AI已經憑借卓越的現實表現，證明了自己顛（diān）覆行（háng）業（yè）、加速（sù）科學研究的力量而目前最具（jù）開拓性的AI研究領域，當數基礎模型與生成式AI——在其支持下，計算機能夠根據輸入數據（jù）生成大量原創內容這項技術（shù）已被用於創作音（yīn）樂、繪畫乃至虛假新聞等各種素材。

    近期，OpenAI免費發布了最先（xiān）進的生成式transformer模型C工業模型hatGPT此子一經亮相便引發媒體的廣泛關注與用戶的真誠讚賞，再次凸顯出人工智能的（de）可觀潛力麵對（duì）OpenAI旗下GPT-3係列模型帶來（lái）的巨大（dà）衝擊，穀歌和（hé）微軟（ruǎn）也紛紛拿出各（gè）自（zì）的搜索引擎AI集成計劃。

    OpenAI的（de）破圈效應無疑會提升公眾對未來更先進AI產品的預期和需（xū）求（qiú），ChatGPT掀起的這股風潮（cháo）也成為技術（shù）工業模型行業史上（shàng）最（zuì）快、最重大的（de）顛（diān）覆性變（biàn）革但一切科技皆當以人為本在本（běn）文（wén）中，www.17C.com觀察了AI在創造新型抗生素及其他（tā）科學AI工具方麵的實（shí）際應用，證（zhèng）明了AI拯救生命的潛力。

    基礎模型與生成式AI的（de）創新，也（yě）將讓（ràng）增加收入、優化流程和簡化知識創造/積累成為可能，同時挽救全球數以百萬計的生命希望本文能帶大家了解AI中蘊藏的巨大工業模型潛力（lì），同時感受到進一步擴大AI開發與部署的重要意義從簡單算法到突破性進展

    人工智能（AI）這個誕生於1950年代的（de）概念其實背（bèi）景（jǐng）並不複雜，當時代表的就是為了解決特定任務所設計出的簡單算法和數學模型經過幾十年的發展（zhǎn）演（yǎn）變，AI於（yú）1990年代迎來了向著機器學習（xí）算法的重大轉變機器學（xué）習（xí）算（suàn）法（fǎ）使得計算機能（néng）夠分析數據模工業模型式，並將這些知識轉移到新的應用（yòng）場景以提高性能表現。

    這種轉變旋即引發了領域內眾多突破，包括深度學習算法的開發——這類算法徹底改變了計算機視覺與自然語言處理（NLP）的實際產出由此帶來的新成就，又反（fǎn）過來堅定了人們探索AI潛力的信（xìn）心如今，AI研究（jiū）人員已（yǐ）經開發出能夠處理更多複雜任務的（de）新（xīn）算法和模（mó）型，不斷探索著工業模型智能科學的（de）新邊界。

    AI與（yǔ）模型正以前所未有的速度發（fā）展，產生更像人類的反應，並不斷拓展可行的任務執行範圍在自（zì）然語言處理、計算（suàn）機視覺和機器人技術等領域，一個個前所未見的目標被達成盡管仍存在局限和挑戰，但AI已經證明自己有資（zī）格成為跨各個行業和（hé）領域的變革性力量，全麵（miàn）涵蓋醫療保健、金融、交通和教育等。

    IBM M工業模型aster Inventor推（tuī）動的前沿AI研究IBM掌握著全（quán）球規模（mó）最大、資金最（zuì）為（wéi）充足的AI研（yán）究（jiū）項目之一（yī）最近，www.17C.com有幸（xìng）與IBM研究院的主要研究員、IBM Master Inventor（發明大師）兼主管Payel Das博士討論了他主導的項目。

    Das博士曾任哥倫比亞大學應用物理與應用數學係（xì）（APAM）工業模型兼職副（fù）教授，目前是（shì）石溪大（dà）學應用數學（AMS）的顧問委員會成員Das博士（shì）本科就讀於印度加爾各答總統學院，碩士畢業於印度欽奈的印度理工學院她隨後在得克薩斯州（zhōu）休（xiū）斯頓的萊斯大學獲得理論生物物理學（xué）博士學位。

    Das博士（shì）曾參與合著40多篇同行評審論文，獲得哈佛貝爾弗中心TAPP 2021與IEEE開源2022獎項工（gōng）業模型在IBM之內，她先（xiān）後拿下IBM傑出技術成就獎（IBM最高技術獎項）、兩項IBM Research Division獎、一項IBM Eminence and Excellence獎以及兩項IBM發明成果獎。

    作為可信AI部門成員與IBM研究院生（shēng）成式AI負責人，Das博士（shì）目前專注於開發新的（de）算法、方法和工具工業模型，助力打造更多（duō）由基（jī）礎模型建立的生成式AI係統她的團隊還（hái）致力（lì）於通（tōng）過合成數據提高AI模型的可信度，確保下遊AI應（yīng）用獲得（dé）更好的（de）公平（píng）性和穩健性。

    合成數據——推動AI發展的重要力量在如今這個數據驅動的時（shí）代，合成數據已經成為AI模型測試與訓練中的重要工具這類由計算機生成的信（xìn）息擁有更高的（de）成本效益、具備自動標記，而工業（yè）模型且避免了用真實數據訓練深度學（xué）習模型所引發的道德、保障和隱私等爭議。

    合成數據在業務應（yīng）用中也發揮著至關重（chóng）要的作用，能夠在真實數據匱乏（fá）甚至缺（quē）失時提供解決方案合（hé）成數據的一（yī）大優勢在（zài）於能夠批量生成，這（zhè）使其成為AI模型訓練的理（lǐ）想選擇此外，還可以通過設計讓合成數據包含各種變體和示例，從而提高模型的泛化（huà）度和可用性。

    在工業模（mó）型這種種特性的（de）加持（chí）下，合成數據成為（wéi）推動AI發展和實際落地的關鍵工（gōng）具更重要的是，純（chún）生成的合成數據能保證遵守用戶（hù）定義（yì）的控（kòng）製要求，從而達成預期目標並將潛在風險降至最低具體的（de）控（kòng）製要求取決於（yú）預期應用和預期（qī）的結果隻要確保合成數（shù）據與（yǔ）控製要求（qiú）保（bǎo）持一致，模（mó）型在後續的實際應用中（zhōng）將獲得更好的有效性和安全性。

    通用表示模型正在工業模型塑造（zào）未來

    Transformer模型已被廣泛用於（yú）各種應（yīng）用（yòng）場景，並被證明對處理自然語言等（děng）複雜數據具有奇效最初的AI模型使用的是前（qián）饋神（shén）經網絡，雖然在非序列數據建模方麵表現不錯，但卻（què）不具備處（chù）理順序數據的能力為了克（kè）服這個限製，卷積神經網絡（luò）（RNN）在1990年代被發明了出來，但直到2010年左右才得到廣泛實施工業模型。

    這一技術（shù）突（tū）破擴（kuò）展了AI處理順序數據（jù）的能力，也為該領域的進一步（bù）發展鋪平了（le）道路之後亮相的是transformer——這一AI模型家族從根本上提高了AI的（de）執行能力Transformer模（mó）型首次出現在2017年穀（gǔ）歌發表的一篇研究（jiū）論文（wén）當中，其中提出一種新的神（shén）經（jīng）網絡架構類型。

    Transformer還結合了自注工業模型意機（jī）製，讓模型能夠專注（zhù）於輸入（rù）中的（de）特定部分，借此做出（chū）更準確的預測正是（shì）所謂自注意機製，將transformer與其他（tā）編碼器-解碼器架構模型區分開來（lái）事實證明，這種機製在自然語言處理（lǐ）中特別有用，能讓模型（xíng）掌握句子中各單詞之間的關係，並識別出相距較遠的上下文關聯。

    Transformer能根據與任務之間的相關（guān）性，工業模型為序列中（zhōng）的各個元素分配權重如此一來，模（mó）型就能優先考慮其中最重要（yào）的部分，從而產生更多的上下文認知（zhī）和明智的預（yù）測/決（jué）策自注意機製（zhì）的集成，極大改善了AI模型在自然語言處理領域的表現。

    根據Das博士的介紹，近年來RNN已經不再是自然語言處理領域的首選架構這是因為（wéi）RNN往往（wǎng）難以訓練，而且可能出現梯度消失問題，這（zhè）工業模型就（jiù）讓對語言數據中相距較遠的上下文間的關聯學習變得極具挑戰（zhàn）相比之下，transformer已被證明能（néng）更有效地在各類自然語言處理任務上，帶來遠超同儕的先進性能。

    釋放基礎模型的力（lì）量憑借大規模（mó）數據加自監督技術（shù）訓練出的模型，能夠產生不特定（dìng）於任（rèn）何既有任（rèn）務的通用表示這些表示能夠在其他應用場景（jǐng）下直接使用，無需再做進工業（yè）模型（xíng）一步微調這些模型被稱為“基礎模型”，此術語（yǔ）最早由斯坦福大（dà）學在（zài）2021年的一篇研究（jiū）論文中提出。

    當今眾多基礎模型都采用（yòng）了transformer架構，並被證明在廣泛的自然語言處理（NLP）任務中具備（bèi）通用性這是因為它們利用海量（liàng）數據集完成了預訓練，從而生成了強大（dà）的可部署機器學習模型基礎模（mó）型的出現，極大影響並改工業模型進了自然語言處理技術的整體麵貌。

    Das博士（shì）和IBM研究團隊（duì），也參與了大量涉及基礎模型和生成（chéng）式AI的研究工作。

    上圖所示為以文（wén）本作為輸入（rù）數據，使用基礎模型（xíng）麵向不同（tóng）領域（yù）構建（jiàn）模（mó）型其可能使用，也可能不使用transformer架構圖左所示為大語言模型，它能逐步（bù）將字母映射至單詞、句子乃至最終的語言圖右所示為化學工業模型transformer模（mó）型，它將原子與分子和化學結構聯係起來。

    隻要（yào）將生物或化學分子（zǐ）表示為文本（běn），即可使用相同的（de）概念來構建生物學或其他相關領域的基（jī）礎模型需要注意的是，transformer架構能夠適應多種領域，唯一的要求就是輸入數據必須能夠（gòu）以文本形式（shì）表（biǎo）達這種良好的功能泛用性，使（shǐ）得transformer架（jià）工業（yè）模型構成為多個（gè）領（lǐng）域創建機器學習模型的寶貴工具。

    借助（zhù）生成式（shì）AI突破創造力的邊界生成式模型能夠在各種應（yīng）用場景下創造出新的、獨一無二（èr）的圖像/音頻/文本這些模（mó）型（xíng）還讓AI係統得以高效處理複雜數據，在（zài）廣泛的應用場景中為AI技術的落地開辟出新的可能性基礎模型同（tóng）樣可以（yǐ）創建出（chū）生成式模型，因為後者的基本原理同樣是處理大量數工業模型（xíng）據（jù）並從中學習。

    通過調整模型參數以專注於特定任（rèn）務，例（lì）如生成圖像或文本，麵向不同領域的全新生成式AI模型即可順利（lì）誕出例如，如果我（wǒ）們的目標是開發一套繪畫創作型生（shēng）成式AI模（mó）型，則（zé）首先可以通過大量藝術圖像預訓練一（yī）套基礎模型在訓練成功之後，它（tā）就（jiù）能用於生（shēng）成新的原創藝術作品。

    上圖所示，為用戶給出“人臉肖像”提示之（zhī）後工業模型，由Dall.E2 AI程序生成的（de）畫作示例克（kè）服生成式AI中的小數據挑戰Das博士提到，“當（dāng）www.17C.com第一次開始研（yán）究生成（chéng）式AI時，突然（rán）想到（dào）如何從小規模數據中，學習任何特定領域或行業的（de）應用（yòng）知識。

    ”生成（chéng）式AI模型往往需要大量（liàng）數據才能準確學習和生（shēng）成新（xīn）的相似數據在（zài）處（chù）理小數據集時（shí），這（zhè）類模型（xíng）的（de）性能和實用性往往會受到影響工業模型Das博士很快意識到了這個挑戰，並發現（xiàn）遷移學習和數據增強等技術有助於提高模型（xíng）在這類情況下的性能。

    盡管小數據集（jí）確實困擾著生（shēng）成式AI模型的應用（yòng），但對於上圖中的各個領域，企業其實（shí）已經掌（zhǎng）握著大量未經標注的數據這些數據完全可以訓練出自定義基礎模型，解決以往被認為無法解決的（de）問題這也（yě）跟IBM研究院專注於通過（guò）生成式工業模型AI探索AI新功能、突破AI科學邊界的思（sī）路高度一致。

    更廣泛的生（shēng）成式AI研究IBM在（zài）圖（tú）中所（suǒ）示的各個領域都（dōu）做出了重大貢獻下麵www.17C.com就簡單選取其中幾（jǐ）個方向使用生成式AI合成抑菌劑AI有（yǒu）望（wàng）徹底顛覆各個領域，並（bìng）加（jiā）速科學進步例如，Das博士和她的研究團（tuán）隊（duì）利用AI開（kāi）發創新型抑菌（jun1）藥物，借此對抗致命性耐藥細菌。

    抗擊超級工業（yè）模型細菌抗生素從1940年代起，被首次用（yòng）於治療嚴重感染之後的幾（jǐ）十年（nián）間，抗生素挽救了數百萬人的生命並改變了現代醫學的麵（miàn）貌然而，根據疾控中心的估計，每年全球的非必要抗生素治療多達4700萬例（lì）抗生素的過度使用已經（jīng）引發嚴重（chóng）問題，導致大腸（cháng）杆菌、葡萄球菌等常見細菌以及金黃色葡萄球菌（MRSA）等更罕見（jiàn）的危險細菌出現工業模型了廣（guǎng）泛的耐藥性。

    由耐藥細菌引發的感染（rǎn）更難以（yǐ）治療（liáo），而且可能導致敗血症、器（qì）官功能障礙甚（shèn）至是死亡等嚴重後果當傳統抗生素無法有效殺死細菌時，對感染的治療和控製將愈發艱難、甚至失（shī）去可能性這些抗藥細菌被稱為“超級細菌（jun1）”，可能迅速傳播並引發嚴重感染，令醫院等醫療機構成為交叉感染的重災（zāi）區（qū）。

    超級細菌也可能存在於環境、工業模型食物和其他物體表麵，或是在人與人間直接傳播麵對這個威脅（xié）全球生命安全的重大問題，麵對這個每年在世界（jiè）範圍內造（zào）成70萬死亡的嚴峻挑戰，www.17C.com必須有所行動到2050年，由超級細菌引發的死亡數字預計將增加到1000萬。

    細菌如何戰勝抗生素細菌和病毒能夠激活自己的先天防禦策略，通過（guò）使抗生素無效化完（wán）成向超級細菌的蛻變（biàn）工業模型這些防禦機製往往能（néng）令細菌逃脫或抵消原本對其（qí）致命的物理、化（huà）學或生物過程，包括產生使抗生素失（shī）活（huó）的酶、改變細菌細胞膜、使生（shēng）物體對（duì）藥物的反應降低，或者從其他天然能夠抵抗抗生素的細菌處獲取（qǔ）遺傳（chuán）信息。

    使用AI簡化藥物（wù）研發用傳統方法開發出新的抗菌藥物是個漫長且昂貴的過程，往往需要耗時（shí）多年、投入大量資金然而（ér），AI的工業模型最新發展正在徹底改變藥物的研究和發現（xiàn）過程通過利用AI對眾多（duō）可能的候選藥物進行生成與評估，研究人（rén）員能夠快速查明最有希（xī）望的選擇，將寶貴精力集中在高價值目標身上。

    這將簡化藥物開發過程，降低相應的時間和成本（běn），以遠超以往（wǎng）的速度推出更有效的抗菌藥物研究團隊提出的（de）AI驅（qū）動方法能夠加速抗菌藥物設計，將整個周期（qī）控製在工業模型48天之（zhī）內：IBM研（yán）究院，《使用可控深度生成模型與分子動力（lì）學加速抗菌藥發現》。

    《自然生物醫學》，2021年3月在Das博（bó）士及其團隊的協（xié）同努力下，有望解決細菌耐（nài）藥問題的創新（xīn）解決（jué）方案正逐步成型這項（xiàng）研（yán）究利用AI合成並評估了20種獨特的抗（kàng）菌肽設計，最（zuì）終入選的這些“種子選手”來自9萬個序（xù）列庫。

    其中使用的AI模工業模型型是專為抗藥細菌這類用例所設計，結合（hé）了廣譜功（gōng）效和低毒控製等要求，同時強調減緩耐藥性（xìng）這（zhè）種方法帶來的解決方案（àn）不僅有助於對抗耐藥細菌，同時也將最大限度降低有害副作用，並防止目標產生更進一步的耐藥性。

    該團隊針對各種革蘭氏陰性與陽性細菌進行了（le）設計測試，最（zuì）終確定了6種成功的候選藥物，並通過小鼠模型和試管完成了毒工業模型性（xìng）篩查AI驅動（dòng）下的全新可能性Das博士對目前的成果深（shēn）感欣慰（wèi），並表示其中體現了研究人員對下一代（dài）候選藥物提出的種種特（tè）性期（qī）待。

    隨附插圖所示（shì），為AI加速（sù）抗菌設計過程的規劃和預期（qī）持續時長整個過程隻需一個半月即可完成，遠快於傳統上長達數年的漫長周期事實證明（míng），利用AI加速抗菌藥物研發足以改變遊戲規則（zé），大大降低研發工業模型周期和經（jīng）費投入另（lìng）外，AI模型也能幫助研究人員釋放精力，專注於研究最有希望的線索。

    最（zuì）後，生成（chéng）式AI還能幫助科學家設計出繼承現（xiàn）有藥物（wù）優勢，同時功能（néng）更獨特、功效更出色的創新（xīn）化合物IBM的研究人員正利（lì）用生（shēng）成式AI簡化新型抗菌藥物的開發，並在AI的幫助下創建（jiàn）出MolFormer和MolGPT等高價值工具。

    這（zhè）些工業（yè）模型（xíng）工具可用於預（yù）測化學分子的特性，為（wéi）藥物（wù）發現、材料設計等各類（lèi）應用領域（yù）提供助力總結（jié）如今，生（shēng）成式（shì）AI已經在音樂（lè）、繪畫（huà）、醫療保健和製藥等各個領域引發關注，成為AI技術近（jìn）期最激動人心的進步之一盡（jìn）管仍（réng）存在局限和（hé）挑戰，但AI確實（shí）展現出顛覆各個領域的巨大潛力。

    它能夠迅速（sù）創造並測試出針對耐藥細菌和其他病原體的寶貴藥物，工業模型挽救更多病患於水火（huǒ）隨（suí）著近期OpenAI GPT-3測試的執以及穀歌和微軟的（de）相繼（jì）跟進，新一年內不僅AI產品將全麵爆（bào）發，又一輪突破也可能就此（cǐ）出現融入（rù）市（shì）場的有意義AI成（chéng）果，整個人類的前途就越是（shì）煥發光彩。

    尾注：有人可能會（huì）質疑，本文並未提到AI在人臉識別方麵的應用請（qǐng）注意，人臉識別技術跟GPT模型屬（shǔ）於功能和（hé）實現工業模（mó）型方法都全然有別的獨立AI技術IBM曾是人臉識別領域的領導者，但考慮到由此引發的政治和隱私等問題，因此決定不再繼（jì）續（xù）探索這方麵課（kè）題。

    但是，IBM仍然各級參（cān）與其他AI模式，例如（rú）語（yǔ）言處理、圖像識別、圖形分析、語音識別以及（jí）多模AI應用的各種組合這（zhè）裏要具體介紹一下GPT-3發布後的（de）市場反應就目前的情況（kuàng）看，微（wēi）軟的（de）工業模型準備明確更為充分，而穀歌似乎被打了個措手不及。

    微軟已經規劃出如何將相（xiàng）關成果集成到運營體係當中，所以有望在（zài）市場上反超之前兩家公司的搜索收入（rù）差距巨（jù）大，微軟2022年搜索收入總計220億美元，而穀歌去年單第四（sì）季度的收入就高達590億美元考慮到GPT模型強大的搜索功能，令穀歌的總收入（rù）直降三分之一也並非沒有可工業模型能。

    DALL.E2是一種前沿深度學習模型，能夠根據自然語言（yán）輸入生成數字圖像，以OpenAI GPT-3的一（yī）個版本為基礎。