AI已經憑借卓越的現實表現，證明了自己顛（diān）覆行（háng）業、加速科學研究的力量。而目前最具開（kāi）拓性的AI研究領域，當數基礎模型與生成式（shì）AI——在其支持下，計算機能夠根（gēn）據輸（shū）入數據生成大量原創內容。這項技術已被（bèi）用（yòng）於創作展品製作音樂、繪畫乃至虛假新聞等（děng）各種（zhǒng）素材。

近期，OpenAI免費發布了（le）最先進的生（shēng）成式transformer模型ChatGPT。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（gōng）智能的可觀潛力。

麵展品製作對OpenAI旗下GPT-3係列模型帶來的巨大衝擊，穀歌和微軟也紛（fēn）紛拿出各自的搜索引（yǐn）擎AI集成計劃。OpenAI的破圈效應無疑會提升公眾對未來（lái）更先進AI產品的預期（qī）和需求，ChatGPT掀起的（de）這股風潮也展（zhǎn）品（pǐn）製作成為技（jì）術行（háng）業史上（shàng）最快、最重（chóng）大的顛覆性（xìng）變革。

但一切科技皆當以（yǐ）人為本。在本文中，www.17C.com觀察了AI在創造新型抗生素及（jí）其他科學AI工具方（fāng）麵（miàn）的實際應用，證明了（le）AI拯救（jiù）生命的（de）潛力。基礎模型與生成式AI的創新，也將（jiāng）讓展品製作增加收（shōu）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（le）解AI中（zhōng）蘊藏的（de）巨大潛力（lì），同時感受到進一步擴大AI開（kāi）發與部署的重要意義。

從簡單算法到（dào）突破性進展

人工智（zhì）能（néng）（A展品製作（zuò）I）這個誕（dàn）生於1950年代的概念其（qí）實背景並不複雜，當時（shí）代表的就是為了解決特定任務所（suǒ）設計出的簡單算法和數學模型。經過幾十年（nián）的發展演變（biàn），AI於1990年（nián）代迎來了向著機器學習算法的重大轉變。機器學習算法使得展品（pǐn）製作計算機能夠分析數據模式，並將這些知識轉移到新（xīn）的應用場景以提（tí）高性能表現。這種轉變旋（xuán）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（suàn）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（yóu）此帶展（zhǎn）品製作來的新成就，又（yòu）反過來堅定了人們探索AI潛力的信心。

如今，AI研究人員已經（jīng）開發出能夠處理更多複雜（zá）任（rèn）務的新算（suàn）法和（hé）模型（xíng），不斷探（tàn）索著智能（néng）科學的新邊界。AI與模（mó）型正以前所未有的速度（dù）發（fā）展，產生更（gèng）像人（rén）類（lèi）的反應，並（bìng）不展品製作斷拓展可行的任（rèn）務執（zhí）行範圍。在自然語言處理、計算機視（shì）覺和（hé）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（yǐ）經證明自己有資格成為（wéi）跨各個行業和領域的變革性力量，全麵涵蓋醫療保（bǎo）健、金展品製作融、交（jiāo）通和教育等。

IBM Master Inventor推動的（de）前沿AI研究

IBM掌握著全球（qiú）規模最大、資金最為充足的AI研究（jiū）項目之一。最近，www.17C.com（men）有幸與IBM研究院（yuàn）的主要研（yán）究員、IBM Master In展品製（zhì）作ventor（發明大師）兼主（zhǔ）管Payel Das博士（shì）討論了他主導的項目（mù）。

Das博士曾任（rèn）哥倫比亞大學應用物理與應用數（shù）學係（APAM）兼職副教授，目前是石溪大學應用（yòng）數學（AMS）的顧問委員會成員。Das博展品製作士本科就讀於印度加爾各答總統（tǒng）學（xué）院，碩士畢業於印度欽奈的印度理工學（xué）院。她隨後在（zài）得克薩斯州休斯頓（dùn）的萊斯大學獲得理論生物物理學博士學（xué）位。Das博士曾參與合著40多篇同行評審論文，獲得哈佛貝爾弗中心TAPP 展品製作2021與（yǔ）IEEE開源2022獎（jiǎng）項。在（zài）IBM之內，她先後拿下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 Exce展品製作llence獎以及兩項IBM發（fā）明成果獎。

作為可信AI部（bù）門成員與IBM研究院生成式AI負責人，Das博士（shì）目前專（zhuān）注於（yú）開發新的算法、方法和工具，助力打造更多由基礎（chǔ）模型建立的（de）生成式AI係統（tǒng）。

她的團隊還致力於通展品製作過合（hé）成數據提高AI模型的可信度，確保下遊AI應用獲得更好的（de）公平性和穩健性。

合成數據——推動AI發展（zhǎn）的重要力量

在如今這個數據驅動的時代，合（hé）成（chéng）數據已經成為AI模型測試（shì）與訓練中的重要工具。這類由計算機生成的展品（pǐn）製作信息擁有更（gèng）高的成（chéng）本效益、具備自動標記，而且避免了用真實數據訓練（liàn）深度學習模（mó）型所引發的道德、保障和隱私等爭議。

合成數據在業務應用中也發揮著至關重（chóng）要的作用，能夠在真實數據匱乏甚至缺失時提供解決方案。合（hé）成數據展品製作的一大優勢在（zài）於能夠批量生成，這使其成為AI模型訓練的理想選（xuǎn）擇。此外，還可以通過設計讓合成（chéng）數據包含各種變體和示例，從而提高模型的泛（fàn）化度（dù）和可用性（xìng）。在這種種特性的加持下，合成數據成為推動AI發展和實際落地的展品（pǐn）製作關鍵工具。

更（gèng）重要的是，純生成（chéng）的合成數據能（néng）保證（zhèng）遵守用（yòng）戶定義的（de）控製要求，從而達成預期目標並將（jiāng）潛在風險降至最低。具（jù）體的控製要求取（qǔ）決於預期應用和預期的結果。隻要確保合成（chéng）數（shù）據與控製要求保（bǎo）持（chí）一致，模型在（zài）後（hòu）續（xù）的（de）實際展品製作應（yīng）用中將獲得更好的有（yǒu）效性和（hé）安（ān）全性。

通用表示模（mó）型正在塑造未來

Transformer模（mó）型已（yǐ）被廣泛用於各種應（yīng）用場景，並被證明對處理自然語言等複雜數據具有奇效。

最初的AI模型使用的是前饋神經網（wǎng）絡（luò），雖（suī）然在非序列展品製（zhì）作數據建模（mó）方麵表現不錯，但卻不（bú）具備（bèi）處理順（shùn）序數據（jù）的能力。為（wéi）了克服這個限製（zhì），卷積（jī）神經（jīng）網絡（RNN）在1990年代被發明了（le）出來，但直（zhí）到2010年左右才得到廣泛實施。

這一技術突（tū）破擴展了AI處理順序（xù）數據的能力，也展品製作為該領（lǐng）域的進一步發展鋪平了道（dào）路。之後亮相的（de）是transformer——這一AI模型家族從根本上提高（gāo）了AI的執行能力。

Transformer模型首次出現（xiàn）在2017年穀歌（gē）發表的一篇研究論文當中，其中提出一展品製作種新的神經網絡架構類型。Transformer還結合了自注意機製（zhì），讓模型能夠專注於（yú）輸入中的特定部分（fèn），借此做出更（gèng）準確的預測。

正是所謂自注意機製，將transformer與其他編碼（mǎ）器-解碼器架構模型區分開展品製（zhì）作來。事實（shí）證明，這種機製在自然語言處理中特別有用，能讓（ràng）模型掌握句子中各單詞之間的關係，並識別出相（xiàng）距較遠的上下文（wén）關（guān）聯。Transformer能根據與任務之間的相關性，為（wéi）序列中的各個元素分配權重。如此一來，展品製作模型就能優先考慮其中最重要的部分（fèn），從而產生更多的上下文（wén）認知和明智的預測/決策。自注意機製的集成（chéng），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（chù）理（lǐ）領域展品製作的首選架構。這是因為RNN往往難以訓練，而且可能出現梯（tī）度（dù）消失問題，這就讓對語（yǔ）言數據中相距較遠的（de）上下文間的關聯學習變（biàn）得極（jí）具挑戰（zhàn）。相比之下，transformer已被證（zhèng）明能更有效地在各類自（zì）然語（yǔ）言處理任務上（shàng）展品製作，帶來遠超同儕的（de）先進性能（néng）。

釋放基礎模型的力量

憑（píng）借大規模數據加自監督技術訓練出的模型，能夠產（chǎn）生不特定於任何既有任務的通用表示。這（zhè）些表示能夠在其他（tā）應（yīng）用場景下直接使用，無需（xū）再做（zuò）進一（yī）步微調。

這些模型被稱為“基（jī）展品製作礎模型”，此術語最早由斯坦福大學在（zài）2021年的一（yī）篇研究論文中提出。當今眾多基礎模型都采（cǎi）用了transformer架構，並被證明在（zài）廣（guǎng）泛的自然語言處理（NLP）任務中具備通（tōng）用性。這是因為它們利用海量數據（jù）集展品（pǐn）製作完成了（le）預訓練，從而生成了強大的可部署（shǔ）機器學習（xí）模型。基礎模型（xíng）的出現，極（jí）大影響並改進了自然語言處理技（jì）術（shù）的整（zhěng）體（tǐ）麵貌。

Das博士和IBM研究團隊（duì），也參與了大量涉及基礎模型和（hé）生成式AI的研究工作。

上圖所示為以文展品製作本作為輸入數據，使用基（jī）礎模型麵向不同領域構建模型（xíng）。其可能使用，也可能不使用transformer架構。圖左所示為大語言模型，它能逐步將字母映射至單詞、句子乃至最終的語（yǔ）言。

圖右所示（shì）為化學（xué）transfor展品製作mer模型，它將原子與分子和化（huà）學結構（gòu）聯係起來。隻要將生物或化學（xué）分子表示為文本，即可使用（yòng）相同的概念來構建生物（wù）學或其他相關領域（yù）的（de）基礎模（mó）型。

需（xū）要注意的是，transformer架構能夠適（shì）應多種領（lǐng）域，唯一的要展品製作求就是輸入數據必須能夠以（yǐ）文本形（xíng）式表達。這種良好的功能泛用性，使得transformer架構成為多個領域創建機器學習模型的寶貴工具。

借助生成式（shì）AI突破創造力的邊界（jiè）

生成式模（mó）型能（néng）夠在各種應用場景下創造出新的展（zhǎn）品製作、獨一無二的圖像/音頻/文本。這些模型還讓AI係統得以高效處理複雜數據，在廣（guǎng）泛的應用場景中為AI技術的落地開辟出新的可（kě）能性。

基礎模型同樣可以創建出生成（chéng）式模型，因（yīn）為後者（zhě）的基本原理同樣是處理大量數據並從中展品製作學（xué）習。通過調整模型（xíng）參數（shù）以（yǐ）專注於特定任務，例如生成圖像（xiàng）或文本，麵向不同（tóng）領域的全新生成式AI模型即可順利（lì）誕（dàn）出（chū）。

例如，如果www.17C.com的目標是開（kāi）發一套繪畫創作型生成式AI模型，則首先可以通過大量藝術圖像預訓（xùn）練一套基展品（pǐn）製（zhì）作礎模型。在訓練成（chéng）功之後（hòu），它就能用於生（shēng）成新（xīn）的（de）原創藝術作品（pǐn）。上（shàng）圖所示，為用（yòng）戶給出“人臉肖像”提示之後，由Dall.E2 AI程序生（shēng）成的畫（huà）作示例。

克服生成式AI中的小數據挑戰

Das博士提（tí）到，“當www.17C.com第一次開展品製作始研究生成式AI時，突然想到如何從小（xiǎo）規模數據中，學習任何（hé）特定領（lǐng）域或行業的應用知識。”

生成式AI模型往（wǎng）往需要（yào）大（dà）量數據才能準確學（xué）習和（hé）生成（chéng）新的相似數據。在處理小（xiǎo）數據（jù）集時，這類模型的性能和實用性往往會受（shòu）到（dào）影響展品製作。Das博士很快意識到了這個挑戰，並發現遷移學習和數（shù）據增（zēng）強等技術有助於提高模型在這類情況下的性能。

盡管小數據（jù）集確實困擾著生成式AI模型（xíng）的應用，但對（duì）於上圖中的各個領域，企業其實已經掌握著大量未經標注的數展品製作據。這些數（shù）據完全（quán）可以訓練出自定（dìng）義基礎模型，解（jiě）決（jué）以（yǐ）往被認為無法解決的（de）問（wèn）題。這也跟IBM研究院專注於通過生成式AI探索AI新功能、突破AI科學邊界的思路高度一致。

更廣泛的（de）生成式AI研究

IBM在圖（tú）中所示的各展品（pǐn）製作個領域都做出了重（chóng）大貢獻。下麵www.17C.com就簡單選取其中幾個方向。

使（shǐ）用生成式AI合成抑菌劑

AI有望徹底顛覆各個領域，並加（jiā）速科學進步。例（lì）如，Das博士和她（tā）的研究團隊利用AI開發創新型抑菌藥物，借此對抗致命性耐藥細展品製作菌（jun1）。

抗擊超級細菌

抗生素從1940年代起，被首次（cì）用於治療（liáo）嚴重感染。之（zhī）後的幾十年間（jiān），抗生素挽救（jiù）了（le）數百萬人的（de）生命並改變了現代醫學的麵貌。然而，根據（jù）疾控中心的估計，每年全球的非必要抗生（shēng）素治療多達4700萬例。展品製作

抗生素的過度使用已（yǐ）經引發嚴重問題，導致大（dà）腸（cháng）杆菌、葡（pú）萄球菌等常見細菌以及金黃色葡萄球菌（MRSA）等更罕見的（de）危險細菌出現了廣泛的耐（nài）藥性。由耐藥細菌（jun1）引發的感染更難以治療，而（ér）且（qiě）可能導致敗血症、器官功能障礙甚展品製作至是死亡等嚴重（chóng）後果。

當傳統抗（kàng）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、甚至失去可能性。這些抗藥細菌被稱為“超（chāo）級（jí）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區。超級展品製作細菌（jun1）也可能存在於環境、食物和其他物體表麵，或是在人與人間直接（jiē）傳播。

麵對這個威脅全球生命安全的重大問題，麵（miàn）對這個每年在世界範圍內造成（chéng）70萬死（sǐ）亡的（de）嚴峻挑戰，www.17C.com必須有所行動。到2050年，由超級細菌引發的展品製（zhì）作死亡數字預計將增加（jiā）到1000萬。

細菌如何戰勝抗生素（sù）

細菌和病毒能夠激活自己的先天（tiān）防禦策（cè）略，通過使抗生（shēng）素無效化完成向超級細菌的蛻變（biàn）。這些防禦（yù）機製往往能令細菌逃（táo）脫或（huò）抵消原（yuán）本對其致（zhì）命的物（wù）理、化學或生物過（guò）程，包展品製作括產生使抗生素失活的酶、改變細菌細胞膜、使生物體對藥物的（de）反應降低，或者從其他天然能夠抵抗抗生素的細菌處獲取遺傳信息。

使（shǐ）用AI簡化藥物研發

用（yòng）傳統方法（fǎ）開發出新（xīn）的抗菌藥物是個漫長且昂貴的過程，往往（wǎng）需（xū）要耗時多展品（pǐn）製作年、投入大量資金。然而，AI的最新發展正在徹底改變藥物的研究和發（fā）現過程。

通過利（lì）用AI對眾多可能的候選藥物進行生成與評估，研究（jiū）人員（yuán）能夠快速查明最有希望的選擇，將寶貴精力集中在高（gāo）價值目（mù）標身上。這將簡化藥物展品製作開發過程，降低相應的時間和成本，以遠（yuǎn）超以往的（de）速度推出更有效的抗菌藥物。

研究團隊提出的AI驅動方法（fǎ）能夠加速抗菌藥物設計，將整個周期控製在48天之內：IBM研究院，《使用可控（kòng）深（shēn）度生成模型與（yǔ）分子動力學（xué）加速抗展品製作菌藥發現》。《自然生物醫學》，2021年3月。

在Das博士及其團隊的協同努力下（xià），有望解決細菌耐藥問題的創新解決方案正逐步成型。這項研究利（lì）用AI合成並評估了20種獨特的抗菌（jun1）肽（tài）設計，最終入（rù）選的這些“種子選展品製作手”來自9萬個序列庫。

其中使用的AI模型是專為抗藥細（xì）菌這類用（yòng）例所設計，結合了廣譜功（gōng）效和低毒控製（zhì）等要求，同時強調減緩耐（nài）藥性。這種方法帶來的解決方案不僅有助於對抗耐藥細菌，同（tóng）時也將最大限度降低（dī）有害副作用，展品製作並（bìng）防止目標產生更進一步（bù）的耐藥性。

該團隊針對各種革蘭氏陰性與陽性細菌進行（háng）了設計測試，最終確定了6種成功的候選（xuǎn）藥物，並通過小鼠（shǔ）模型和試管完成了（le）毒性篩（shāi）查。

AI驅動下（xià）的全新可能性（xìng）

Das博士對目前的成果深感欣慰展品製作，並表示其中體現了研究人員對下一（yī）代候（hòu）選藥物提出的種種特（tè）性期待。隨附插圖所（suǒ）示，為AI加速抗菌設計過（guò）程的規劃和預（yù）期持續（xù）時長。整（zhěng）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（qī）。

事實證明，利用AI展品製作（zuò）加速抗菌藥物研發足以改變（biàn）遊戲規則，大（dà）大降低（dī）研發周期和經費（fèi）投入。另外，AI模（mó）型也能幫助研究人員釋（shì）放精力，專注於研究最有希望的線索（suǒ）。最後，生成式AI還能幫助科學家設計出繼承現有藥物優勢，同時功能更獨特、功展品製作效更出色的創（chuàng）新化（huà）合物（wù）。

IBM的研（yán）究人員正利用生成式AI簡化新型抗菌藥（yào）物的開發，並（bìng）在AI的幫助下（xià）創建出MolFormer和MolGPT等高價值工具。這些工具可用於預測化學分子的特性，為（wéi）藥物發現、材料設計展（zhǎn）品（pǐn）製作等各類應用領（lǐng）域提（tí）供助力。

總結

如今，生成式（shì）AI已經在音樂（lè）、繪畫、醫（yī）療保健和製藥等各個領域引發（fā）關注，成為AI技術近期最激動人心的進步之一。盡管（guǎn）仍存在局限和挑戰，但AI確實展（zhǎn）現出顛（diān）覆各個領域的巨大潛力（lì）。

它能展品製作（zuò）夠迅速創（chuàng）造並測試出針（zhēn）對耐（nài）藥細菌和其他病原體的寶（bǎo）貴藥物，挽救更多病患於水火。

隨著近期OpenAI GPT-3測試的執以及穀歌和微軟的（de）相繼跟進，新一年內不僅AI產（chǎn）品將全麵爆發，又一輪突破也可能就此出現（xiàn）。融展品製作入市（shì）場的（de）有意義AI成果，整個人類的前途就越是煥發光彩。

尾注：

有人可能會質疑，本文並未提到AI在人臉識別方（fāng）麵的應用。請注意，人臉識別（bié）技術跟GPT模型屬於功能和實（shí）現（xiàn）方法都全然有別的獨立AI技術。IBM曾（céng）是展品製作人臉識別領域的（de）領導者，但考慮到由此引發的政治和隱私（sī）等問題，因此決定不再繼續探索這方麵課題。但是（shì），IBM仍（réng）然各級參與其他AI模式，例如語言處理、圖像識（shí）別、圖形分析（xī）、語音識別以及多模AI應用的各種組合（hé）。

這展品製作裏要具體介紹一下GPT-3發布（bù）後的市場（chǎng）反應。就目（mù）前的情況看，微軟的準備明確更（gèng）為充分，而穀歌似乎被打了個（gè）措手不及（jí）。微（wēi）軟已經規劃出如何將相關成果集成（chéng）到（dào）運營體係（xì）當中，所以有望（wàng）在市場（chǎng）上反超。之前兩家公司的搜索展品製作收入差距（jù）巨（jù）大，微（wēi）軟2022年搜索收入總計220億（yì）美（měi）元，而穀歌去（qù）年單第四季度的收（shōu）入就高達590億美元。考（kǎo）慮到GPT模型強大（dà）的搜索（suǒ）功能（néng），令穀歌的總收入直降三分之一也並非沒（méi）有（yǒu）可能。

DALL.E2是一種前沿深展品製作度學（xué）習模（mó）型，能（néng）夠根據自然語言輸入生成數字（zì）圖（tú）像，以OpenAI GPT-3的一（yī）個版本（běn）為基礎。