近日,浪潮信息元脑合作伙伴论坛——AI+生命医疗行业研讨会在北京成功举行,浪潮信息与元脑生态合作伙伴,围绕AIGC(生成式AI)等创新技术如何在生命科学及医疗行业落地,赋能医疗生命行业变革等产业热点展开专题研讨。
会上,浪潮信息与德锐特科技、赛乐基因、荣联科技、北京传奇达成元脑伙伴战略签约合作。基于元脑生态,在生命科学及医疗行业的场景化落地案例开展深度合作,共同推动计算机辅助药物设计(CADD)、AI辅助药物设计(AIDD)、基因测序、分子诊断等多个场景的产品方案联合创新,共同助力生命科学及医疗机构的数智化升级。
以大模型为代表的生成式AI技术已经深入到新药研发、基因分析、辅助诊疗等生命科学及医疗产业的各个环节,对行业发展产生颠覆式变革,并带来AI产业化发展的广阔机遇。以新药研发为例,AIGC可以通过复杂的科学数据重新提取,帮助人们发现底层规律,在新药研发中发挥价值,进而破解传统药物研发的费用高、成功率低、研发周期长等产业难题。面对新一轮AIGC产业革命浪潮,生命科学及医疗企业希望把握住产业智能化机遇,加速商业价值释放。
德锐特成像技术联席CEO梅晔指出:“SBDD通过对靶点结构的认识,有效降低药物发现和药物设计过程中要探索的化学空间范围,从而加速新药发现,降低药物研发的成本,而基于AI的分子设计使得化学空间快速增长,这不仅需要相应软件与算法,也需要强劲的算力平台作为保障,从而让AI技术能够匹配行业场景,实现商业化落地。”
赛乐基因张继翔表示:“随着基因测序成本大幅下降,测序样本数据量大、测序数据分析计算量大等问题凸显,基因变异检测分析效率低、开源软件缺乏支持等痛点成为传统基因测序方案的主要挑战。”
要推动AI在生命科学及医疗行业的产业化发展,生态是尤为重要的一环。强大的生态平台能够基于场景化需求,聚合各方的优势资源,实现算力、算法等层面的整合,从而解决AI技术应用所面临的技术、市场等挑战。在生态的助力下,企业能够推动标准化产品开发和测试,并通过市场验证落地场景,以及模式复制与行业推广,从而释放产业潜能价值。
荣联科技集团云生数据总经理李明壮指出:“生态是化解分子诊断领域数据整合难、分析标准不统一、数据关系复杂等挑战的重要依托,只有聚合数据源、数据分析平台、算力平台等生态资源,才能一站式解决数据存储、分析计算、数据管理、质量管理、解读报告、共享协作、精细诊疗和科学研究相关的各项难题,实现精细管理、高效协作、深化科研、精准诊疗。 ”
基于强大的AIGC全栈服务能力,助力生态合作伙伴实现产业普惠。面向不同用户、场景的发展特点和优势,优化布局,将左右手伙伴的价值最大化,进而实现整体产业生态的优化升级。
浪潮信息渠道推进部副总经理张柯表示:“在人工智能赋能生命医疗高质量发展的道路上,浪潮信息将携手元脑生态伙伴积极探索算力、算法、数据等核心驱动力在人工智能生命医疗领域更加场景化、专业化的应用,助力健康中国、数字中国两大国家战略的落地。”
截至2022年底,浪潮信息生态伙伴数量已达至20000家,其中元脑生态伙伴4000余家,整合元脑AI解决方案200多个。未来,面向“百模大战”的新型产业变革,浪潮信息元脑生态也将持续进化,全面拥抱大模型时代,通过场景洞察、训推一体化方案,面向伙伴提供免费的高质量数据集、市场基金等支持政策,助力大模型等算法伙伴商业化的最后一公里落地,为生命科学以及医疗行业等传统行业的智能化转型保驾护航。
好文章,需要你的鼓励
初创公司Positron获得5160万美元A轮融资,推出专门针对AI推理的Atlas芯片。该公司声称其芯片在性能功耗比和成本效益方面比英伟达H100高出2-5倍,并已获得Cloudflare等企业客户采用。Positron专注于内存优化设计,无需液体冷却,可直接部署在现有数据中心。公司计划2026年推出支持16万亿参数模型的下一代Titan平台。
这项由Midjourney团队主导的研究解决了AI创意写作中的关键问题:如何让AI既能写出高质量内容,又能保持创作的多样性和趣味性。通过引入"偏差度"概念和开发DDPO、DORPO两种新训练方法,他们成功让AI学会从那些被传统方法忽视的优秀独特样本中汲取创意灵感,最终训练出的模型在保持顶级质量的同时,创作多样性接近人类水平,为AI创意写作开辟了新方向。
忽视智能体AI的潜力,特别是其对现代化数据基础设施的需求,面临着与忽视互联网的零售商相同的生存风险。关键不在于是否投资,而在于如何确保投资转化为可衡量的现实收益。企业需要超越AI试验阶段,明确业务目标,从治理开始构建ROI模型。成功的组织在整个技术栈中嵌入智能体,从面向客户的应用到内部治理系统。通过强化数据治理、减少重复工具和统一平台,AI的ROI将从理论变为现实。
上海AI实验室联合多所高校开发出VisualPRM系统,这是首个专门用于多模态推理的过程奖励模型。该系统能像老师批改作业一样逐步检查AI的推理过程,显著提升了AI在视觉推理任务上的表现。研究团队构建了包含40万样本的训练数据集和专门的评估基准,实现了在七个推理基准上的全面性能提升,即使是最先进的大型模型也获得了5.9个百分点的改进。