notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

texto | pombo branco

editor｜wang yisu

"a lógica subjacente da ia ​​para a ciência é diferente da lógica atual de treinamento de grandes modelos de linguagem." lu jintan, diretor técnico da shenzhen technology, disse sem rodeios que a lógica atual da inteligência artificial no campo da pesquisa científica é diferente daquela da pesquisa científica. grandes modelos de linguagem em outras indústrias não é o mesmo.

é bem sabido na indústria que o treinamento de modelos de linguagem de grande porte depende da "alimentação" de dados de alta qualidade. quanto mais dados, mais forte será a capacidade do modelo de linguagem de grande porte. contudo, em algumas áreas específicas da investigação científica, a quantidade de dados é relativamente escassa. por exemplo, para certos tipos de estruturas proteicas, pode levar vários anos para obter centenas de dados experimentais de alta qualidade.

isto também significa que a aplicação da ia ​​no domínio da investigação científica requer relativamente menos dados para obter melhores efeitos de modelo.

então, como exatamente a ia muda a ciência? e como executar o modelo de negócios? como uma das empresas representativas da ai for science, a shenzhen technology apresentou seu próprio pensamento e soluções.

na computação científica tradicional, se você deseja prever as propriedades físicas de moléculas e átomos por meio de suas informações estruturais, geralmente é necessário realizar cálculos microscópicos em combinação com problemas práticos. atualmente, a indústria ainda não conseguiu concretizar esta capacidade de computação em escala cruzada e depende mais do julgamento empírico e da verificação experimental.

ao mesmo tempo, com a expansão da escala dos sistemas de computação, a quantidade de cálculos nos cálculos científicos tradicionais aumentou exponencialmente, muitas vezes atingindo dezenas de milhares ou mesmo centenas de milhões de sistemas em escala atômica. modelos, o tempo total de cálculo será o ciclo pode ser muito longo.

"a tecnologia de shenzhen pode fazer com que o modelo produza resultados de cálculo próximos da precisão do modelo físico e, ao mesmo tempo, melhore muito o desempenho do cálculo." lu jintan disse: "usamos ia para ajustar esses métodos físicos, que podem ter." anteriormente exigia uma grande quantidade de cálculos. as coisas ficam mais rápidas."

tomando o reconhecimento de imagem como exemplo, seu núcleo é analisar as informações de pixel da imagem. ao introduzir uma rede neural convolucional, ela pode extrair características locais da imagem, decompor a imagem original em diferentes mapas de características e realizar soluções aproximadas por meio de características. combinação. na verdade, é uma análise de redução de dimensionalidade.

na verdade, a ia também é uma aplicação de redução de dimensionalidade no campo científico. reduz a complexidade computacional através de suas poderosas capacidades de modelagem, especialmente nos estágios iniciais que envolvem cálculos em escala cruzada. ao mesmo tempo, com base na capacidade do grande modelo multimodal, também podem ser alcançadas análises multidimensionais e previsão de vários tipos de dados, como estrutura molecular, propriedades físicas, dados experimentais, etc.

por exemplo, no processo de descoberta de medicamentos, geralmente é necessário primeiro analisar a estrutura da proteína e os pontos-alvo e, em seguida, selecionar compostos candidatos com alta afinidade aos pontos-alvo de centenas de milhares ou mesmo milhões de bibliotecas de compostos. geralmente são realizadas avaliações multidimensionais, incluindo análise de afinidade, previsão e avaliação de propriedades químicas farmacêuticas (como toxicidade, absorção, metabolismo, etc.).

"no campo da ia ​​para a ciência, a chave para grandes modelos que suportam cálculos em escala cruzada reside na sua enorme escala de parâmetros e nas fortes capacidades de generalização. o grande número de parâmetros do modelo permite-lhe capturar fenómenos físicos, químicos e biológicos complexos, e a forte capacidade de generalização "o modelo básico pode prever as propriedades relevantes do medicamento com base em sua microestrutura, e também pode ser aplicado ao campo material." ao analisar a microestrutura dos materiais, podemos prever a estabilidade e outros estados físicos. de materiais sob diferentes temperaturas e pressões.”

portanto, a compreensão da shenzhen technology dos modelos gerais básicos em ia para a ciência reside mais em ter um conjunto de modelos básicos de pré-treinamento. este modelo pode ser aplicado a vários campos industriais para resolver problemas por meio de ajuste fino.

vários modelos básicos atualmente estudados pela shenzhen technology ainda podem obter bons resultados com treinamento de dados limitado e podem ser otimizados e revisados ​​com base nos dados de maior qualidade obtidos. sob este sistema modelo, permitir que a ia aprenda ela mesma os princípios científicos básicos e através de treinamento adicional com uma pequena quantidade de dados de domínio já pode alcançar bons resultados, o que é um pouco diferente dos grandes modelos de linguagem.

lu jintan disse à light cone intelligence: “as fontes de dados no campo da computação científica não são difundidas e não existem muitos conjuntos de dados públicos. portanto, grande parte do nosso trabalho agora é como aumentar o efeito de treinamento do modelo. mais eficaz com base em pequenos conjuntos de dados.

nos últimos dois anos, a shenzhen technology também lançou com sucesso uma série de grandes modelos industriais, como modelo de simulação molecular dpa, modelo de conformação molecular uni-mol 3d, modelo de dobramento de proteína uni-fold, modelo de estrutura de ácido nucleico uni-rna, uni-mol -dock mecanismo de acoplamento de moléculas de medicamentos de alto desempenho e modelo de linguagem grande multimodal de literatura científica uni-smart, etc.

de acordo com lu jintan, a shenzhen technology possui atualmente centenas de modelos nas áreas de materiais e medicamentos, e esses modelos também foram integrados com sucesso à plataforma de produtos da shenzhen technology.ao mesmo tempo, a shenzhen technology também alcançou cooperação estratégica com dezenas de empresas farmacêuticas líderes do setor e também alcançará avanços na comercialização em 2023, com receitas superiores a 100 milhões.

atualmente, os negócios da shenzhen technology abrangem educação inteligente em universidades, pesquisa e desenvolvimento biomédico e novos materiais para baterias.

no entanto, de acordo com a classificação atual do algoritmo de ia para a ciência, o desenvolvimento geral ainda está no estágio l2, que está próximo da precisão experimental. é ainda mais orientado para as pessoas, usando cálculos de modelos para ajudar os humanos e reduzir o estresse.

no estágio l3, a ia pode fornecer resultados diretamente e, em alguns cenários, pode substituir diretamente os experimentos humanos.

se você quiser passar de l2 para l3, “a principal dificuldade é que a precisão de cada link precisa atingir uma certa altura. ao mesmo tempo, como integrar os algoritmos em cada link também é um grande desafio”. disse.

olhando para o futuro, lu jintan acredita que o espaço de mercado para a ia para a ciência é suficientemente grande. quer se trate de educação e investigação científica, biomedicina ou materiais para baterias, a adição de ia pode realmente resolver muitos problemas fundamentais, pelo menos a nível experimental. e capacitar as pessoas, a indústria, a exploração de fronteiras, etc., fornecem mais ideias e pontos de entrada.

a seguir está a conversa detalhada entre a guangcone intelligence e lu jintan, diretor técnico da shenzhen technology (excluída e editada pela guangcone intelligence):

tecnologia shenzhen usa ia

melhorar a qualidade e a eficiência da investigação e desenvolvimento científicos

p: grandes modelos mudaram o processamento de linguagem natural, a geração de vídeos e imagens. como eles mudaram a ciência?

um:grandes modelos de linguagem começaram a ser usados ​​​​na mineração de informações de literatura, informações de patentes e outros campos. também temos alguns resultados de pesquisas neste campo, além de usá-los para extrair informações compostas mais profissionais. também faz algumas aplicações multimodais, como interpretação de imagens e gráficos.

na computação científica tradicional, os problemas frequentemente encontrados variam de escala micro a macro. diferentes modelos físicos são usados ​​para resolver problemas, mas ainda faltam recursos em alguns cenários de computação em escala cruzada. por exemplo, se quisermos prever as propriedades macroscópicas de uma molécula através da informação estrutural dos seus átomos, precisamos da capacidade de modelar em escalas.

a inteligência artificial inclui modelos grandes, que podem alcançar modelagem em escala cruzada. ao aprender esses modelos físicos e depois aplicá-los a problemas específicos, esses problemas podem ser bem resolvidos.

geralmente precisamos realizar cálculos de grande produtividade, muitas vezes em sistemas com dezenas de milhares ou mesmo centenas de milhões de átomos. se os cálculos forem baseados em modelos físicos, o período de tempo será relativamente longo. o que a shenshi technology está fazendo aqui é permitir que o modelo produza resultados de cálculo próximos da precisão do modelo físico e, ao mesmo tempo, pode melhorar muito o desempenho da computação.

p: como converter cálculos em uma escala de sistema de centenas de milhões de átomos em cálculos no campo de grandes modelos? qual é a quantidade aproximada de cálculos?

um:na escala microscópica, a interação entre dois átomos pode ser analisada por meio de modelos físicos, como por meio da mecânica clássica ou de equações da mecânica quântica, para calcular a força de interação e a trajetória de movimento entre eles. neste momento, o cálculo só precisa considerar a influência mútua de dois átomos, e o problema é relativamente simples. contudo, à medida que o número de átomos no sistema aumenta, a situação torna-se mais complicada. por exemplo, quando um terceiro átomo é introduzido, além de considerar a interação entre pares entre cada átomo, o efeito de muitos corpos entre os três também deve ser analisado. neste momento, a interação e a trajetória entre os átomos não dependem apenas dos dois átomos, mas são determinadas conjuntamente pelo estado de todo o sistema, e a quantidade de cálculo aumenta de forma não linear. os cientistas frequentemente introduzem algoritmos de aproximação, como a teoria do funcional da densidade ou simulações de dinâmica molecular, para lidar com cálculos de forma eficiente em diferentes escalas.

o que nossa ia fez no início foi, na verdade, usar a ia para ajustar essas equações físicas e melhorar o desempenho da computação. ele pode ser comparado ao reconhecimento de imagem. seu ponto principal é que ele analisa vários pixels. depois de adicionar uma rede neural convolucional, ele dividirá uma imagem em imagens características e, em seguida, executará uma solução aproximada. o que fizemos nos primórdios da inteligência artificial no campo da computação científica também pode ser visto como uma ação de redução de dimensionalidade, ou seja, tornar mais rápidas coisas que antes exigiam uma grande quantidade de cálculos.

p: qual é a diferença entre os métodos de cálculo da ia ​​tradicional e o advento dos grandes modelos?

um:a definição de um modelo grande é relativamente vaga e o número de parâmetros é geralmente utilizado como indicador. quanto mais parâmetros, maior será a quantidade de cálculo. para nós, trata-se mais de fornecer cálculos em várias escalas. nosso atual modelo de pré-treinamento, uni-mol, é baseado na estrutura tridimensional de moléculas e átomos, prevê propriedades físicas relevantes, estabelece relações estrutura-atividade e as resolve diretamente. experiência. este método combina cálculos em diferentes escalas e fornece novos métodos de cálculo para áreas como a ciência dos materiais.

quando tratamos modelos grandes, geralmente colocamos mais ênfase nas capacidades de generalização do modelo. no campo da ia ​​para a ciência, é relativamente comum. por exemplo, o modelo básico pode prever algumas propriedades relacionadas ao medicamento com base na microestrutura. se este modelo for migrado, ele poderá ser aplicado ao campo de materiais. no entanto, as propriedades em questão podem não ser propriedades medicinais, mas sim suas propriedades. diferentes temperaturas e pressões, portanto, nossa compreensão do modelo geral básico em ia para a ciência é mais um conjunto de modelos básicos de pré-treinamento. este modelo pode ser aplicado a vários campos industriais para resolver problemas por meio de ajuste fino.

p: qual é o principal papel da multimodalidade?

um:envolve a combinação de diferentes tipos de dados, como estrutura molecular, propriedades físicas, dados experimentais, etc., para uma análise abrangente. por exemplo, no processo de descoberta de medicamentos, geralmente é necessário primeiro analisar a estrutura da proteína e os pontos-alvo e, em seguida, selecionar compostos com alta afinidade aos pontos-alvo de centenas de milhares ou mesmo milhões de bibliotecas de compostos durante o processo de triagem. , o processo pode incluir análise de afinidade, análise de propriedades medicinais, se é tóxico, se é benéfico para absorção pelo corpo humano, etc. portanto, se você deseja obter um melhor efeito de triagem, é necessário analisá-lo de vários ângulos e múltiplas propriedades.

problemas multimodais comuns, como imagens e vídeos, podem estar mais próximos de nossas aplicações multimodais na mineração de dados de literatura. por exemplo, em um artigo, é necessário ler não apenas as informações do texto no artigo, mas também as informações da imagem. , e as informações da imagem precisam ser lidas realize uma mineração aprofundada, integre-as às informações do texto e, finalmente, produza os resultados. na literatura, também aplicamos esta capacidade multimodal comum.

p: qual é o tamanho da demanda por dados de modelos na área de ia para ciência?

um:campos diferentes são diferentes. é claro que quanto mais, melhor. há também a questão da dificuldade em obtê-los. por exemplo, nas aplicações segmentadas no campo biomédico e no campo das baterias, a dificuldade de obtenção de dados é diferente. em indústrias com longos ciclos de p&d e verificação, a produção de dados será relativamente pequena e a quantidade absoluta de dados será limitada. . por exemplo, para alguns tipos específicos de estruturas proteicas, pode haver apenas algumas centenas de registros em alguns anos, mas em outros campos, os dados são definitivamente mais do que isso.

no entanto, os modelos físicos básicos podem gerar mais dados. vários modelos básicos que estamos estudando ainda podem obter bons resultados sob treinamento de dados limitado e podem ser otimizados e corrigidos com base nos dados de maior qualidade obtidos no futuro. sob nosso sistema modelo, permitir que a ia aprenda os princípios científicos básicos por si mesma e por meio de treinamento adicional com uma pequena quantidade de dados de domínio já pode alcançar bons resultados, o que é um pouco diferente dos grandes modelos de linguagem.

p: como fazer com que a ia aprenda lógica científica básica e depois resolva problemas específicos de aplicação?

um:geralmente, alguns modelos físicos são usados ​​para realizar cálculos diretamente e, em seguida, os dados resultantes são treinados e, em seguida, os modelos físicos são simulados.

p: qual é a relação entre o modelo básico grande e os grandes modelos de cada tipo vertical? devo treinar o modelo grande básico sozinho ou usar um modelo grande de código aberto de terceiros?

um:cenários diferentes são diferentes. se se refere a um modelo de linguagem grande, é mais utilizado na interpretação de documentos, como a interpretação de papel. a aplicação básica é interpretar um único artigo. devido a considerações de custo, alguns modelos gerais grandes serão usados ​​para me ajudar a interpretar o artigo. se quisermos interpretar vários artigos, ou mesmo realizar uma pesquisa geral em nossa grande biblioteca de artigos, incluindo pesquisa e análise de patentes, usaremos nosso modelo de literatura desenvolvido por nós mesmos para realizar uma interpretação mais detalhada do artigo.

portanto, ainda estamos trabalhando em produtos para os usuários. podemos decidir qual modelo é mais adequado para nossos produtos e também faremos uma escolha com base em considerações de custo.

agora chamamos muitos modelos de modelos de pré-treinamento. por exemplo, o dpa que lançamos no ano passado é um conjunto de modelos de pré-treinamento para calcular funções potenciais entre átomos de diferentes elementos. também lançamos o projeto de modelo de átomo grande openlam há algum tempo. , na esperança de passar para mobilizar algumas forças de código aberto, podemos contribuir e compartilhar dados juntos para treinar o modelo para ser mais maduro.

p: quantos modelos a shenzhen technology tem agora?

um:agora temos centenas de modelos combinados nas áreas de materiais e medicina.

a receita ultrapassou 100 milhões, trabalhando com dezenas de empresas farmacêuticas

modelo de negócios da shenzhen technology

p: você pode compartilhar o mais recente progresso em pesquisa e desenvolvimento da tecnologia de shenzhen no campo da medicina de ia?

um:no campo da medicina, estamos atualmente nos concentrando na pesquisa pré-clínica, cobrindo quase todos os cenários de computação pré-clínicos, como descoberta precoce de alvos e análise de estrutura de proteínas, para análise de alvos, triagem molecular e análise de afinidade, para previsão de propriedades, etc. esta série de links contém muitos desses métodos de cálculo e agora implementamos algoritmos.

combinados com o cenário médico, agrupamos todos esses algoritmos em um único produto, que é nossa plataforma de design de medicamentos hermite. agora cooperamos basicamente com as 50 maiores empresas farmacêuticas nacionais em diferentes áreas, envolvendo principalmente três aspectos, um deles é biotecnologia (biotecnologia). , uma é cro (organização de pesquisa clínica) e a outra é farmacêutica (empresa farmacêutica), cada uma com sua própria empresa representativa.

na semana passada, acabamos de assinar um acordo de cooperação com uma empresa nacional listada, a eastern sunshine, que fabrica o medicamento contra gripe oseltamivir. também acabamos de receber três certificações de primeira classe nos estados unidos. continuaremos a trabalhar com eles no alvo. negócios relacionados.

além de empresas típicas da área biomédica, como a dongguang sunshine, também cooperamos com muitas instituições de pesquisa científica e universidades que estão envolvidas na pesquisa e desenvolvimento de medicamentos, como a universidade de ciências médicas da china ocidental, o hospital xiangya e a faculdade de medicina.

p: nossos produtos atuais podem ser usados ​​diretamente por meio de um navegador, e a implantação geral também é muito leve. todos os métodos principais de implantação de produtos são assim?

um：sim, a maior parte do que realizamos online é trabalho de inferência de ia. o trabalho de treinamento geralmente é concluído offline, portanto a quantidade de dados a serem transferidos não é tão grande. também haverá uma pequena quantidade de cenários de treinamento, e é mais baseado. no ajuste fino do modelo pré-treinado também pode ser realizado com pequenos lotes de dados, e a pressão de transmissão de dados também é pequena. a implantação leve não significa que não usamos poder de computação suficiente. o sistema usa nuvem híbrida e poder de computação hpc por trás do sistema, mas é empacotado como acesso de navegador para os usuários. se forem alguns cenários de privatização, também precisamos implantar o sistema de poder de computação por trás dele, o que não é exigido no saas.

de um modo geral, as grandes empresas precisam de ser privatizadas. por terem requisitos particularmente elevados de privacidade de dados, em alguns cenários semelhantes ao ensino ou em alguns institutos de investigação, podem ser utilizados temporariamente para um determinado tópico sem implantação privatizada.

p: como está o progresso real do projeto com as atuais empresas cooperativas? em que fase exatamente?

um:nossa cooperação com empresas farmacêuticas ocorre principalmente no processo de cálculo. a empresa não produz medicamentos, portanto não participa do processo de desenvolvimento de medicamentos das empresas farmacêuticas.

somos basicamente uma carga full-link. agora também estamos experimentando algumas novas áreas e explorações, como a integração de software em laboratórios automatizados com foco em pesquisa e desenvolvimento de hardware, para atender em conjunto mais empresas, porque as necessidades das empresas farmacêuticas são. ainda é muito grande.

e em termos de receita, nossa receita no ano passado ultrapassou 100 milhões.

existem dois modelos de negócio para a nossa cooperação com empresas farmacêuticas: um é a venda de software e o outro é a investigação e desenvolvimento conjuntos.

muitas grandes empresas irão implantar-se localmente e podem dar-se ao luxo de apoiar as suas próprias equipas e ter fundos suficientes para apoiar a compra de software. no entanto, algumas podem ser empresas farmacêuticas inovadoras de média dimensão ou novas que carecem de ferramentas de produção avançadas e talentos correspondentes para apoiar as suas empresas. o uso dessas ferramentas, eles optam por desenvolver em conjunto conosco. podemos ajudá-los a fazer mais cálculos. por envolver segurança de dados e informações, a integração entre as duas partes é particularmente próxima.

mas muitas grandes empresas farmacêuticas têm fundos e talentos suficientes e até esperam que possamos fornecer-lhes alguns serviços personalizados e, ao mesmo tempo, fornecer-lhes saas.

o futuro da ia ​​para a ciência

p: tenho visto várias classificações de algoritmos atuais, que são muito semelhantes às cinco classificações de condução autônoma. que estado podemos alcançar no estágio l2? até que ponto pode substituir o modelo experimental anterior? você pode dar um exemplo de caso de um cenário específico?

um:no cenário l2, chamamos isso de computação mais próxima da precisão experimental e mais orientada para as pessoas, para ajudar os humanos e reduzir a pressão experimental. como existem grandes diferenças entre os diferentes sistemas no design de medicamentos, conseguimos atingir uma precisão próxima da experimental em alguns sistemas. portanto, não é que os usuários não precisem fazer experimentos, mas posso ajudar os usuários a fazer coisas mais básicas, como a triagem molecular. pode ser que 1 milhão de compostos de medicamentos possam ajudar os usuários a filtrar centenas de milhares. final, talvez o resto exige que pesquisadores científicos conduzam verificações experimentais, e a magnitude experimental será bastante reduzida.

p: quais são as dificuldades para passar de l2 para l3?

um:meu entendimento desta l3 é que a ia pode fornecer resultados diretamente, o que equivale a substituir diretamente experimentos humanos em determinados cenários. a dificuldade de atingir l3 reside principalmente no fato de que a precisão de cada link precisa atingir um determinado nível. além disso, há muitos algoritmos envolvidos, e a integração de vários algoritmos também é uma dificuldade. a integração de algoritmos é, na verdade, semelhante a um sistema de fluxo de trabalho completo, e esse sistema pode revisar e otimizar-se continuamente.

p: há alguma iteração na tecnologia geral do passado até o presente? e haverá algum gargalo no desenvolvimento do modelo atual?

um:atualmente, estamos constantemente iterando vários algoritmos baseados em dados, especialmente em produtos comumente usados ​​pelos usuários. a iteração do algoritmo é mais rápida. por exemplo, nosso produto dpa foi atualizado da 1ª geração para a 2ª geração. é que a 1ª geração pode suportar pré-treinamento em um único campo, e a segunda geração pode realizar treinamento paralelo ao mesmo tempo com base em conjuntos de dados com diferentes métodos de anotação.

o gargalo vem principalmente dos dados. no campo da computação científica, as fontes de dados não são generalizadas e não existem muitos conjuntos de dados públicos. portanto, grande parte do nosso trabalho agora é como tornar o efeito de treinamento do modelo cada vez melhor. com base em pequenos conjuntos de dados.

além disso, há outra coisa a se prestar atenção, que é a questão da interpretabilidade. como os requisitos da computação científica são mais rigorosos e os requisitos de interpretabilidade são mais elevados, estamos agora tentando melhorar a interpretabilidade do modelo expondo parâmetros. caminhos de tradução, etc. sexo.

p: como resolver o problema da escassez de dados?

um:no campo da ia ​​para a ciência, seja no campo dos materiais ou da medicina, os princípios físicos mais básicos de micronível são os mesmos, portanto a vantagem é que os dados em alguns campos de materiais podem ser reutilizados diretamente na área médica. por exemplo, o dpa 2 pode ser baseado em os dados fornecidos em diferentes sistemas padrão ajudam os usuários a treinar um modelo unificado. então, quando esse conjunto de modelos for aplicado especificamente à indústria, uma pequena quantidade de dados poderá ser usada para ajuste fino.

ainda não estamos envolvidos no mercado de toc, mas nosso sistema já abrangeu alguns cenários de ensino. temos uma plataforma de pesquisa científica que integra ensino, pesquisa e aplicação. os clientes atuais que enfrentamos principalmente são universidades e alguns usuários mais voltados para o consumidor. para faculdades e universidades, teremos uma plataforma semelhante de treinamento prático para professores. essa plataforma pode apoiar tudo, desde o ensino aos alunos que frequentam as aulas, até o uso e até a implementação de resultados de pesquisas.

p：ai fqual é o futuro espaço de desenvolvimento do mercado da ciência?

um:acho que o espaço de mercado é grande o suficiente. quer se trate de investigação científica, medicina ou materiais, a adição de ia, pelo menos a nível experimental, pode realmente resolver problemas, ajudar os investigadores científicos a melhorar os resultados experimentais e reduzir a carga experimental.

em termos de aceitação geral dos clientes, parte do custo para nós, em muitos cenários, é educar os utilizadores. por exemplo, no domínio dos medicamentos, estabelecemos relações de cooperação a longo prazo com os clientes porque precisamos de acompanhá-los durante todo o ciclo de verificação. .

comparativamente falando, o campo dos materiais é muito mais rápido. por exemplo, o ciclo de pesquisa e desenvolvimento de baterias é muito rápido. se o efeito da proporção do eletrólito for previsto pela ia, será suficiente realizar a verificação da preparação.

a nível nacional, o ministério da ciência e tecnologia, juntamente com a fundação de ciências naturais da china, lançou uma implantação especial de al para a ciência. isto também mostra ainda que todos, desde o nível socioeconómico até à macropolítica nacional, estão optimistas e apoiam-na fortemente. esta é definitivamente uma direcção futura, sem dúvida.

p: a ia para a ciência ainda está em seus estágios iniciais. em que estágio se desenvolverá nos próximos três anos?

um:acho que pelo menos todos os clientes terão uma compreensão unificada deste assunto. agora todos começaram a abraçar ativamente a ia e a sua compreensão da ia ​​atingiu um nível mais elevado. todas as indústrias não se sentirão estranhas ou repelidas por esta palavra e terão uma atitude relativamente positiva. o próximo passo é como podemos estabelecer um relacionamento cooperativo semelhante à cocriação com nossos clientes. afinal, esta indústria é sensível a dados. ao completar três anos, também esperamos poder ajudar os clientes a apresentar alguns cenários práticos de implementação.

na verdade, penso que se o ponto de valor puder ser considerado de forma mais clara, a aceitação do cliente ainda é bastante elevada, porque de um modo geral, sejam as empresas farmacêuticas ou a nova energia que acabamos de mencionar, todos estão cada vez mais atentos ao investimento em inovação. esperamos também ajudar a inovar todo o paradigma da investigação científica, incluindo a infra-estrutura de investigação científica e cenários de nível superior. através da nossa plataforma de investigação científica, podemos conectá-los e capacitar várias indústrias.