nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

texte pigeon blanc

editeur｜wang yisu

"la logique sous-jacente de l'ia pour la science est différente de la logique actuelle de formation des grands modèles linguistiques." lu jintan, directeur technique de shenzhen technology, a déclaré sans détour que la logique actuelle de l'intelligence artificielle dans le domaine de la recherche scientifique et de l'application des grands les modèles linguistiques dans d’autres secteurs ne sont pas les mêmes.

il est bien connu dans l'industrie que la formation de grands modèles de langage repose sur « l'alimentation » de données de haute qualité. plus il y a de données, plus la capacité du grand modèle de langage est forte. cependant, dans certains domaines spécifiques de la recherche scientifique, la quantité de données est relativement limitée. par exemple, pour certains types de structures protéiques, plusieurs années peuvent être nécessaires pour obtenir des centaines de données expérimentales de haute qualité.

cela signifie également que l’application de l’ia dans le domaine de la recherche scientifique nécessite relativement moins de données pour obtenir de meilleurs effets de modèle.

alors, comment l’ia change-t-elle exactement la science ? et comment parcourir le modèle économique ? en tant que l'une des sociétés représentatives de l'ia pour la science, shenzhen technology a proposé sa propre réflexion et ses propres solutions.

en informatique scientifique traditionnelle, si vous souhaitez prédire les propriétés physiques des molécules et des atomes grâce à leurs informations structurelles, vous devez généralement effectuer des calculs microscopiques en combinaison avec des problèmes pratiques. actuellement, l’industrie ne parvient toujours pas à réaliser cette capacité de calcul à plusieurs échelles et s’appuie davantage sur le jugement empirique et la vérification expérimentale.

dans le même temps, avec l'expansion de l'échelle des systèmes informatiques, la quantité de calculs dans les calculs scientifiques traditionnels a augmenté de façon exponentielle, atteignant souvent des dizaines de milliers, voire des centaines de millions de systèmes à l'échelle atomique si les calculs dépendent entièrement des systèmes physiques conventionnels. modèles, le temps de calcul global sera le cycle peut être très long.

"la technologie de shenzhen peut faire en sorte que le modèle produise des résultats de calcul proches de la précision du modèle physique, tout en améliorant considérablement les performances de calcul. lu jintan a déclaré: "nous utilisons l'ia pour adapter ces méthodes physiques, ce qui peut être le cas." auparavant, cela nécessitait une grande quantité de calculs.

en prenant la reconnaissance d'image comme exemple, son objectif principal est d'analyser les informations sur les pixels de l'image en introduisant un réseau neuronal convolutif, il peut extraire les caractéristiques locales de l'image, décomposer l'image originale en différentes cartes de caractéristiques et effectuer une solution approximative grâce aux caractéristiques. combinaison. il s’agit en fait d’une analyse de réduction de dimensionnalité.

en fait, l’ia est également une application de réduction de dimensionnalité dans le domaine scientifique. elle réduit la complexité informatique grâce à ses puissantes capacités de modélisation, en particulier dans les premières étapes impliquant des calculs à plusieurs échelles. dans le même temps, sur la base de la capacité multimodale des grands modèles, une analyse multidimensionnelle et une prédiction de divers types de données telles que la structure moléculaire, les propriétés physiques, les données expérimentales, etc. peuvent également être réalisées.

par exemple, dans le processus de découverte de médicaments, il est généralement nécessaire d’analyser d’abord la structure protéique et les points cibles, puis d’éliminer les composés candidats présentant une affinité élevée pour les points cibles parmi des centaines de milliers, voire des millions de bibliothèques de composés. des évaluations multidimensionnelles sont généralement effectuées, notamment une analyse d'affinité, une prédiction et une évaluation des propriétés chimiques pharmaceutiques (telles que la toxicité, l'absorption, le métabolisme, etc.).

« dans le domaine de l'ia pour la science, la clé des grands modèles prenant en charge les calculs à plusieurs échelles réside dans leur énorme échelle de paramètres et leurs fortes capacités de généralisation. le grand nombre de paramètres du modèle lui permet de capturer des phénomènes physiques, chimiques et biologiques complexes. et la forte capacité de généralisation "le modèle de base peut prédire les propriétés pertinentes du médicament en fonction de sa microstructure, et il peut également être appliqué au domaine des matériaux lorsque le modèle est transféré. en analysant la microstructure des matériaux, nous pouvons prédire." la stabilité et d’autres états physiques des matériaux sous différentes températures et pressions.

par conséquent, la compréhension par shenzhen technology des modèles généraux de base de l'ia pour la science réside davantage dans la possession d'un ensemble de modèles de base de pré-formation. ce modèle peut être appliqué à divers domaines industriels pour résoudre des problèmes grâce à un réglage fin.

plusieurs modèles de base actuellement étudiés par shenzhen technology peuvent encore obtenir de bons résultats avec une formation limitée sur les données, et peuvent être encore optimisés et révisés sur la base des données de meilleure qualité obtenues. dans le cadre de ce système modèle, permettre à l'ia d'apprendre elle-même les principes scientifiques de base et grâce à une formation supplémentaire avec une petite quantité de données de domaine peut déjà obtenir de bons résultats, ce qui est légèrement différent des grands modèles linguistiques.

lu jintan a déclaré à light cone intelligence : « les sources de données dans le domaine du calcul scientifique ne sont pas répandues et il n'y a pas beaucoup d'ensembles de données publiques. une grande partie de notre travail consiste donc maintenant à déterminer comment rendre plus efficace l'effet d'entraînement du modèle. plus efficace sur la base de petits ensembles de données, mieux c’est.

au cours des deux dernières années, shenzhen technology a également lancé avec succès une série de grands modèles industriels, tels que le modèle de simulation moléculaire dpa, le modèle de conformation moléculaire 3d uni-mol, le modèle de repliement de protéines uni-fold, le modèle de structure d'acide nucléique uni-arn, uni -dock moteur d'accueil de molécules médicamenteuses haute performance et modèle multimodal de grand langage de littérature scientifique uni-smart, etc.

selon lu jintan, shenzhen technology dispose actuellement de centaines de modèles dans les domaines des matériaux et des médicaments, et ces modèles ont également été intégrés avec succès dans la plate-forme de produits de shenzhen technology.dans le même temps, shenzhen technology a également conclu une coopération stratégique avec des dizaines de sociétés pharmaceutiques de premier plan du secteur et réalisera également des percées en matière de commercialisation en 2023, avec un chiffre d'affaires supérieur à 100 millions.

à l'heure actuelle, les activités de shenzhen technology couvrent l'éducation intelligente dans les universités, la recherche et le développement biomédicaux et les nouveaux matériaux pour batteries.

cependant, selon la classification actuelle des algorithmes de l'ia pour la science, le développement global en est encore au stade l2, ce qui est proche de la précision expérimentale. il est encore plus axé sur les personnes, utilisant des calculs sur modèles pour aider les humains et réduire le stress.

au stade l3, l’ia peut directement donner des résultats et, dans certains scénarios, elle peut directement remplacer les expériences humaines.

si vous souhaitez passer de l2 à l3, « la principale difficulté est que la précision de chaque lien doit atteindre une certaine hauteur. en même temps, la manière d'intégrer les algorithmes dans chaque lien est également un grand défi ». dit.

face à l'avenir, lu jintan estime que l'espace de marché de l'ia pour la science est suffisamment vaste. qu'il s'agisse de l'éducation et de la recherche scientifique, de la biomédecine ou des matériaux pour batteries, l'ajout de l'ia peut en réalité résoudre de nombreux problèmes fondamentaux, du moins au niveau expérimental. , et responsabiliser les gens. l'industrie, l'exploration des frontières, etc. fournissent plus d'idées et de points d'entrée.

voici la conversation détaillée entre guangcone intelligence et lu jintan, le directeur technique de shenzhen technology (supprimé et édité par guangcone intelligence) :

la technologie de shenzhen utilise l'ia

améliorer la qualité et l’efficacité de la recherche et du développement scientifiques

q : les grands modèles ont changé le traitement du langage naturel, la génération de vidéos et d’images. comment ont-ils changé la science ?

un:les grands modèles de langage ont commencé à être utilisés dans les informations sur la littérature minière, les informations sur les brevets et dans d'autres domaines. nous les appelons grands modèles de littérature. nous avons également obtenu des résultats de recherche dans ce domaine. fera également certaines applications multimodales telles que l'interprétation d'images et de graphiques.

dans le calcul scientifique traditionnel, les problèmes souvent rencontrés vont des échelles micro à macro. différents modèles physiques sont utilisés pour résoudre les problèmes, mais les capacités font encore défaut dans certains scénarios informatiques à plusieurs échelles. par exemple, si nous voulons prédire les propriétés macroscopiques d’une molécule grâce aux informations structurelles de ses atomes, nous avons besoin de pouvoir modéliser à plusieurs échelles.

l'intelligence artificielle comprend de grands modèles, qui peuvent réaliser une modélisation à plusieurs échelles. en apprenant ces modèles physiques et en les appliquant ensuite à des problèmes spécifiques, ces problèmes peuvent être bien résolus.

nous devons généralement effectuer des calculs à grand débit, souvent sur des systèmes comportant des dizaines de milliers, voire des centaines de millions d'atomes. si les calculs sont basés sur des modèles physiques, la période de temps sera relativement longue. ce que shenshi technology fait ici, c'est permettre au modèle de produire des résultats de calcul proches de la précision du modèle physique, et en même temps, cela peut considérablement améliorer les performances de calcul.

q : comment convertir des calculs à l'échelle d'un système de centaines de millions d'atomes en calculs dans le domaine des grands modèles ? quelle est la quantité approximative de calculs ?

un:à l'échelle microscopique, l'interaction entre deux atomes peut être analysée au moyen de modèles physiques, par exemple au moyen d'équations de mécanique classique ou de mécanique quantique, pour calculer la force d'interaction et la trajectoire de mouvement entre eux. à l’heure actuelle, le calcul ne doit prendre en compte que l’influence mutuelle de deux atomes, et le problème est relativement simple. cependant, à mesure que le nombre d’atomes dans le système augmente, la situation se complique. par exemple, lorsqu’un troisième atome est introduit, en plus de considérer l’interaction par paire entre chaque atome, l’effet à n corps entre les trois doit également être analysé. à l'heure actuelle, l'interaction et la trajectoire entre les atomes dépendent non seulement des deux atomes, mais sont également déterminées conjointement par l'état de l'ensemble du système, et la quantité de calcul augmente de manière non linéaire. les scientifiques introduisent souvent des algorithmes d’approximation, tels que la théorie fonctionnelle de la densité ou les simulations de dynamique moléculaire, pour gérer efficacement les calculs à différentes échelles.

au début, notre ia utilisait l’ia pour adapter ces équations physiques et améliorer les performances informatiques. cela peut être comparé à la reconnaissance d'images. son point central est qu'il analyse divers pixels. après avoir ajouté un réseau neuronal convolutif, il divisera une image en images caractéristiques, puis effectuera une solution approximative. ce que nous avons fait au début de l’intelligence artificielle dans le domaine du calcul scientifique peut également être considéré comme une action de réduction de dimensionnalité, c’est-à-dire rendre plus rapide des choses qui auraient pu auparavant nécessiter une grande quantité de calculs.

q : quelle est la différence entre les méthodes de calcul de l’ia traditionnelle et l’avènement des grands modèles ?

un:la définition d'un grand modèle est relativement vague et le nombre de paramètres est généralement utilisé comme indicateur. plus il y a de paramètres, plus la quantité de calcul est importante. pour nous, il s’agit plutôt de proposer des calculs multi-échelles. notre modèle de pré-entraînement actuel, uni-mol, est basé sur la structure tridimensionnelle des molécules et des atomes, prédit les propriétés physiques pertinentes, établit des relations structure-activité et les résout directement. dans le passé, les prédictions reposaient souvent sur des expériences et des solutions. expérience. cette méthode combine des calculs à différentes échelles et fournit de nouvelles méthodes de calcul pour des domaines tels que la science des matériaux.

lorsque nous traitons de grands modèles, nous accordons généralement davantage d’importance aux capacités de généralisation des modèles. dans le domaine de l’ia pour la science, c’est relativement courant. par exemple, le modèle de base peut prédire certaines propriétés liées aux médicaments sur la base de la microstructure. si ce modèle est migré, il peut être appliqué au domaine des matériaux. cependant, les propriétés concernées peuvent ne pas être des propriétés médicinales, mais des propriétés sous-jacentes. différents états de température et de pression, donc notre compréhension du modèle général de base de l'ia pour la science est davantage un ensemble de modèles de base de pré-formation. ce modèle peut être appliqué à divers domaines industriels pour résoudre des problèmes grâce à un réglage fin.

q : quel est le rôle principal de la multimodalité ?

un:cela implique de combiner différents types de données, telles que la structure moléculaire, les propriétés physiques, les données expérimentales, etc., pour une analyse complète. par exemple, dans le processus de découverte de médicaments, il est généralement nécessaire d'analyser d'abord la structure protéique et les points cibles, puis de sélectionner les composés ayant une affinité élevée pour les points cibles parmi des centaines de milliers, voire des millions de bibliothèques de composés. , le processus peut inclure une analyse d'affinité, une analyse des propriétés médicinales, s'il est toxique, s'il est bénéfique pour l'absorption du corps humain, etc. il peut s'agir d'une analyse multidimensionnelle. par conséquent, si vous souhaitez obtenir un meilleur effet de filtrage, vous devez l’analyser sous plusieurs angles et propriétés.

les problèmes multimodaux courants tels que les images et les vidéos peuvent être plus proches de nos applications multimodales dans l'exploration de données documentaires. par exemple, dans un article, il est nécessaire de lire non seulement les informations textuelles contenues dans l'article, mais également les informations illustrées. , et les informations sur l'image doivent être effectuées. effectuez une exploration approfondie, puis intégrez-les aux informations textuelles et enfin affichez les résultats. dans la littérature, nous appliquons également cette capacité multimodale commune.

q : quelle est l’ampleur de la demande de données de modèles dans le domaine de l’ia pour la science ?

un:différents domaines sont différents. bien sûr, plus il y en a, mieux c'est. il y a aussi la question de la difficulté à les obtenir. par exemple, dans les applications segmentées dans le domaine biomédical et dans le domaine des batteries, la difficulté d'obtenir des données est différente dans les industries avec de longs cycles de r&d et de vérification, la production de données sera relativement faible et la quantité absolue de données sera limitée. . par exemple, pour certains types spécifiques de structures protéiques, il peut n’y avoir que quelques centaines d’enregistrements en quelques années, mais dans d’autres domaines, les données sont nettement plus nombreuses.

cependant, les modèles physiques de base peuvent générer davantage de données. plusieurs modèles de base que nous étudions actuellement peuvent encore obtenir de bons résultats avec un entraînement limité des données, et peuvent être optimisés et corrigés sur la base des données de meilleure qualité obtenues à l'avenir. dans notre système de modèles, permettre à l'ia d'apprendre elle-même les principes scientifiques de base et grâce à une formation supplémentaire avec une petite quantité de données de domaine peut déjà obtenir de bons résultats, ce qui est légèrement différent des grands modèles de langage.

q : comment faire en sorte que l’ia apprenne la logique scientifique de base, puis résolve des problèmes d’application spécifiques ?

un:généralement, certains modèles physiques sont utilisés pour effectuer directement des calculs, puis les données résultantes sont entraînées, puis les modèles physiques sont simulés.

q : quelle est la relation entre le grand modèle de base et les grands modèles de chaque type vertical ? dois-je entraîner moi-même le grand modèle de base ou utiliser un grand modèle open source tiers ?

un:différents scénarios sont différents. s'il fait référence à un grand modèle de langage, il est davantage utilisé dans l'interprétation de documents, comme l'interprétation papier. l'application de base consiste à interpréter un seul article. pour des raisons de coût, certains grands modèles généraux seront utilisés pour m'aider à interpréter l'article. si nous souhaitons interpréter plusieurs articles, ou même effectuer une recherche globale dans notre vaste bibliothèque papier, y compris la recherche et l'analyse des brevets, nous utiliserons notre modèle de littérature que nous avons développé nous-mêmes pour effectuer une interprétation plus détaillée de l'article.

par conséquent, nous travaillons toujours sur des produits destinés aux utilisateurs. nous pouvons décider quel modèle est le plus adapté à nos produits, et nous ferons également un choix en fonction de considérations de coût.

de nos jours, nous appelons de nombreux modèles des modèles de pré-entraînement. par exemple, le dpa que nous avons publié l'année dernière est un ensemble de modèles de pré-entraînement permettant de calculer les fonctions potentielles entre les atomes de différents éléments. nous avons également lancé le projet de modèle à grands atomes openlam. il y a quelque temps, en espérant que cela puisse passer. pour mobiliser certaines forces open source, nous pouvons contribuer et partager des données ensemble pour entraîner le modèle à être plus mature.

q : combien de modèles shenzhen technology propose-t-elle actuellement ?

un:nous disposons désormais de centaines de modèles dans les domaines des matériaux et de la médecine réunis.

le chiffre d'affaires a dépassé les 100 millions, en collaboration avec des dizaines de sociétés pharmaceutiques

le modèle économique de shenzhen technology

q : pouvez-vous partager les derniers progrès de recherche et développement de shenzhen technology dans le domaine de la médecine ia ?

un:dans le domaine de la médecine, nous nous concentrons actuellement sur la recherche préclinique, couvrant presque tous les scénarios informatiques précliniques, tels que la découverte précoce de cibles et l'analyse de la structure des protéines, l'analyse des cibles, le criblage moléculaire et l'analyse d'affinité, la prédiction des propriétés, etc. cette série de liens contient de nombreuses méthodes de calcul de ce type, et nous avons désormais implémenté des algorithmes.

en combinaison avec le scénario médical, nous regroupons tous ces algorithmes dans un seul produit, qui est notre plateforme de conception de médicaments hermite. nous coopérons désormais essentiellement avec les 50 plus grandes sociétés pharmaceutiques nationales dans différents domaines, impliquant principalement trois aspects, l'un étant la biotechnologie (biotechnologie). , l'un est cro (organisme de recherche clinique) et l'autre est pharma (société pharmaceutique), chacun ayant sa propre société représentative.

la semaine dernière, nous venons de signer un accord de coopération avec une société nationale cotée, eastern sunshine, qui fabrique l'oseltamivir, un médicament contre la grippe. elle vient également de recevoir trois certifications de premier ordre aux états-unis. nous continuerons à travailler avec eux sur des objectifs précis. affaires connexes.

en plus des entreprises typiques du domaine biomédical comme dongguang sunshine, nous coopérons également avec de nombreuses institutions de recherche scientifique et universités engagées dans la recherche et le développement de médicaments, telles que l'université des sciences médicales de chine occidentale, l'hôpital de xiangya et la faculté de médecine.

q : nos produits actuels peuvent en fait être utilisés directement à l'aide d'un navigateur, et le déploiement global est également très léger. toutes les méthodes de déploiement des produits principaux sont-elles similaires ?

un：oui, la plupart de ce que nous effectuons en ligne est un travail d'inférence d'ia. le travail de formation est généralement effectué hors ligne, donc la quantité de données à transférer n'est pas si importante. il y aura également une petite quantité de scénarios de formation, et elle est plus basée. sur le réglage fin du modèle pré-entraîné. cela peut également être effectué avec de petits lots de données, et la pression de transmission des données est également faible. un déploiement léger ne signifie pas que nous n'utilisons pas suffisamment de puissance de calcul. le système utilise un cloud hybride et une puissance de calcul hpc derrière le système, mais il est présenté sous forme d'accès par navigateur pour les utilisateurs. s'il s'agit de certains scénarios de privatisation, nous devons également déployer le système de puissance de calcul derrière, ce qui n'est pas requis sur le saas.

d'une manière générale, les grandes entreprises doivent être privatisées. parce qu'ils ont des exigences particulièrement élevées en matière de confidentialité des données, dans certains scénarios similaires à l'enseignement ou dans certains instituts de recherche, ils peuvent être utilisés temporairement pour un certain sujet sans qu'il soit nécessaire de les déployer de manière privatisée.

q : comment progresse réellement le projet avec les entreprises coopératives actuelles ? a quel stade exactement ?

un:notre coopération avec les sociétés pharmaceutiques porte principalement sur le processus de calcul. la société ne produit pas de médicaments et ne participe donc pas au processus de développement de médicaments des sociétés pharmaceutiques.

nous sommes fondamentalement une charge de liaison complète. nous essayons désormais également de nouveaux domaines et explorations, tels que l'intégration de logiciels dans des laboratoires automatisés axés sur la recherche et le développement de matériel, afin de servir conjointement davantage d'entreprises, car les besoins des sociétés pharmaceutiques sont nouveaux. encore assez grand. comme c'est compliqué.

et en termes de revenus, nos revenus l'année dernière ont dépassé les 100 millions.

il existe deux modèles commerciaux pour notre coopération avec les sociétés pharmaceutiques : l’un consiste à vendre des logiciels et l’autre est la recherche et le développement conjoints.

de nombreuses grandes entreprises se déploieront localement et peuvent se permettre de soutenir leurs propres équipes et disposer de fonds suffisants pour soutenir l'achat de logiciels. cependant, certaines peuvent être des entreprises pharmaceutiques innovantes de taille moyenne ou qui manquent d'outils de production avancés et de talents correspondants. en utilisant ces outils, ils choisissent de développer conjointement avec nous. nous pouvons les aider à faire plus de calculs. parce qu'il s'agit de sécurité des données et de l'information, l'intégration entre les deux parties est particulièrement étroite.

mais de nombreuses grandes sociétés pharmaceutiques disposent de suffisamment de fonds et de talents, et elles espèrent même que nous pourrons leur fournir des services personnalisés tout en leur proposant des solutions saas.

l'avenir de l'ia pour la science

q : j'ai vu plusieurs classifications d'algorithmes actuelles, qui sont très similaires aux cinq classifications de la conduite autonome. quel état peut-on atteindre au stade l2 ? dans quelle mesure peut-il remplacer le modèle expérimental précédent ? pouvez-vous donner un exemple d’un scénario spécifique ?

un:dans le scénario l2, nous appelons cela une informatique plus proche de la précision expérimentale et plus orientée vers les personnes, pour aider les humains et réduire la pression expérimentale. parce qu’il existe de grandes différences entre les différents systèmes dans la conception des médicaments, nous avons pu atteindre une précision proche de l’expérimentation dans certains systèmes. ce n'est donc pas que les utilisateurs n'ont pas du tout besoin de faire des expériences, mais je peux aider les utilisateurs à faire des choses plus élémentaires, comme le dépistage moléculaire. il se peut qu'un million de composés médicamenteux puissent aider les utilisateurs à en éliminer des centaines de milliers. fin, peut-être que le reste nécessite que les chercheurs scientifiques effectuent une vérification expérimentale, et l'ampleur expérimentale sera considérablement réduite.

q : quelles sont les difficultés pour passer de la l2 à la l3 ?

un:ma compréhension de cette l3 est que l’ia peut donner directement des résultats, ce qui équivaut à remplacer directement les expériences humaines dans certains scénarios. la difficulté d'atteindre l3 réside principalement dans le fait que la précision de chaque lien doit atteindre un certain niveau. de plus, de nombreux algorithmes sont impliqués, et l'intégration de divers algorithmes est également une difficulté. l'intégration d'algorithmes est en fait similaire à un système de flux de travail complet, et ce système peut se réviser et s'optimiser en permanence.

q : y a-t-il des itérations dans la technologie globale du passé au présent ? y aura-t-il des goulots d’étranglement dans le développement du modèle actuel ?

un:à l'heure actuelle, nous itérons constamment sur divers algorithmes basés sur des données, en particulier sur les produits couramment utilisés par les utilisateurs. par exemple, notre produit dpa a été mis à niveau de la 1ère génération à la 2ème génération. est que la 1ère génération peut prendre en charge la pré-formation dans un seul domaine, et la deuxième génération peut effectuer une formation parallèle en même temps sur la base d'ensembles de données avec différentes méthodes d'annotation.

le goulot d'étranglement vient principalement des données. dans le domaine du calcul scientifique, les sources de données ne sont pas répandues et il n'existe pas beaucoup d'ensembles de données publiques. par conséquent, une grande partie de notre travail consiste désormais à améliorer l'effet d'entraînement du modèle. basé sur de petits ensembles de données.

de plus, il y a une autre chose à laquelle il faut prêter attention, à savoir la question de l'interprétabilité. parce que les exigences du calcul scientifique sont plus rigoureuses et les exigences d'interprétabilité sont plus élevées, nous essayons maintenant d'améliorer l'interprétabilité du modèle en exposant les paramètres, chemins de traduction, etc. sexe.

q : comment résoudre le problème de la rareté des données ?

un:dans le domaine de l'ia pour la science, que ce soit dans le domaine des matériaux ou de la médecine, les principes physiques les plus fondamentaux au niveau micro sont les mêmes, l'avantage est donc que les données de certains domaines des matériaux peuvent être directement réutilisées dans le domaine médical. par exemple, dpa 2 peut être basé sur les données fournies sous différents systèmes standard aident les utilisateurs à former un modèle unifié. ensuite, lorsque cet ensemble de modèles est spécifiquement appliqué à l’industrie, une petite quantité de données peut être utilisée pour un réglage précis.

nous ne sommes pas encore impliqués dans le marché de la toc, mais notre système a déjà couvert certains scénarios pédagogiques. nous disposons d'une plateforme de recherche scientifique qui intègre l'enseignement, la recherche et les applications. les clients actuels auxquels nous sommes principalement confrontés sont des universités et certains utilisateurs plus orientés vers le consommateur. pour les collèges et les universités, nous disposerons d'une plateforme de formation pratique similaire pour les enseignants. cette plateforme pourra tout prendre en charge, de l'enseignement à la participation des étudiants aux cours, en passant par l'utilisation et même la mise en œuvre des résultats de la recherche.

q : je suis fquel est le futur espace de développement du marché de ou science ?

un:je pense que l'espace de marché est suffisamment grand. qu’il s’agisse de recherche scientifique, de médecine ou de matériaux, l’ajout de l’ia, au moins au niveau expérimental, peut réellement résoudre des problèmes, aider les chercheurs scientifiques à améliorer les résultats expérimentaux et à réduire la charge expérimentale.

en termes d'acceptation globale par les clients, une partie du coût pour nous dans de nombreux scénarios consiste à éduquer les utilisateurs. par exemple, dans le domaine des médicaments, nous établissons des relations de coopération à long terme avec les clients car nous devons les accompagner tout au long du cycle de vérification. .

comparativement, le domaine des matériaux est beaucoup plus rapide. par exemple, le cycle de recherche et développement des batteries est très rapide si l'effet du rapport électrolytique est prédit par l'ia, il suffira de procéder à une vérification de la préparation.

au niveau national, le ministère de la science et de la technologie, en collaboration avec la fondation des sciences naturelles de chine, a lancé le travail de déploiement spécial al for science. cela montre également que tout le monde, du niveau socio-économique jusqu’à la macro-politique nationale, est optimiste et soutient fermement cette orientation. il s’agit sans aucun doute d’une orientation future.

q : l’ia pour la science en est encore à ses débuts. jusqu’où va-t-elle évoluer au cours des trois prochaines années ?

un:je pense qu'au moins tous les clients auront une compréhension unifiée de cette question. désormais, tout le monde a commencé à adopter activement l’ia et sa compréhension de l’ia a atteint un niveau supérieur. toutes les industries ne se sentiront pas étrangères ou repoussées par ce mot et auront une attitude relativement positive. la prochaine étape consiste à déterminer comment nous pouvons établir une relation de coopération similaire à la co-création avec nos clients. après tout, cette industrie est une industrie sensible aux données. au bout de trois ans, nous espérons également pouvoir aider nos clients à proposer des scénarios de mise en œuvre pratiques.

en fait, je pense que si le point de vue de la valeur peut être considéré plus clairement, l'acceptation des clients est encore assez élevée, car d'une manière générale, qu'il s'agisse des sociétés pharmaceutiques ou des nouvelles énergies que je viens de mentionner, tout le monde accorde de plus en plus d'attention aux investissements dans l'innovation. nous espérons également contribuer à l'innovation dans l'ensemble du paradigme de la recherche scientifique, y compris l'infrastructure de recherche scientifique et les scénarios de niveau supérieur. grâce à notre plateforme de recherche scientifique, nous pouvons les connecter et responsabiliser diverses industries.