王欢:大模型啃完人类知识存量,下一步如何闯进真实世界?

资讯 钛媒体 全文 7043 字 · 约 18 分钟读完 配图 4 张 分类大模型

AI能不能不只“掌握已有知识”,而是进入真实世界,创造新知识?

所属频道 模型发布

论文、书籍、互联网信息,人类产出的这些内容正被大模型越学越多。一个问题也随之变得尖锐:AI能否走出“掌握已有知识”的范围,进入真实世界去创造新知识?

霞光社 X-Hub 旗下 Y-Talk 是一档面向新一代行业决策者的直播栏目,近期它对话了清析智研联合创始人、首席科学家王欢,上述问题正是讨论的核心。王欢为清华大学工学博士、全球前2%科学家,长期关注多模态大模型、复杂科学系统智能化与AI赋能材料研发。

“在我们看来,AI for Science(下称AI4S)接下来的突破会出现在物理世界。以 AI 原生科学设备作入口,从真实物理实验的结果里不断学习,再去创造新材料、新物质,这是 AI4S 最关键的突破方向。”

——王欢,清析智研联合创始人、首席科学家

在王欢看来,大模型如今的能力都来自数字空间或者说虚拟空间,其最主要的能力,是AI已经充分掌握了人类已有的知识。“但“已有”恰恰也是边界:"对于人类还没有总结、还没有发现的领域,大模型还有很长的路要走。而AI4S恰恰是一个需要创造新知识、新领域的学科。"

王欢:大模型啃完人类知识存量,下一步如何闯进真实世界?(配图 1)

图片源自清析智研

下一次Scaling怎么搬到物理世界?王欢给出的路径是:让模型一步步接入科研仪器、实验与产线设备,同时推动科学仪器向 AI 原生设备演进,使这些设备在实验和生产过程中不断拿到真实反馈、产出新数据。

王欢:大模型啃完人类知识存量,下一步如何闯进真实世界?(配图 2)

图片源自清析智研

整场对话下来,王欢给出了5个核心判断。

  • 其一,AI4S的下一次Scaling,在于构建模型、AI 原生仪器、AI 原生实验室与产线协同运行的物理闭环。

  • 其二,它的稀缺资产是持续产生新数据的能力。仪器与设备,正好构成 AI 理解物理世界的感官与双手。

  • 第三,科学探索能走多远,将由模型能力划界;AI 能感知什么、能动手做什么,则靠科学仪器往外扩;真实实验形成闭环,高质量数据源源不断产出,模型和实验策略就这样一起往前走。

  • 其四,未来谁能在物理世界连接更多入口,以更低成本、更高通量完成“假设—实验—验证—学习”闭环,谁就能更快把未知转化为知识,再把知识转化为产业价值。

  • 其五,AI4S的终局竞争,就是在物理世界中规模化创造新知识的能力。

以下为王欢与Y-Talk及直播间观众们的问答梳理,经编辑整理:

注:为把嘉宾和企业的深度内容尽量挖全,也让参与者不止停留在听观点、还能拿到一线经验,Y-Talk 每期分享结束后都设观众 Q&A 环节,让不同视角的提问都有机会得到回应,到场的人也更有收获。

Y-Talk:科研与创业,很多人会觉得这是两条完全不同的职业路径——前者追求科学问题的突破,后者追求商业价值的实现。你从科研领域走出来创业,是什么让你最终决定投身创业浪潮的?

王欢:过去科研和创业确实是两种完全不一样的职业路径,但近几年发展下来,两者逐步有了共识,或者说最终都走向了同一条路。原因在哪?移动互联网时代,创业更多是渠道、流程上的变革,加速整个社会运作的效率。

近几年,创业环境或者方向逐渐转变成硬科技的创业,慢慢地演变成科学家的创业。这里面面临的事情都是一致的:越来越多的科学家投身创业,同时也不会妨碍他进一步去探索新的科学问题的突破。从科学的探索到创业的价值实现,走向了同一条路。

当然,两边想问题的方式差得很远。在高校,我们带团队、做管理,核心是让科学目标落地、让科学价值实现;到了公司,更多是想办法把开创出来的科学技术和科学能力,变成能商业化的产品或者解决方案。我觉得创业这件事现在慢慢变成这样:既可以去想怎么探索、怎么实现新的科学问题,也可以去想这些科学问题怎么转化成真正能提升整个社会、整个行业效率与价值的东西——这一块给我个人带来的价值感非常大。

Y-Talk:过去两年,AI 在编程、内容生成这些领域已经表现出很强的能力,可 AI4S 看上去还处在产业爆发的早期。你怎么看 AI4S 真正的突破口?这个突破过程又会让未来的科研范式发生哪些变化?

王欢:今年 AI 的突破确实有很大进展。前几年 AI 更多停留在对话文本这一层,今年不管是编程、内容生成还是视频生成,乃至下游应用,都已经展现出相当颠覆性的能力和效果。

单说 Science,AI 现在的能力还是有限的,核心问题在于:编程、内容生成、视频这些领域,模型已经把数字空间里的知识和能力慢慢学完、总结完了,所以能表现出高度智能。在 Science 这边,偏虚拟空间的部分——比如帮忙写论文、润色论文、找资料——AI 已经做得非常好。可越往实际的物理世界走,比如帮着发现新材料、做实验制备、探索新物质,这一块还处在偏早期。

说到突破口在哪,我个人认为还是在高价值数据的积累和高价值底层数据的构建上。这一波 AI 浪潮,核心取决于数据层面的爆发。过去几十年,互联网时代、移动互联网时代攒下了大量由人类创造的文本、视频和代码,模型能力的大幅飞跃正是建立在这些数据之上。

王欢判断,AI4S 接下来要出成果,靠的还是人在科学领域攒下的高质量数据与实践。人类把对物理世界摸索出的经验和发现,转成模型能读懂、能学会的形式,再让模型一步步介入科研流程,才可能形成真正的突破口,把研究节奏提上来。

科研效率能提到多高?他给出的设想是:先有一个「AI Scientist」的大脑,可能以某一个大模型作核心,依据当下的现象和情况,把下一步的实验方案、优化方案、工艺制备方案定出来;再交给物理世界 AI 配合自主实验室去执行。自主实验室可以理解为面向科学场景、实验室场景的「自动驾驶」方案,按大模型给出的方案和细节,自动完成实验、表征分析和优化,最终串成一套全自动、无人的实验室。

王欢:大模型啃完人类知识存量,下一步如何闯进真实世界?(配图 3)

上图是清析智研 AI 模式的四大产品线。

在他看来,未来的科研范式会越来越像今天的半导体工业:生产制造高度集成、高度自动化。人更多是提更 high level 维度的需求,剩下的交给模型、物理世界 AI 和设备自动完成。

Y-Talk:刚才的演讲里,你提到清析智研提出了 AI Science Superfactory(AI 超级研发工厂)这个概念,想把科学模型、智能仪器、自动化实验和产业研发连接起来。愿景听起来很宏大,落地起来肯定有挑战。当前最大的技术瓶颈和商业化障碍是什么?

王欢:AI 超级研发工厂这个概念,来自我们在设备仪器、AI、材料化工、研发以及工业化场景等方面的积累。基于此前在科学仪器和产业端的积累,我们觉得 AI4S 或者 AI for 材料这个领域,最终还是要打造一个闭环的研发框架和架构,把从计算化学、制备工艺、工艺优化到最终量产串联起来,才能打通产业链,实现快速的、新材料新工艺的产出和知识的产出。

王欢:大模型啃完人类知识存量,下一步如何闯进真实世界?(配图 4)

上图是清析智研提出的 AI Super Factory 概念。

我们的切入点比较特殊,是围绕仪器智能,或者说自动化实验室的构建和改造,来逐步搭建流程。创始人在半导体产业和产业端有经验,基于这些经验,我们认为现在实验室的自动化水平、仪器设备的自动化水平,远远低于工业端或产业端。

所以构建超级研发工厂,第一步要从仪器设备端、实验室端入手,打造 AI-native 的实验室和仪器,构建 AI 原生科学仪器与实验室解决方案;在这个解决方案之上,再构建全流程 AI 赋能的软件层面方案——不管是科学计算还是实验工艺优化——才能实现 AI 超级研发工厂的构建。这是我们的切入点,也是我们的优势。

卡点有两处。头一处,科研场景里的AI原生仪器该怎么定义、怎么理解,目前还没想透;另一处,半导体等产业端攒下的经验和行业know-how,怎样拿来改造眼下的科学仪器与实验室,这些都得去摸索、去试。

商业化也分层次。眼下AI更多充当工具,用来给研发提速——算得更快、实验方案出得更快、表征分析也更快,围绕AI搭出方案,帮客户解决研发中卡住的问题,这就是第一层商业模式:卖技术服务方案,比如替产业客户、高校客户处理工艺或计算上的难题。

往上再走一层,就得想AI原生仪器、AI自主实验室的事:怎么做出成套设备与能力,把整个Science的流程、实验室的架构范式翻新一遍。

再往上,是AI超级研发工厂最终要兑现的价值——自有材料IP会一点点攒到自己手里,最后具备批量产出新材料、新配方、新物质的本事。

每一层都有商业化的坎。第一层,难在自有平台和模型的泛化性、解决问题的能力怎么提上去。设备这一环,则是实验室设备的范式与架构怎么改,让用户看得懂、愿意接——眼下实验设备和实验室布置是离散的、分散的,说白了就是「手工作坊」,要把它做成高度集成自动化的实验室方案。

再往上,做出新材料、新配方的价值,达到这一层级,基本商业化是没有什么障碍的。

Y-Talk:AI4S这条赛道本身就是全球在争,顶尖科研机构、科技公司、创业团队都在下注,新闻天天一大堆。中国AI4S产业放在全球竞争里,位置该怎么看?

王欢:中国AI4S产业在全球这一块,我个人的感觉是跟美国差距不算特别大。美国那几家创业公司融资额度比国内同行高出一大截,可我们现在做成的某些事,并不比他们眼下做的差。

另外,在国内做AI4S有个很大的优势:路子怎么走,最后都得接上产业端、工业端,光做科研、没有落地场景不行。材料、化工、生物、医药这些领域,国内工业底子非常厚,围着这个底子去做前沿研发和探索,土壤和基础都很好,能撑起AI能力建设。我个人看,中国在整个AI4S领域的全球竞争位置是比较靠前的,甚至能算Top级别。

观众:在商业模式探索上,AI4S 公司是应该只做 AI 研发干湿流程,还是应该继续深入参与到产业端,亲自下场运作?

王欢:在商业化这一块,对于材料领域,我个人觉得应该要深入产业端,能够将研究进行产业化,但不一定要亲自下场做产业化的运作。

材料这行,就算实验室里做出了新东西,走到小试、中试、量产还有很大的壁垒,一堆问题得解决。解决不了,就只能停在实验室,做出的新材料或新知识也就没有价值。

观众:现在,AI4S 目前企业整体收入规模都不大,这个行业的商业化还有什么障碍?

王欢:现在整体收入规模都不大,主要还是因为AI4S公司都还在早期,商业化上大多停在刚才说的三个层级里的第一层——给高校客户或产业端客户提供解决方案、满足技术服务类需求,收入规模和增长趋势都不会有太大起色。

从最开始提供基础的技术服务,到最终新材料、新物质的发现和产生,未来 AI4S 公司的收入规模会慢慢有一个指数级的增长和爆发。

观众问的是,AI4S企业往后是走垂类路线,还是能快速把能力泛化到不同垂类行业,垂类之间的泛化又难在哪。

王欢的回答是,快速垂类泛化这件事,核心还是看模型的泛化能力。眼下模型本身的能力、数据积累带来的泛化能力都还有限,所以现在做材料体系,会先盯住大类材料体系,像金属材料体系、电池材料体系,或者有机无机材料体系,先在材料体系内部做泛化,尽快拿到大量有价值的新材料 IP 或新能力。等数据和能力慢慢攒起来,他期待能做到全行业泛化,到那时候,模型上、研究范式上的变革能力才能真正充分展现出来。

有人问,干湿闭环实验室在AI4S里到底起什么作用。

王欢说,现在做AI4S的都在强调干湿闭环,强调让 AI 深入到物理世界,可他觉得还有个问题没解决:怎么让干湿闭环快速跑起来,尽量少让人插手,把实验效率提上去,这是要想的。既要站在AI的角度想怎么把AI更好地用到各个行业的干湿闭环里,也要想怎么去构建更 AI 原生的科学仪器或实验室。在他看来,未来干湿闭环的实验室里,AI 肯定是一个非常核心的中枢,只有 AI 才能把整个实验、整个范式跑起来。

他拿工业举例,是因为工业端已经形成了高度集成化、自动化的生产和制造方案。但实验室、科研这块没法像工业那样直接搭出非常标准化的流程,工业每一个节拍、每一道工序都是固定的,可以据此高度集成地构建自动化闭环;Science 这边其实是离散的,可以类比成柔性的,这个柔性过程中更需要AI来参与各个环节的决策。

观众问,纯AI团队在AI4S领域有没有优势,AI4S要形成有效的闭环迭代,是不是最好有产业需求方深度参与。

王欢的判断很直接:纯AI背景的团队做不了AI4S这条赛道。原因是纯AI团队理解不了材料领域、生物医药领域的行业know-how,也摸不清行业真正关心、需要解决的问题。如果只从模型角度、从AI 角度想办法去解决,往往可能得不偿失,费了很大劲,并没解决到用户的痛点。下面那个问题他也一并答了——AI4S要形成闭环,肯定需要产业方、需求方的深度参与,这个是必须的。

观众接着问,目前AI4S的效率提升和客户续费意愿是什么情况。

王欢说这个得 case by case,不同需求、不同场景里,AI解决问题的能力还是不一样的。在 some AI 能解决得非常好、平台也能解决得非常好的场景下,客户的付费意愿或续费意愿还是挺强的,当然这也要看他们能不能持续做能力迭代。

观众问,如果 AI 能完成部分科学发现,科学家的核心价值会发生什么变化,未来的科研人员又需要哪些新能力。

王欢拿 Coding 做类比:AI现在基本上已经能帮人类完成百分之七八十的 Coding工作量,有些时候甚至更多。对编程人员、IT 技术人员来说,大家更多的要求是他有非常充分的经验,能理解 AI 在做什么,能管控好 AI,这是非常需要的能力。放到科学发现这块,未来两三年模型在 Science 领域出现一些突破之后,对科学家核心价值的要求,就是如何从更 high level 的角度去思考:该构建什么样的科学任务、需求是什么,并管控好科学 AI 所执行的各个步骤和产出。

观众问,AI计算端生成数据,跟干实验、湿实验数据的真实数据反馈闭环,目前哪个更重要;干湿实验反馈相对缓慢,前端数据生成端相对更快,两者的gap怎么解决。

王欢先区分了两类数据在获取上的差别:干实验靠理论计算,很快就能产出海量数据,可这些算出来的数据和实验得到的真实数据之间差得很远;湿实验数据得在实验室里制备,价值高,产出速度却慢得多。在他看来,湿实验的数据——真实的制备数据、表征数据——分量要重得多,远非干实验数据可比。道理在于,干实验也好、理论计算也罢,最后都得拿实验去验证,才能说明理论计算站得住脚;只拿理论计算数据训出来的模型,价值没法保证,终究还是要靠真实实验数据去优化、去迭代。

观众问,怎么看部分AI4M(M即Materials,材料)的公司亲自下场做材料。

王欢说,就像他前面讲的那样,AI for材料这个场景最后释放出来的价值,一定是新材料、新分子或者新的高价值配方;从价值示范看,最有价值的最终产出也还是新材料。特别是AI4S这个行业,大家一直在问,到底谁能跑出百亿甚至千亿估值的公司;放到材料领域,真能握住几个高价值的材料IP,光一个材料IP就可能撑起一家新的百亿价值公司。AI for材料的公司必须自己下场干,至于做材料的是不是AI4S的公司主体,那属于商业架构层面的考虑。

观众问,AI4S会是几家巨头垄断大部分行业,还是各自垂类行业都会有细分巨头。

王欢认为,AI4S或者AI for 材料这个领域非常大,大到可以容纳非常多家的百亿估值公司。为什么?材料领域本身就是一个非常大的市场,是数万亿级别的市场,而且在材料领域也没有形成非常大的巨头能够把所有材料都垄断。所以他个人觉得,未来还是多家百亿估值公司共同存在的状态。

Y-Talk 主张「正经行业,歪着看」,节目最后也请王欢用「歪着看」的方式,给屏幕前那些正在犹豫要不要下场创业的年轻人一句建议。

王欢说,要不要创业这个事,他觉得是机缘巧合,或者说时机成熟了自然而然的事情,因为创业讲求一个天时地利人和。大家了解过整个行业的发展、创业、一级市场的变化就能发现,每个时期一级市场关注的领域、行业都不一样,之前可能更多关注 AI 改造组织架构、加速效率,最近可能更多关注硬科技的各个行业。所以要不要创业,还是要符合整个行业大的趋势。

在决定是否下场之前,先得想清楚自己手里的技术和能力,跟行业的大趋势、变化方向是否对得上。这件事要往未来几年甚至十年的尺度去看,不能马虎。团队行不行、过去攒下的能力、经验和资源够不够,同样得摆到桌面上掂量。王欢的建议是,准备做足、想透,再去下这个决心。

他自己有过一段经历。2016 年本科毕业那会儿正赶上“大众创新、万众创业”,王欢也试着创过业,做下来发现还是有些地方不成熟,于是回去接着读硕、读博,继续深造。到眼下这个时间点,他觉得时机成熟了,才出来做现在这件事。所以他给的建议是:一头看行业发展的大方向,一头想清楚自己对职业和未来发展的准备,对待创业这件事要谨慎。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关 AI 工具

AI 导航
腾讯混元大模型 腾讯混元大模型由腾讯全链路自研,在文本和多模态模型性能方面表现卓越,处于业界领先水平。其混元 API 整合了… 大模型与开发平台 · tencent.com 快手可图大模型Kolors 可图大模型(Kolors)是快手大模型团队自研打造的文生图AI大模型,能够根据用户的文字输入生成风格多样、画… AI 绘画生图 · kuaishou.com 盘古大模型 华为盘古ai大模型官网入口,1100亿密集参数,40TB海量数据精细训练而成 简介 盘古NLP大模型是一项基… 大模型与开发平台 · huaweicloud.com BlueLM蓝心大模型 蓝心大模型官网,vivolm,vivo自研的通用大模型 简介 蓝心大模型(BlueLM ),强大的语言理解能… 聊天对话 · vivo.com 云知声山海大模型 云知声山海大模型是一个多功能、跨领域的智能大模型,它通过集成丰富的知识库和先进的自然语言处理技术,为用户提供… 大模型与开发平台 · unisound.com 子曰” 大模型 子曰是网易有道推出的教育领域垂直大模型,包含基于子曰大模型研发的六大创新应用——“LLM翻译”、“虚拟人口语… 聊天对话 · youdao.com 曹植大模型 曹植大语言模型是国内首个垂直行业专用的自主可控的国产GPT大语言模型,由达观数据研发。这个模型可以准确完成多… 聊天对话 · datagrand.com 西湖大模型 西湖大模型官网,智商情商俱佳的多模态大模型 简介 西湖大模型是西湖心辰开发的多模态大模型,西湖大模型既具备通… 聊天对话 · xinchenai.com

相关推荐 按相关度与热度排序

全部资讯 →
  1. 姚顺雨回清华姚班:大模型不拼指标赛马,RSI如何落到工程?

    11 月 18 日晚,腾讯首席 AI 科学家、混元大模型负责人姚顺雨回到母校清华大学交叉信息研究院(姚班),与本科同窗、清华交叉信息院助理教授吕凯风做了一场近距离的闭门问答交流。 作为姚班 2015 级校友与普林斯顿博士,姚顺雨曾参与提出将推理与行动结合的 ReAct 范式,是代码 Agent 评测基准 SWE-ben

    来源 AI 行业观察
  2. 200万个追踪标记潜入AI供应链,数据托管私密性被证伪

    一项巧妙的隐私实验揭开了AI供应链的隐秘角落。研究人员将约200万个带有唯一标记的“金丝雀”秘密植入提示词与数据流中,结果这些本应保持私密的追踪信息出现在大模型生态的多个环节。实验证明,用户数据在AI供应链中并不会真正保持私密,泄露的范围与深度远超想象。

    来源 AI 科技快讯
  3. DeepSeek调整API计费:搜索与网页抓取不再单收费,只按Token算

    11月18日12:00起,DeepSeek正式实施全新API计费规则,开发者在调用大模型过程中触发的服务端搜索与网页抓取功能不再单独收费,全面转为仅按模型Token用量计费。这一调整进一步简化了大模型的商业化计费链路,直接降低了开发者构建联网AI应用的综合成本。 根据DeepSeek官方披露的规则,

    来源 AI 开发者社区
  4. OpenAI自曝递归自我提升,智能体指数级爆发,人类已成瓶颈

    OpenAI毫无征兆地宣布:「递归自我提升」(RSI,Recursive Self-Improvement)的齿轮,已经正式开始转动。 通俗来说,OpenAI亲口作证:AI开始研发AI了! 长久以来,人们都在猜测超级人工智能(ASI)会在哪一天降临。大家盯着大模型的跑分,盯着参数量的飙升。 但OpenAI明确告诉你:通

    来源 AI 行业观察
  5. 200万金丝雀潜入AI供应链:数据托管不等于隐私安全

    一项巧妙的隐私实验揭开了AI供应链的隐秘角落。研究人员将约200万个带有唯一标记的“金丝雀”秘密植入提示词与数据流中,结果这些本应保持私密的追踪信息出现在大模型生态的多个环节。实验证明,用户数据在AI供应链中并不会真正保持私密,泄露的范围与深度远超想象。

    来源 AI 行业观察
  6. 国产大模型接连限额:算力都去哪了?

    ► 文 观察者网心智观察所 2026年11月16日,不少用户在打开DeepSeek客户端或网页版时,意外收到了一条弹窗提示。系统告知用户,受算力约束,平台不再支持存续超过7天且无活跃交互的长对话,单次输入文字上限被缩短到约4万字,连续使用不到2小时的免费用户甚至会直接触发每日使用额度上限。无独有偶,就在20天前的10月

    来源 腾讯网
  7. 港中深与微软研究院推ConvexLLM:语音免转写直连大模型

    在语音与多模态人工智能的演进中,如何让大模型更自然、更直接地“听懂”声音并完成复杂推理,一直是业界探索的核心方向。近期,香港中文大学(深圳)与微软研究院联合提出了名为 ConvexLLM 的多模态统一建模新架构,为语音与语言的融合提供了全新的技术思路。 核心创新:C-Gate 架构与“凸包映射”原理

    来源 AI 开发者社区
  8. 阿里夏温武AICon北京演讲:TaoDesign如何把设计资产变成Agent知识

    当 Agent 真正进入企业流程,哪些工作可以交给 AI ?50 + 实战案例揭晓答案! AI 正在从回答问题的辅助工具,走向理解目标、调用系统、完成任务的工作承担者。当 Agent 真正进入企业流程,问题不再是 “如何把 AI 做出来”,而是哪些工作可以交给 AI、结果如何验收、权限、成本与风险如何收住。随着大模型向

    来源 AI 行业观察
  9. 火山引擎刘智恒:Agent进企业,缺的不是模型是上下文

    当 Agent 真正进入企业流程,哪些工作可以交给 AI ?50 + 实战案例揭晓答案! AI 正在从回答问题的辅助工具,走向理解目标、调用系统、完成任务的工作承担者。当 Agent 真正进入企业流程,问题不再是 “如何把 AI 做出来”,而是哪些工作可以交给 AI、结果如何验收、权限、成本与风险如何收住。随着大模型向

    来源 AI 行业观察
  10. 十余家浙股借道16.5亿基金入股DeepSeek,横店柏晖LP阵容浮现

    总规模16.5亿元的横店柏晖私募基金,背后汇集了十余家上市公司,其中绝大多数来自浙江。随着横店柏晖出现在DeepSeek新一轮融资的持股平台杭州程砚合伙人名单中,传化智联、雅戈尔、老板电器等浙股也间接入局。相关企业看重产业协同,希望借助大模型推动物流、化工、制造等产业智能化转型。

    来源 华尔街见闻
  11. 120分钟,姚顺雨携团队回答关于混元的“任何问题”

    图:腾讯首席AI科学家、混元大模型负责人姚顺雨文|晓静编辑|徐青阳11月21日凌晨,腾讯首席AI科学家、混元大模型负责人姚顺雨和团队成员,在Reddit进行了一场持续120分钟的AMA,回答全球开发者关于混元的“任何问题”。AMA是Ask Me Anything的缩写,意思是“问我任何事”。这是Reddit上很受欢迎的

    来源 腾讯网
  12. LLM推理中持续进化:仅前向传播实现下游任务自适应

    随着人工智能(AI)系统的大规模部署,AI 服务正成为能源消耗增长的关键驱动因素,尤其是在大型语言模型(LLM)推理服务方面。LLM 服务过程中,基于真实用户交互生成的大规模 LLM 推理促使我们重新思考如何利用推理过程本身来改进服务系统,特别是实现高效的特定任务 LLM 自适应。主流的 LLM 自适应方法基于调优技术

    来源 腾讯网
  13. TML开源新模型,循环Transformer架构,笔记本就能跑

    编辑|Panda昨晚,黎曼猜想的一份 AI 证明声明,把大模型的推理能力再次推到聚光灯下。Anthropic 数学家 Levent Alpöge 宣称,自己与 Claude 合作找到了证明,并公布了形式化材料。虽然这项声明仍待独立核验,但已经让人们重新追问:AI 究竟能完成多复杂的工作?而刚刚,Thinking Mac

    来源 腾讯网
  14. Metric AI开源亚美尼亚语模型Ayb 0.5:90亿参数跻身前三

    Metric AI团队推出了Ayb 0.5系列开源语言模型,包含0.8B、4B和9B三个版本。该系列基于Qwen3.5架构,针对亚美尼亚语进行了深度适配,在ArmBench基准测试中表现优异,甚至超越了部分参数量更大的模型。Ayb 0.5不仅支持文本生成和指令遵循,还保留了完整的视觉语言能力,能够用亚美尼亚语描述图片。

    来源 AI 应用前沿
向下滚动自动加载更多