AI应用资讯

Meta的ESMFold蛋白质结构预测模型与DeepMind的AlphaFold2相比，速度快了近60倍，且不需显式同源序列作为输入，只需一个序列即可进行端到端预测。该模型由Meta AI资深研究科学家Alexander Rives主导，利用语言学习模型内部表征，已在GPU上实现了快速预测，并展示了在大规模蛋白质数据上的无监督表示学习潜力。ESMFold的出现标志着AI在生物学应用中的又一重大突破，缩短了蛋白质结构预测的时间，可能推动相关领域的产品开发和研究进程。

BioMedGPT-1.6B是一个专为生物医药领域设计的基础大模型，它展示了通用能力在药物性质预测、多模态任务中的应用。项目由清华大学AIR生命科学团队研发，尽管目前规模较小，但目标是成为该领域的基础模型。团队通过集成多个输入Encoder处理不同模态数据，增强了模型的融会贯通和知识学习能力，已经在下游任务中取得效果提升。虽然与ChatGPT相比还存在差距，但团队专注于服务科研人员，并对未来发展充满信心。

两位计算生物学家利用GPT-3人工智能算法帮助改进研究论文，助手在审稿过程中发现并纠正了错误，显著提高工作效率。ChatGPT因其通用性和在蛋白质生成和基因测序领域的前景引起了生物技术界的关注。然而，对其准确性、专业性以及潜在数据偏见等问题也引发了讨论，开发者正努力解决这些问题以确保其公正使用。极简版：计算生物学家利用AI提升研究论文质量，ChatGPT的应用引发生物科技界注意，但也面临准确性和数据偏见的挑战。Meta等公司正对聊天机器人进行专业培训以应对。

《理解未来》科学讲座中，加拿大专家唐建讨论了语言生成模型如ChatGPT在医药领域的应用前景，指出人工智能与生物医药的交叉领域已有进展。本次讲座主题为'AI for Science：一场科技革命'，强调AI将在传统领域带来变革和催生新产业，科研将从‘小农作坊’转变为‘安卓模式’，并倡导建设'社区'以促进AI与科学家合作。未来论坛的前瞻对话围绕AI在生物医药的影响、创新以及数据质量对AI的重要性展开讨论。