在刚刚结束的 2024 世界人工智能大会论坛期间，国内外院士、专家学者齐聚「超越边界：探索下一代大模型的基础研究」论坛，共同探讨「AI for Science 基础设施建设」和「下一代通用人工智能方法」两大前沿技术话题。
论坛不仅邀请到多位国内外院士，业内专家学者出席会议研讨交流，还同期发布了 4 个重磅成果及产品。
中国科学院院士鄂维南在大会引言中称：「AI for Science 在材料、生命科学、能源化工等领域落地成果的不断涌现，让我们看到其带来的巨大前景。但 AI for Science 带来的不仅仅是点状的突破，而是系统性地带动科学研究基础设施的建设，推进迈向「平台科研」时代。」
鄂院士提到，「回顾科学研究的基本资源和基本方法，无论哪个科研方向，都少不了基本原理、实验、文献、算力的支撑。因此，构建科学研究的通用基础平台，即基本原理和数据驱动的模型算法与软件、替代文献的数据库与知识库、高效率、高精度的实验表征方法、高度整合的算力平台，可以推动共性问题的解决。AI 方法大大提升了我们的科研能力，但是离真正解决问题还有距离，随之而来的问题是，这剩下的『最后一公里』该如何打通。
虽然目前人工智能算法、大模型已经取得了突出的进步，但要实现下一代通用人工智能，仍需要在算力资源、数据资源、AI 数据库能力、下一代模型和人才资源等方面持续发力。人工智能依然有很多细分领域未被探索，需与场景结合，从应用到底层技术进行创新。
我们欣喜地看到，业内已经有产品化与平台化的成果产出，本论坛发布的四个产品就是这一趋势的实践案例。
OpenLAM 大原子模型
OpenLAM 是「平台科研」与「开源共建」的一个典型代表。「语言数据的爆炸性增长孕育了大语言模型，同样地，微观尺度数据的累积也催生了一种创新的模型——大原子模型。」
北京科学智能研究院院长、深势科技创始人张林峰表示「这一模型的诞生，将带来仿真设计在时空尺度与覆盖范围的量级式提升，实验表征信号将能被更好地解析，它将成为原子级生产制造的重要组成部分。」
OpenLAM 计划已于 2023 年底正式发起，北京科学智能研究院协同 DeepModeling 开源社区以及 30 多家共建单位，并邀请了原子级建模、表征、制造以及 AI 产业的多位院士、专家组成顾问团，共同推动构建大原子模型的「社区模式」。秉承「广泛覆盖、谨慎评估、开源开放、开箱即用」的开发理念，本论坛上最新发布了在合金、动态催化、分子反应、药物小分子、固态电池、半导体、高温超导 7 个领域模型解决方案，这些模型均以开放社区的形式发展而来，并在科学智能广场可下载。「实验科学家的语言和视角还未与 AI 技术和数据库形成有效的连接，为此我们开发了『晶体造句』APP，希望更多实验科学家通过这个 APP 的窗口，来发现并合成更多人们尚未充分探索的材料。」
Science Navigator 1.0: 新一代科研文献开放平台
AI for Science 的各项基础设施正在全面落地建设，不仅仅是 OpenLAM，本次论坛还同期发布了 AI for Science 的另一重要基础设施，替代文献的数据库和知识库的优秀实践产品——Science Navigator 1.0。
当前，对学科交叉检索、原文内容溯源、科研数据解读的需求已经远远超出了传统文献检索工具的能力范围，新一代科研文献开放平台 Science Navigator 应运而生。「Science Navigator 强大的自然语言对话式检索能力，能够迅速定位到科研工作者所需的信息，且回答可溯源到文献原文。」北京科学智能研究院副院长李鑫宇介绍道，「AI 向量数据库叠加大语言模型让训练和推理成本大幅降低，等效实现 3-6 倍参数量模型效果。Science Navigator 1.0 不仅仅是一个为科研工作者量身打造的 AI 平台，它更是一个全新的科研生态系统。Science Navigator 开放了绝大部分能力的 API 接口，使用者可以在这个平台的基础上构建自己的应用和智能体，以满足科研复杂的个性需求，释放更多的时间精力在解决关键问题与创新思考上。」
忆³大模型
那么下一代通用人工智能模型是什么样的？论坛上的专家们也给出了各自的见解。其中之一是类比人脑记忆与思考方式的记忆分层大模型。目前记忆分层的大模型已经在上海算法创新研究院实现。
会上，上海算法创新研究院大模型中心负责人熊飞宇发布了最新科研成果——忆³大模型（Memory³），该模型创新地引入了显性记忆机制，显著提高了性能并降低了训练与推理成本。忆³在传统的模型参数（隐性记忆）与上下文键值（工作记忆）之外，增加了第三种形式的记忆——显性记忆。模型无需训练即可将文本转换为显性记忆，并在推理时快速且稀疏地使用记忆。通过外部化模型存储的知识，显性记忆减轻了模型参数的负担，进而提高了模型的参数效率与训练效率，使基准测试上忆³能够实现约 3 倍参数量模型的性能。
基于忆³架构的 AI 搜索引擎，利用显性记忆的快速读写，使回答的时效性更强，准确率更高，内容更完整，还能够根据用户的反馈实时更新和优化答案。隐性记忆使搜索引擎能够理解复杂的上下文关系，提供更精准和个性化的搜索结果。基于忆³的特性，这款 AI 搜索引擎不仅提高了用户的搜索体验，还在信息检索领域树立了新的标杆。此外，忆³已在金融、媒体等行业落地应用。
MyScale AI 数据库
随着以深度学习、大模型为代表的 AI 技术迅速发展，图像、视频、文本、语音等的非结构化数据处理的需求和能力也有了爆发式的增长。
高维向量是非结构化数据的统一语义表征，但主流的向量数据库存在通用数据管理能力不足，面对海量数据时性能、可扩展性不佳的问题，难以应对大规模复杂 AI 应用的需求，而 MyScale 的初衷就是克服这些问题并成为 AI 时代的数据底座。
墨奇科技联合创始人/CTO 汤林鹏介绍道，「MyScale 是国际上首个专为大规模结构化和非结构化数据处理设计的 AI 数据库，支持海量结构化、向量、文本等各类异构数据的高效存储和联合查询，综合性能比国内外其他产品提高 4-10 倍。在实际生产中，MyScale AI 数据库成功扮演了大模型+大数据双轮驱动下的统一 AI 数据底座。在金融文档分析、科研文献智能问答分析、企业私域知识管理、工业/制造业智能化、零售行业客户服务、人力资源行业智能化、法律行业智能化等应用场景中均帮助客户创造了巨大价值，加速了大模型和场景数据结合的技术创新和应用落地。」
未来，从现在出发。在不断探索人工智能边界的道路上，培植下一代通用人工智能方法、完善 AI for Science 的基础设施极为关键，它将推动科技向前发展，解锁以前难以想象的创新可能性。
*头图来源：视觉中国
友情提示
本站部分转载文章，皆来自互联网，仅供参考及分享，并不用于任何商业用途；版权归原作者所有，如涉及作品内容、版权和其他问题，请与本网联系，我们将在第一时间删除内容！
联系邮箱：1042463605@qq.com