noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

texto | paloma blanca

editor｜wang yisu

"la lógica subyacente de la ia para la ciencia es diferente de la lógica de entrenamiento actual de los grandes modelos de lenguaje", dijo sin rodeos lu jintan, director técnico de shenzhen technology, que la lógica actual de la inteligencia artificial en el campo de la investigación científica y la aplicación de grandes modelos. los modelos lingüísticos en otras industrias no son los mismos.

es bien sabido en la industria que el entrenamiento de modelos de lenguaje grande se basa en "alimentar" datos de alta calidad. cuantos más datos, mayor será la capacidad del modelo de lenguaje grande. sin embargo, en algunas áreas específicas de la investigación científica, la cantidad de datos es relativamente escasa. por ejemplo, para ciertos tipos de estructuras proteicas, pueden ser necesarios varios años para obtener cientos de datos experimentales de alta calidad.

esto también significa que la aplicación de la ia en el campo de la investigación científica requiere relativamente menos datos para lograr mejores efectos del modelo.

entonces, ¿cómo cambia exactamente la ia la ciencia? ¿y cómo ejecutar el modelo de negocio? como una de las empresas representativas de ai for science, shenzhen technology ha aportado sus propias ideas y soluciones.

en la informática científica tradicional, si se desea predecir las propiedades físicas de moléculas y átomos a través de su información estructural, normalmente es necesario realizar cálculos microscópicos en combinación con problemas prácticos. actualmente, la industria todavía no logra realizar esta capacidad de computación a escala cruzada y depende más del juicio empírico y la verificación experimental.

al mismo tiempo, con la expansión de la escala de los sistemas informáticos, la cantidad de cálculos en los cálculos científicos tradicionales ha aumentado exponencialmente, alcanzando a menudo decenas de miles o incluso cientos de millones de sistemas de escala atómica si los cálculos dependen completamente de la física convencional. modelos, el tiempo total de cálculo será el ciclo puede ser muy largo.

"la tecnología de shenzhen puede hacer que el modelo produzca resultados de cálculo cercanos a la precisión del modelo físico y, al mismo tiempo, mejorar en gran medida el rendimiento del cálculo", dijo lu jintan: "utilizamos ia para adaptarnos a estos métodos físicos, que pueden tener". antes requería una gran cantidad de cálculos. las cosas se vuelven más rápidas".

tomando el reconocimiento de imágenes como ejemplo, su núcleo es analizar la información de píxeles de la imagen. al introducir una red neuronal convolucional, puede extraer características locales en la imagen, descomponer la imagen original en diferentes mapas de características y realizar una solución aproximada a través de características. combinación. esto es en realidad un análisis de reducción de dimensionalidad.

de hecho, la ia también es una aplicación de reducción de dimensionalidad en el campo científico. reduce la complejidad computacional a través de sus poderosas capacidades de modelado, especialmente en las primeras etapas que involucran cálculos a escala cruzada. al mismo tiempo, basándose en la capacidad del modelo grande multimodal, también se pueden lograr análisis multidimensionales y predicción de varios tipos de datos, como estructura molecular, propiedades físicas, datos experimentales, etc.

por ejemplo, en el proceso de descubrimiento de fármacos, normalmente es necesario analizar primero la estructura de la proteína y los puntos objetivo, y luego seleccionar compuestos candidatos con alta afinidad por los puntos objetivo entre cientos de miles o incluso millones de bibliotecas de compuestos. generalmente se realizan evaluaciones multidimensionales, que incluyen análisis de afinidad, predicción y evaluación de propiedades químicas farmacéuticas (como toxicidad, absorción, metabolismo, etc.).

"en el campo de la ia para la ciencia, la clave para los grandes modelos que soportan cálculos de escala cruzada radica en su enorme escala de parámetros y su fuerte capacidad de generalización. la gran cantidad de parámetros del modelo le permite capturar fenómenos físicos, químicos y biológicos complejos. y la fuerte capacidad de generalización "el modelo básico puede predecir las propiedades relevantes del fármaco en función de su microestructura, y también se puede aplicar al campo de materiales cuando se transfiere el modelo, al analizar la microestructura de los materiales, podemos predecir". la estabilidad y otros estados físicos de materiales bajo diferentes temperaturas y presiones”.

por lo tanto, la comprensión de shenzhen technology de los modelos generales básicos de ia para la ciencia radica más en tener un conjunto de modelos básicos de preentrenamiento. este modelo se puede aplicar a varios campos industriales para resolver problemas mediante ajustes.

varios modelos básicos estudiados actualmente por shenzhen technology aún pueden obtener buenos resultados con un entrenamiento de datos limitado y pueden optimizarse y revisarse aún más en función de los datos de mayor calidad obtenidos. bajo este sistema modelo, permitir que la ia aprenda los principios científicos básicos por sí misma y mediante capacitación adicional con una pequeña cantidad de datos de dominio ya puede lograr buenos resultados, lo cual es ligeramente diferente de los modelos de lenguaje grandes.

lu jintan dijo a light cone intelligence: “las fuentes de datos en el campo de la informática científica no están muy extendidas y no hay muchos conjuntos de datos públicos, por lo que una gran parte de nuestro trabajo ahora es cómo hacer que el efecto de entrenamiento del modelo sea cada vez mayor. cuanto más eficaz se base en pequeños conjuntos de datos, mejor”.

en los últimos dos años, shenzhen technology también ha lanzado con éxito una serie de grandes modelos industriales, como el modelo de simulación molecular dpa, el modelo de conformación molecular 3d uni-mol, el modelo de plegamiento de proteínas uni-fold, el modelo de estructura de ácido nucleico uni-rna, uni. -motor de acoplamiento de moléculas de fármacos de alto rendimiento y modelo de lenguaje grande multimodal de literatura científica uni-smart, etc.

según lu jintan, shenzhen technology tiene actualmente cientos de modelos en los campos de materiales y medicamentos, y estos modelos también se han integrado con éxito en la plataforma de productos de shenzhen technology.al mismo tiempo, shenzhen technology también ha alcanzado una cooperación estratégica con docenas de empresas farmacéuticas líderes en la industria y también logrará avances en la comercialización en 2023, con ingresos superiores a los 100 millones.

en la actualidad, el negocio de shenzhen technology abarca la educación inteligente en universidades, la investigación y el desarrollo biomédicos y nuevos materiales para baterías.

sin embargo, según la clasificación actual del algoritmo de ia para la ciencia, el desarrollo general aún se encuentra en la etapa l2, que está cerca de la precisión experimental y está aún más orientado a las personas, utilizando cálculos modelo para ayudar a los humanos y reducir el estrés.

en la etapa l3, la ia puede dar resultados directamente y, en algunos escenarios, puede reemplazar directamente los experimentos humanos.

si desea pasar de l2 a l3, "la principal dificultad es que la precisión de cada enlace debe alcanzar una cierta altura. al mismo tiempo, cómo integrar los algoritmos en cada enlace también es un gran desafío". dicho.

de cara al futuro, lu jintan cree que el espacio de mercado para la ia para la ciencia es lo suficientemente grande, ya sea en educación e investigación científica, biomedicina o materiales para baterías, la incorporación de la ia en realidad puede resolver muchos problemas fundamentales, al menos a nivel experimental. y empoderar a las personas. la industria, la exploración de fronteras, etc. proporcionan más ideas y puntos de entrada.

la siguiente es la conversación detallada entre guangcone intelligence y lu jintan, director técnico de shenzhen technology (eliminada y editada por guangcone intelligence):

la tecnología de shenzhen utiliza ia

mejorar la calidad y la eficiencia de la investigación y el desarrollo científicos

p: los modelos grandes han cambiado el procesamiento del lenguaje natural, la generación de vídeo y de imágenes. ¿cómo han cambiado la ciencia?

a:los modelos de lenguaje grande han comenzado a usarse en la extracción de información literaria, información de patentes y otros campos. los llamamos modelos de lenguaje grande. también hemos obtenido algunos resultados de investigación en este campo, además de usarlos para extraer información compuesta más profesional. también realizará algunas aplicaciones multimodales, como interpretación de imágenes y gráficos.

en la informática científica tradicional, los problemas que a menudo se encuentran van desde la escala micro hasta la macro. se utilizan diferentes modelos físicos para resolver problemas, pero aún faltan capacidades en algunos escenarios de computación de escala cruzada. por ejemplo, si queremos predecir las propiedades macroscópicas de una molécula a través de la información estructural de sus átomos, necesitamos la capacidad de modelar a través de escalas.

la inteligencia artificial incluye modelos grandes, que pueden lograr modelos a escala cruzada. al aprender estos modelos físicos y luego aplicarlos a problemas específicos, estos problemas se pueden resolver bien.

generalmente necesitamos realizar cálculos de gran rendimiento, a menudo en sistemas con decenas de miles o incluso cientos de millones de átomos. si los cálculos se basan en modelos físicos, el período de tiempo será relativamente largo. lo que shenshi technology está haciendo aquí es permitir que el modelo produzca resultados de cálculo cercanos a la precisión del modelo físico y, al mismo tiempo, puede mejorar en gran medida el rendimiento informático.

p: ¿cómo convertir cálculos a escala de sistema de cientos de millones de átomos en cálculos en el campo de modelos grandes? ¿cuál es la cantidad aproximada de cálculos?

a:a escala microscópica, la interacción entre dos átomos se puede analizar mediante modelos físicos, como mediante ecuaciones de mecánica clásica o mecánica cuántica, para calcular la fuerza de interacción y la trayectoria de movimiento entre ellos. en este momento, el cálculo solo necesita considerar la influencia mutua de dos átomos, y el problema es relativamente simple. sin embargo, a medida que aumenta el número de átomos en el sistema, la situación se vuelve más complicada. por ejemplo, cuando se introduce un tercer átomo, además de considerar la interacción por pares entre cada átomo, también se debe analizar el efecto de muchos cuerpos entre los tres. en este momento, la interacción y la trayectoria entre los átomos no solo dependen de los dos átomos, sino que están determinadas conjuntamente por el estado de todo el sistema, y ​​la cantidad de cálculo aumenta de forma no lineal. los científicos suelen introducir algoritmos de aproximación, como la teoría funcional de la densidad o simulaciones de dinámica molecular, para manejar eficientemente los cálculos a diferentes escalas.

lo que nuestra ia hizo en los primeros días fue en realidad utilizar la ia para ajustarse a estas ecuaciones físicas y mejorar el rendimiento informático. se puede comparar con el reconocimiento de imágenes. su punto central es que analiza varios píxeles. después de agregar una red neuronal convolucional, dividirá una imagen en imágenes de características y luego realizará una solución aproximada. lo que hicimos en los primeros días de la inteligencia artificial en el campo de la informática científica también puede verse como una acción de reducción de dimensionalidad, es decir, acelerar cosas que antes podían haber requerido una gran cantidad de cálculos.

p: ¿cuál es la diferencia entre los métodos de cálculo de la ia tradicional y la llegada de los modelos grandes?

a:la definición de un modelo grande es relativamente vaga y el número de parámetros generalmente se utiliza como indicador. cuantos más parámetros, mayor será la cantidad de cálculo. para nosotros, se trata más de proporcionar cálculos a múltiples escalas. nuestro modelo de preentrenamiento actual, uni-mol, se basa en la estructura tridimensional de moléculas y átomos, predice propiedades físicas relevantes, establece relaciones estructura-actividad y las resuelve directamente. en el pasado, las predicciones a menudo se basaban en experimentos y. experiencia. este método combina cálculos a diferentes escalas y proporciona nuevos métodos de cálculo para campos como la ciencia de materiales.

cuando tratamos modelos grandes, generalmente ponemos más énfasis en las capacidades de generalización del modelo. en el campo de la ia para la ciencia, es relativamente común. por ejemplo, el modelo básico puede predecir algunas propiedades relacionadas con los medicamentos en función de la microestructura. si se migra este modelo, se puede aplicar al campo de los materiales. sin embargo, las propiedades en cuestión pueden no ser propiedades medicinales, sino sus propiedades. diferentes estados de temperatura y presión, por lo que nuestra comprensión del modelo general básico en ia para la ciencia es más un conjunto de modelos básicos de preentrenamiento. este modelo se puede aplicar a varios campos industriales para resolver problemas mediante ajustes.

p: ¿cuál es el papel principal de la multimodalidad?

a:implica combinar diferentes tipos de datos, como estructura molecular, propiedades físicas, datos experimentales, etc., para un análisis completo. por ejemplo, en el proceso de descubrimiento de fármacos, generalmente es necesario analizar primero la estructura de la proteína y los puntos objetivo, y luego seleccionar compuestos con alta afinidad por los puntos objetivo entre cientos de miles o incluso millones de bibliotecas de compuestos durante el proceso de selección. el proceso puede incluir análisis de afinidad, análisis de propiedades medicinales, si es tóxico, si es beneficioso para la absorción del cuerpo humano, etc. puede ser un análisis multidimensional. por lo tanto, si desea lograr un mejor efecto de detección, debe analizarlo desde múltiples ángulos y propiedades.

los problemas multimodales comunes, como imágenes y videos, pueden estar más cerca de nuestras aplicaciones multimodales en la minería de datos de documentos. por ejemplo, en un artículo, es necesario leer no solo la información del texto en el artículo, sino también la información de la imagen. y la información de la imagen debe realizarse realice una minería en profundidad, luego intégrela con la información del texto y finalmente genere los resultados. en la literatura, también aplicamos esta capacidad multimodal común.

p: ¿qué tan grande es la demanda de datos de modelos en el campo de la ia para la ciencia?

a:los distintos campos son diferentes. por supuesto, cuanto más, mejor también está la cuestión de la dificultad para obtenerlos. por ejemplo, en las aplicaciones segmentadas en el campo biomédico y en el campo de las baterías, la dificultad para obtener datos es diferente. en industrias con largos ciclos de i + d y verificación, la producción de datos será relativamente pequeña y la cantidad absoluta de datos será limitada. . por ejemplo, para algunos tipos específicos de estructuras proteicas, puede que solo haya unos pocos cientos de registros en unos pocos años, pero en otros campos, los datos definitivamente son más que eso.

sin embargo, los modelos físicos básicos pueden generar más datos. varios modelos básicos que estamos estudiando actualmente aún pueden obtener buenos resultados con un entrenamiento de datos limitado y pueden optimizarse y corregirse en función de los datos de mayor calidad obtenidos en el futuro. según nuestro sistema modelo, permitir que la ia aprenda los principios científicos básicos por sí misma y mediante capacitación adicional con una pequeña cantidad de datos de dominio ya puede lograr buenos resultados, lo cual es ligeramente diferente de los modelos de lenguaje grandes.

p: ¿cómo hacer que la ia aprenda lógica científica básica y luego resuelva problemas de aplicación específicos?

a:generalmente, algunos modelos físicos se utilizan para realizar cálculos directamente, luego se entrenan los datos resultantes y luego se simulan los modelos físicos.

p: ¿cuál es la relación entre el modelo grande básico y los modelos grandes de cada tipo vertical? ¿debo entrenar el modelo grande básico yo mismo o usar un modelo grande de código abierto de terceros?

a:los diferentes escenarios son diferentes. si se refiere a un modelo de lenguaje grande, se usa más en la interpretación de documentos, como la interpretación en papel. la aplicación básica es interpretar un solo artículo. debido a consideraciones de costo, se utilizarán algunos modelos generales grandes para ayudarme a interpretar el artículo. si queremos interpretar varios artículos, o incluso realizar una búsqueda general en nuestra gran biblioteca de artículos, incluida la búsqueda y el análisis de patentes, utilizaremos nuestro modelo de literatura de desarrollo propio para realizar una interpretación más detallada del artículo.

por lo tanto, todavía estamos trabajando en productos para los usuarios. podemos decidir qué modelo es más adecuado para nuestros productos y también tomaremos una decisión en función de consideraciones de costos.

hoy en día, llamamos a muchos modelos más modelos de preentrenamiento. por ejemplo, el dpa que lanzamos el año pasado es un conjunto de modelos de preentrenamiento para calcular funciones potenciales entre átomos de diferentes elementos. también lanzamos algunos proyectos de modelos de átomos grandes openlam. hace un tiempo, con la esperanza de que pueda pasar. para movilizar algunas fuerzas de código abierto, podemos contribuir y compartir datos juntos para entrenar el modelo para que sea más maduro.

p: ¿cuántos modelos tiene shenzhen technology ahora?

a:actualmente disponemos de cientos de modelos combinados en los campos de los materiales y la medicina.

los ingresos superaron los 100 millones, trabajando con decenas de empresas farmacéuticas

el modelo de negocio de shenzhen technology

p: ¿puede compartirnos los últimos avances en investigación y desarrollo de la tecnología de shenzhen en el campo de la medicina de ia?

a:en el campo de la medicina, actualmente nos estamos centrando en la investigación preclínica, que abarca casi todos los escenarios informáticos preclínicos, como el descubrimiento temprano de objetivos y el análisis de la estructura de proteínas, el análisis de objetivos, la detección molecular y el análisis de afinidad, hasta la predicción de propiedades, etc. esta serie de enlaces contiene muchos de estos métodos de cálculo y ahora hemos implementado algoritmos.

combinado con el escenario médico, empaquetamos todos estos algoritmos en un solo producto, que es nuestra plataforma de diseño de medicamentos hermite. ahora básicamente cooperamos con las 50 principales compañías farmacéuticas nacionales en diferentes campos, que involucran principalmente tres aspectos, uno es la biotecnología (biotecnología). , una es cro (organización de investigación clínica) y la otra es farmacéutica (compañía farmacéutica), cada una de las cuales tiene su propia empresa representativa.

la semana pasada, acabamos de firmar un acuerdo de cooperación con una empresa nacional que cotiza en bolsa, eastern sunshine, que fabrica el medicamento contra la influenza oseltamivir. también acaba de recibir tres certificaciones de primera clase en los estados unidos. continuaremos trabajando con ellos en el objetivo. cooperar en negocios relacionados.

además de las empresas típicas del campo biomédico como dongguang sunshine, también cooperamos con muchas instituciones de investigación científica y universidades que se dedican a la investigación y el desarrollo de medicamentos, como la universidad de ciencias médicas de china occidental, el hospital xiangya y la facultad de medicina.

p: nuestros productos actuales se pueden usar directamente mediante un navegador y la implementación general también es muy liviana. ¿todos los métodos de implementación de productos principales son como este?

a：sí, la mayor parte de lo que realizamos en línea es trabajo de inferencia de ia. el trabajo de capacitación generalmente se completa fuera de línea, por lo que la cantidad de datos a transferir no es tan grande. también habrá una pequeña cantidad de escenarios de capacitación y está más basado. el ajuste fino del modelo previamente entrenado también se puede realizar con pequeños lotes de datos y la presión de transmisión de datos también es pequeña. la implementación liviana no significa que no usemos suficiente potencia informática. el sistema utiliza la nube híbrida y la potencia informática hpc detrás del sistema, pero está empaquetado como acceso al navegador para los usuarios. si se trata de algunos escenarios de privatización, también necesitamos implementar el sistema de potencia informática detrás de ellos, que no es necesario en saas.

en términos generales, es necesario privatizar las grandes empresas. debido a que tienen requisitos particularmente altos en materia de privacidad de datos, en algunos escenarios similares a la enseñanza o en algunos institutos de investigación, pueden usarse temporalmente para un tema determinado sin necesidad de una implementación privatizada.

p: ¿cómo está el progreso real del proyecto con las empresas cooperativas actuales? ¿en qué etapa exactamente?

a:nuestra cooperación con las empresas farmacéuticas se centra principalmente en el proceso de cálculo. la empresa no produce medicamentos, por lo que no participa en el proceso de desarrollo de medicamentos de las empresas farmacéuticas.

básicamente somos una carga de enlace completo. ahora también estamos probando algunas áreas y exploraciones nuevas, como la integración de software en laboratorios automatizados que se centran en la investigación y el desarrollo de hardware, para servir conjuntamente a más empresas, porque las necesidades de las empresas farmacéuticas son altas. todavía bastante grande. qué complicado.

y en términos de ingresos, nuestros ingresos el año pasado superaron los 100 millones.

existen dos modelos de negocio para nuestra cooperación con las empresas farmacéuticas: uno es la venta de software y el otro es la investigación y el desarrollo conjuntos.

muchas grandes empresas se implementarán localmente y pueden permitirse el lujo de respaldar a sus propios equipos y tener fondos suficientes para respaldar la compra de software. sin embargo, algunas pueden ser compañías farmacéuticas innovadoras de tamaño mediano o nuevas que carecen de herramientas de producción avanzadas y los talentos correspondientes. al utilizar estas herramientas, eligen desarrollarlas conjuntamente con nosotros. podemos ayudarlos a realizar más cálculos. debido a que se trata de seguridad de datos e información, la integración entre las dos partes es particularmente estrecha.

pero muchas grandes empresas farmacéuticas tienen fondos y talento suficientes, e incluso esperan que podamos brindarles algunos servicios personalizados mientras les brindamos saas.

el futuro de la ia para la ciencia

p: he visto varias clasificaciones de algoritmos actuales, que son muy similares a las cinco clasificaciones de conducción autónoma. ¿a qué estado podemos llegar en la etapa l2? ¿en qué medida puede sustituir al modelo experimental anterior? ¿puede darnos un ejemplo de un escenario específico?

a:en el escenario l2, lo llamamos computación más cercana a la precisión experimental y más orientada a las personas para ayudar a los humanos y reducir la presión experimental. debido a que existen grandes diferencias entre los diferentes sistemas en el diseño de fármacos, hemos podido lograr una precisión cercana a la experimental en algunos sistemas. entonces, no es que los usuarios no necesiten hacer ningún experimento, pero puedo ayudarlos a hacer cosas más básicas, como la detección molecular. puede haber 1 millón de compuestos farmacológicos que puedan ayudar a los usuarios a detectar cientos de miles. al final, tal vez el resto requiera que los investigadores científicos realicen una verificación experimental, y la magnitud experimental se reducirá considerablemente.

p: ¿cuáles son las dificultades para pasar de l2 a l3?

a:mi comprensión de este l3 es que la ia puede dar resultados directamente, lo que equivale a reemplazar directamente los experimentos humanos en ciertos escenarios. la dificultad para alcanzar l3 radica principalmente en que la precisión de cada enlace debe alcanzar un cierto nivel. además, hay muchos algoritmos involucrados y la integración de varios algoritmos también es una dificultad. la integración de algoritmos es en realidad similar a un sistema de flujo de trabajo completo, y este sistema puede revisarse y optimizarse continuamente.

p: ¿hay alguna iteración en la tecnología general desde el pasado hasta el presente? ¿y habrá obstáculos en el desarrollo del modelo actual?

a:en la actualidad, iteramos constantemente varios algoritmos basados ​​​​en datos, especialmente en productos comúnmente utilizados por los usuarios. la iteración del algoritmo es más rápida. por ejemplo, nuestro producto dpa se ha actualizado de la primera generación a la segunda generación. es que la primera generación puede admite el entrenamiento previo en un solo campo, y la segunda generación puede realizar un entrenamiento paralelo al mismo tiempo en función de conjuntos de datos con diferentes métodos de anotación.

el cuello de botella proviene principalmente de los datos. en el campo de la informática científica, las fuentes de datos no están muy extendidas y no hay muchos conjuntos de datos públicos. por lo tanto, gran parte de nuestro trabajo ahora es cómo mejorar cada vez más el efecto de entrenamiento del modelo. basado en pequeños conjuntos de datos.

además, hay otra cosa a la que prestar atención, que es la cuestión de la interpretabilidad. debido a que los requisitos de computación científica son más rigurosos y los requisitos de interpretabilidad son más altos, ahora estamos tratando de mejorar la interpretabilidad del modelo exponiendo parámetros. rutas de traducción, etc. sexo.

p: ¿cómo resolver el problema de la escasez de datos?

a:en el campo de la ia para la ciencia, ya sea en el campo de los materiales o en la medicina, los principios físicos más básicos a nivel micro son los mismos, por lo que la ventaja es que los datos en algunos campos de materiales se pueden reutilizar directamente en el campo médico. por ejemplo, dpa 2 puede basarse en los datos proporcionados bajo diferentes sistemas estándar ayudan a los usuarios a entrenar un modelo unificado. luego, cuando este conjunto de modelos se aplica específicamente a la industria, se puede utilizar una pequeña cantidad de datos para realizar ajustes.

todavía no hemos estado involucrados en el mercado de toc, pero nuestro sistema ya ha cubierto algunos escenarios de enseñanza. contamos con una plataforma de investigación científica que integra enseñanza, investigación y aplicación. los clientes actuales a los que nos enfrentamos principalmente son universidades y algunos usuarios que están más orientados al consumidor. para los colegios y universidades, tendremos una plataforma de capacitación práctica similar para profesores. esta plataforma puede respaldar todo, desde la enseñanza hasta la asistencia de los estudiantes a clases, hasta el uso e incluso la implementación de los resultados de la investigación.

p: ¿qué es ia?¿cuál es el futuro espacio de desarrollo del mercado de o ciencia?

a:creo que el espacio de mercado es lo suficientemente grande. ya sea que se trate de investigación científica, medicina o materiales, la adición de ia, al menos a nivel experimental, en realidad puede resolver problemas, ayudar a los investigadores científicos a mejorar los resultados experimentales y reducir la carga experimental.

en términos de aceptación general del cliente, parte del costo para nosotros en muchos escenarios es educar a los usuarios. por ejemplo, en el campo de los medicamentos, establecemos relaciones de cooperación a largo plazo con los clientes porque necesitamos acompañarlos durante todo el ciclo de verificación. .

comparativamente hablando, el campo de los materiales es mucho más rápido. por ejemplo, el ciclo de investigación y desarrollo de las baterías es muy rápido. si la ia predice el efecto de la proporción de electrolitos, será suficiente llevar a cabo una verificación de preparación.

a nivel nacional, el ministerio de ciencia y tecnología, junto con la fundación de ciencias naturales de china, lanzaron el trabajo de despliegue especial al for science. esto también demuestra que todos, desde el nivel socioeconómico hasta la macropolítica nacional, son optimistas y la apoyan firmemente. sin duda, esta es una dirección futura.

p: la ia para la ciencia aún se encuentra en sus primeras etapas. ¿a qué etapa se desarrollará en los próximos tres años?

a:creo que al menos todos los clientes tendrán una comprensión unificada de este asunto. ahora todo el mundo ha comenzado a adoptar activamente la ia y su comprensión de la ia ha alcanzado un nivel superior. todas las industrias no se sentirán extrañas o repelidas por esta palabra y tendrán una actitud relativamente positiva. el siguiente paso es cómo podemos establecer una relación de cooperación similar a la cocreación con nuestros clientes. después de todo, esta industria es una industria sensible a los datos. al cumplirse tres años, también esperamos poder ayudar a los clientes a idear algunos escenarios prácticos de implementación.

de hecho, creo que si se puede considerar más claramente el punto de valor, la aceptación del cliente sigue siendo bastante alta, porque en términos generales, ya sean las compañías farmacéuticas o la nueva energía que acabo de mencionar, todos prestan cada vez más atención a la inversión en innovación. también esperamos ayudar a innovar todo el paradigma de la investigación científica, incluida la infraestructura de investigación científica y los escenarios de nivel superior. a través de nuestra plataforma de investigación científica, podemos conectarlos y potenciar varias industrias.