitten, toivoen, että se voi mennä läpi. avoimen lähdekoodin voimien mobilisoimiseksi voimme osallistua ja jakaa tietoja yhdessä kouluttaaksemme mallia kypsemmäksi.

k: kuinka monta mallia shenzhen technologylla on nyt?

a:meillä on nyt satoja malleja materiaalien ja lääketieteen aloilla yhdessä.

liikevaihto ylitti 100 miljoonaa euroa, työskentely kymmenien lääkeyhtiöiden kanssa

shenzhen technologyn liiketoimintamalli

k: voitko jakaa shenzhen-teknologian uusimman tutkimuksen ja kehityksen ai-lääketieteen alalla?

a:lääketieteessä keskitymme tällä hetkellä prekliiniseen tutkimukseen, joka kattaa lähes kaikki prekliiniset laskennalliset skenaariot, kuten varhaisen kohteen löytämisen ja proteiinin rakenneanalyysin, kohdeanalyysiin, molekyyliseulonta- ja affiniteettianalyysiin, ominaisuuksien ennustamiseen jne tämä linkkisarja sisältää monia tällaisia ​​laskentamenetelmiä, ja olemme nyt toteuttaneet algoritmeja.

yhdessä lääketieteellisen skenaarion kanssa pakkaamme kaikki nämä algoritmit yhdeksi tuotteeksi, joka on lääkesuunnittelualustamme hermite. teemme nyt periaatteessa yhteistyötä 50 parhaan kotimaisen lääkeyhtiön kanssa eri aloilla, joista yksi on biotekniikka (biotekniikka). , yksi on cro (kliininen tutkimusorganisaatio) ja toinen pharma (lääkeyhtiö), joilla jokaisella on oma edustajansa.

allekirjoitimme viime viikolla yhteistyösopimuksen kotimaisen pörssiyhtiön eastern sunshinen kanssa, joka valmistaa oseltamivir-influenssalääkettä. se on myös saanut yhdysvalloissa kolme ensiluokkaista sertifikaattia. jatkamme yhteistyötä heidän kanssaan. liittyvää liiketoimintaa.

tyypillisten biolääketieteen yritysten, kuten dongguang sunshine, lisäksi teemme itse asiassa yhteistyötä myös monien lääketutkimusta ja -kehitystä harjoittavien tieteellisten tutkimuslaitosten ja yliopistojen kanssa, kuten länsi-kiinan lääketieteen yliopisto, xiangya hospital ja medical college.

k: nykyisiä tuotteitamme voidaan itse asiassa käyttää suoraan selaimella, ja yleinen käyttöönotto on myös erittäin kevyttä.

a：kyllä, suurin osa siitä, mitä teemme verkossa, on tekoälytyötä. harjoittelutyö tehdään yleensä offline-tilassa, joten siirrettävän tiedon määrä ei ole niin suuri, ja se perustuu enemmän esiopetetun mallin hienosäätöön. se voidaan tehdä myös pienillä tietoerillä, ja myös tiedonsiirtopaine on pieni. kevyt käyttöönotto ei tarkoita, että emme käytä tarpeeksi laskentatehoa järjestelmä käyttää järjestelmän takana hybridipilvi- ja hpc-laskentatehoa, mutta se on paketoitu käyttäjille. jos kyse on yksityistämisskenaarioista, meidän on myös otettava käyttöön sen takana oleva laskentatehojärjestelmä, jota saas ei vaadi.

yleisesti ottaen suuret yritykset on yksityistettävä. koska niillä on erityisen korkeat tietosuojavaatimukset, joissakin opetusta vastaavissa skenaarioissa tai joissakin tutkimuslaitoksissa niitä voidaan käyttää tilapäisesti tiettyyn aiheeseen ilman yksityistämistä.

k: miten hanke etenee nykyisten osuuskuntien kanssa? missä vaiheessa tarkalleen?

a:yhteistyömme lääkeyhtiöiden kanssa on pääosin laskentaprosessia yhtiö ei valmista lääkkeitä, joten se ei osallistu lääkeyhtiöiden lääkekehitysprosessiin.

olemme pohjimmiltaan full-link-kuorma. kokeilemme nyt myös uusia alueita ja tutkimusta, kuten ohjelmistojen integroimista laitteistotutkimukseen ja -kehitykseen keskittyviin automatisoituihin laboratorioihin palvellaksemme yhdessä useampia yrityksiä, koska lääkeyritysten tarpeet ovat. vielä aika iso.

ja liikevaihdolla mitattuna liikevaihtomme viime vuonna ylitti 100 miljoonaa.

yhteistyössämme lääkeyhtiöiden kanssa on kaksi liiketoimintamallia, joista toinen on ohjelmistojen myynti ja toinen yhteinen tutkimus- ja kehitystyö.

monet suuret yritykset ottavat käyttöön paikallisesti ja heillä on varaa tukea omia ryhmiään ja niillä on riittävästi varoja ohjelmistojen hankintaan. jotkut voivat kuitenkin olla keskikokoisia tai uusia innovatiivisia lääkeyrityksiä, joilla ei ole kehittyneitä tuotantovälineitä ja vastaavia kykyjä näitä työkaluja käyttämällä voimme auttaa heitä tekemään enemmän laskelmia, joten kahden osapuolen välinen integraatio on erityisen tiivistä.

mutta monilla suurilla lääkeyhtiöillä on riittävästi varoja ja kykyjä, ja he jopa toivovat, että voimme tarjota heille räätälöityjä palveluita samalla kun tarjoamme heille saas-palvelun.

tekoälyn tulevaisuus tieteelle

k: olen nähnyt useita nykyisiä algoritmiluokituksia, jotka ovat hyvin samankaltaisia ​​kuin viisi autonomisen ajamisen luokitusta. mihin tilaan voimme päästä l2-vaiheessa? missä määrin se voi korvata aiemman kokeellisen mallin? voitko antaa tapausesimerkin tietystä skenaariosta?

a:l2-skenaariossa kutsumme sitä lähempänä kokeellista tarkkuutta ja enemmän ihmiskeskeistä laskentaa ihmisten auttamiseksi ja kokeellisen paineen vähentämiseksi. koska eri järjestelmien välillä on suuria eroja lääkesuunnittelussa, olemme pystyneet saavuttamaan lähes kokeellisen tarkkuuden joissakin järjestelmissä. joten se ei tarkoita, että käyttäjien ei tarvitse tehdä kokeita, mutta voin auttaa käyttäjiä suorittamaan perusasioita, kuten molekyyliseulonta. se voi auttaa käyttäjiä selvittämään satoja tuhansia loppu, ehkä loput vaativat tieteellisiä tutkijoita suorittamaan kokeellisen todentamisen, ja kokeellinen suuruus pienenee huomattavasti.

k: mitä vaikeuksia on siirtyessä l2:sta l3:een?

a:ymmärrän tämän l3:n, että tekoäly voi antaa suoraan tuloksia, mikä vastaa ihmiskokeiden suoraa korvaamista tietyissä skenaarioissa. l3:n saavuttamisen vaikeus johtuu pääasiassa siitä, että jokaisen linkin tarkkuuden on saavutettava tietty taso. lisäksi mukana on monia algoritmeja, ja myös erilaisten algoritmien integrointi on vaikeaa. algoritmien integrointi on itse asiassa samanlainen kuin täydellinen työnkulkujärjestelmä, ja tämä järjestelmä voi jatkuvasti tarkistaa ja optimoida itseään.

k: onko yleisessä tekniikassa iteraatioita menneisyydestä nykypäivään? ja tuleeko nykyisen mallin kehityksessä pullonkauloja?

a:tällä hetkellä iteroimme jatkuvasti erilaisia ​​​​dataan perustuvia algoritmeja, erityisesti käyttäjien yleisesti käyttämiä tuotteita. esimerkiksi dpa-tuotteemme on päivitetty 2. sukupolveen on se, että 1. sukupolvi voi se tukee esikoulutusta yhdellä alalla, ja toinen sukupolvi voi suorittaa rinnakkaisharjoituksia samanaikaisesti tietojoukkojen perusteella eri merkintämenetelmillä.

pullonkaula tulee pääosin datasta tieteellisen laskennan alalla tietolähteet eivät ole yleisiä ja julkisia tietojoukkoja ei ole paljon perustuu pieniin tietokokonaisuuksiin.

lisäksi on huomioitava toinen asia, joka on tulkittavuuskysymys. koska tieteellisen laskennan vaatimukset ovat tiukemmat ja tulkinnan vaatimukset korkeammat, yritämme nyt parantaa mallin tulkittavuutta paljastamalla parametreja. käännöspolut jne. sukupuoli.

k: kuinka ratkaista tiedon niukkuuden ongelma?

a:tekoälyn alalla, olipa kyse materiaalien tai lääketieteen alalla, mikrotason fysikaaliset perusperiaatteet ovat samat, joten etuna on, että joidenkin materiaalialojen tietoja voidaan käyttää suoraan uudelleen lääketieteen alalla. esimerkiksi dpa 2 voi perustua eri standardijärjestelmien mukaisiin tietoihin auttaa käyttäjiä kouluttamaan yhtenäisen mallin. sitten kun tätä mallisarjaa sovelletaan erityisesti teollisuuteen, pientä datamäärää voidaan käyttää hienosäätöön.

emme ole vielä olleet mukana toc-markkinoilla, mutta järjestelmämme on jo kattanut joitakin opetusskenaarioita. meillä on tieteellinen tutkimusalusta, joka yhdistää opetuksen, tutkimuksen ja soveltamisen. nykyisin kohtaamme pääasiassa yliopistoja ja osa käyttäjiä, jotka ovat enemmän kuluttajalähtöisiä. ammattikorkeakouluja ja yliopistoja varten meillä on samanlainen käytännön koulutusalusta opettajille. tämä alusta voi tukea kaikkea opettamisesta opiskelijoihin, tutkimustulosten käyttöön ja jopa toteutukseen.

k: ai fmikä on tieteen tai tieteen tulevaisuuden markkinakehitystila?

a:mielestäni markkinatila on tarpeeksi suuri. olipa kyse tieteellisestä tutkimuksesta, lääketieteestä tai materiaaleista, tekoälyn lisääminen ainakin kokeellisella tasolla voi itse asiassa ratkaista ongelmia, auttaa tieteellisiä tutkijoita parantamaan kokeellisia tuloksia ja vähentää kokeiden taakkaa.

mitä tulee asiakkaiden hyväksyntään, osa kustannuksista on monissa skenaarioissa käyttäjien kouluttaminen. esimerkiksi huumealalla solmimme pitkäaikaisia ​​yhteistyösuhteita asiakkaiden kanssa, koska meidän on oltava asiakkaiden mukana koko varmennussyklin ajan. .

suhteellisesti sanottuna materiaalikenttä on paljon nopeampi. esimerkiksi akkujen tutkimus- ja kehityssykli on erittäin nopea, jos tekoäly ennustaa elektrolyyttisuhteen vaikutuksen.

kansallisella tasolla tiede- ja teknologiaministeriö käynnisti yhdessä kiinan luonnontieteiden säätiön kanssa al for science -erikoiskäyttöönottotyön. tämä osoittaa myös, että kaikki sosioekonomisesta tasosta kansalliseen makropolitiikkaan ovat optimistisia ja tukevat sitä voimakkaasti. tämä on epäilemättä tulevaisuuden suunta.

k: ai for science on vielä alkuvaiheessa. mihin vaiheeseen se kehittyy seuraavan kolmen vuoden aikana?

a:uskon, että ainakin kaikilla asiakkailla on yhtenäinen käsitys tästä asiasta. nyt kaikki ovat alkaneet omaksua tekoälyn aktiivisesti, ja heidän ymmärryksensä tekoälystä on saavuttanut korkeamman tason. kaikilla toimialoilla tämä sana ei tunnu vierailta tai vastenmielisiltä, ​​ja niillä on suhteellisen myönteinen asenne. seuraava askel on, kuinka voimme luoda yhteistyösuhteen, joka on samanlainen kuin yhteisluominen asiakkaidemme kanssa. tämä toimiala on kuitenkin tietoherkkä toimiala. kolmen vuoden kohdalla toivomme myös voivamme auttaa asiakkaita keksimään käytännön toteutusskenaarioita.

itse asiassa, jos arvokohtaa voidaan tarkastella selvemmin, asiakkaiden hyväksyntä on edelleen melko korkea, koska yleisesti ottaen, olipa kyseessä lääkeyhtiöt tai juuri mainittu uusi energia, kaikki kiinnittävät yhä enemmän huomiota innovaatioinvestointeihin. toivomme myös auttavamme innovoimaan koko tieteellisen tutkimuksen paradigmaa, mukaan lukien tieteellisen tutkimuksen infrastruktuurit ja ylemmän tason skenaariot. tieteellisen tutkimusalustamme avulla voimme yhdistää ne ja vahvistaa eri toimialoja.