Nvidia近日透露了它是如何利用AI模型来应对制药和零售行业面临的一些最紧迫的挑战——从发现新蛋白质到寻找更好的防盗方法。
Nvidia与Evozyne的合作尤其令人印象深刻,双方有望提供一种加速药物发现和解决其他问题的新方法。Nvidia在近日发布的一份联合文件中,描述了它是如何与Evozyne展开合作,创造出两种在医疗和清洁能源方面具有巨大潜力的蛋白质。
这些蛋白质是使用Nvidia的预训练的AI模型创建出来的。ProtT5是一种转换器模型,可在Nvidia的BioNeMo软件框架中使用,用于创建医疗AI模型。
Evozyne公司联合创始人Andrew Ferguson,同时也是一位致力于化学和机器学习交叉领域的分子工程师,他说:“BioNeMo确实为我们提供了支持模型训练所需的一切,然后以非常低廉的成本使用模型运行各种作业,让我们可以在短短几秒钟内生成数百万个序列。”
ProtT5 AI模型可以读取数百万种蛋白质中发现的氨基酸序列,然后使用神经网络所用的相同技术来理解文本,了解蛋白质在自然界中是如何构成的。之后,研究人员使用ProtT5来预测创建适合Evozyne公司解决问题的全新蛋白质方法。
其中开发的一种蛋白质可以用于治疗先天性疾病,而另一种蛋白质则用于消耗二氧化碳以减少全球变暖。Ferguson表示:“即使在第一轮中,AI模型也产生了与天然存在的蛋白质一样好的合成蛋白质,这个结果真是令人鼓舞,展现了这种模型是如何正确学习大自然的设计规则的。”
设计新蛋白质的传统方法,是使用一种称为定向进化的技术,这是一种缓慢的、漫无目的的方法,每分钟只能改变序列中的几个氨基酸。Evozyne公司表示,机器学习可以加速这个过程来指引数量庞大的潜在蛋白质序列。
Ferguson补充说:“我们正在取得巨大的进步,这使我们能够探索以前从未见过的、具有新功能和有用功能的蛋白质,这项技术让我们能够做10年前根本无法做到的事情。”
Evozyne公司表示,他们计划使用ProtT5开发多种新蛋白质,帮助治疗多种不同疾病和应对气候变化的。而且,AI加速蛋白质工程的前景是非常广阔的。“这个领域的发展速度快得令人难以置信,我很期待看到接下来会发生什么。”
AI防盗
Nvidia在防止零售盗窃方面的工作,涉及到打造三个独立的“零售AI工作流程”。
这些工作流是建立在Nvidia低代码AI应用构建平台Metropolis Microservices之上的,可以用于为零售商创建新型“防损”应用,因为该平台使用了3000万张零售业最常被盗产品的图像进行了预训练,而且还配备了软件使其能够轻松地集成商店内的POS机和对象跟踪软件。
Nvidia表示,他们正在努力解决零售业中一个价值1000亿美元的问题,也就是防损,这里的损是指因盗窃、损坏和错放造成的商品损失。Nvidia表示,估计有65%的损失是盗窃造成的。 更重要的是,据说盗窃事件正在增加,与食品和其他必需品成本上涨趋势是一致的。
Loss Prevention Research Council主任Read Hayes表示:“宏观环境导致零售盗窃正在逐步增加,并有可能使整个行业不堪重负,企业现在面临这样一个现实,即对防损解决方案的投资已经成为一项关键要求。”
Nvidia AI Enterprise软件套件中包括了一个Retail Loss Prevention工作流程,可以识别数百种经常因盗窃而丢失的不同产品,包括肉类、酒精和洗衣粉,同时支持Nvidia Research开发的“小样本学习技术”,可以与主动学习相结合,识别和捕获客户和销售助理在结账时扫描的新产品,并随着时间的推移提高模型的准确性。
其他还包括Multi-Camera Tracking工作流程,可用于创建系统用于跨多个商店追踪单个商品。该系统可以跟踪商店中出售的每一件商品,为每件商品维护一个唯一的ID,以最大限度地降低商品在未付款的情况下从货架上消失的风险。最后,还有一个Retail Store Analytics工作流程,是依靠计算机视觉来生成分析结果,例如商店客流量趋势、顾客数量、过道占用率和其他基本指标。
Nvidia表示,这些工作流程的美妙之处在于,开发人员可以轻松地为不同的零售店定制这些流程。零售情报公司Radius.AI首席技术官Bobby Chowdary表示:“Nvidia基于Metropolis Microservices的新零售AI工作流程让我们能够定制我们自己的产品,快速扩展以更好地满足我们不断增长的客户需求,并继续推动零售领域的创新。”
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。