大模型学完人类知识后转向物理世界:清析智研王欢谈AI4S突破口

资讯 AI 行业观察 作者:霞光AI实验室 全文 7068 字 · 约 18 分钟读完 配图 5 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

(本文作者为 霞光AI实验室,钛媒体经授权发布)

论文、书籍、互联网信息,大模型已经学得越来越多。一个更尖锐的问题随之出现:AI能不能跳出“掌握已有知识”这一步,进入真实世界去创造新知识?

围绕这个问题,霞光社 X-Hub 旗下的 Y-Talk 栏目(面向新一代行业决策者的一档直播节目)最近请来了清析智研联合创始人、首席科学家王欢做交流。王欢拥有清华大学工学博士学位,也是全球前2%科学家,多模态大模型、复杂科学系统智能化以及AI赋能材料研发是他长期钻研的方向。

在霞光AI实验室看来,AI for Science(以下简称AI4S)的下一次突破将发生在物理世界。入口是 AI 原生科学设备,从真实物理实验结果中持续学习,进而创造新材料、新物质,这是 AI4S 最核心的突破方向。

——王欢,清析智研联合创始人、首席科学家

在王欢看来,大模型眼下具备的能力,都来自数字空间或者说虚拟空间,其核心本事,是AI已经把人类已有的知识充分掌握。可“已有”本身也是一道界限。他表示:“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。”

大模型学完人类知识后转向物理世界:清析智研王欢谈AI4S突破口(配图 1)

图片源自清析智研

下一次Scaling怎么迁移到物理世界?王欢给出的路径是把模型逐步接入科研仪器、实验与产线设备,并推动科学仪器向 AI 原生设备演进,让仪器在实验与生产过程中持续拿到真实反馈、产生新数据。

大模型学完人类知识后转向物理世界:清析智研王欢谈AI4S突破口(配图 2)

图片源自清析智研

整场下来,王欢给出了5个核心判断:

  • 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,是AI4S下一次Scaling的着力点。

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

  • 科学探索能走多远,取决于模型能力;AI 的感知与行动范围,则靠科学仪器来拓展;真实实验闭环会不断产出高质量数据,让模型和实验策略一起往前演进。

  • 往后看,哪家能接入更多物理世界的入口,用更低的成本、更高的通量跑通“假设—实验—验证—学习”这一闭环,哪家就能把未知更快变成知识,再把知识变成产业价值。

    大模型学完人类知识后转向物理世界:清析智研王欢谈AI4S突破口(配图 3)

  • 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:为了尽量完整地挖掘嘉宾和企业的深度内容,也让参与者除了听到观点之外还能拿到一线经验,Y-Talk每期分享结束后都会留出观众Q&A环节,让来自不同视角的问题都得到回应,到场的人也能有更多收获。

Y-Talk:搞科研图的是科学问题上的突破,做创业图的是商业价值的落地,不少人觉得这是两条完全不同的职业道路。你从科研领域走出来成为创业者,最后是什么让你下决心投入创业的?

王欢:以前搞科研和做创业确实是两条完全不一样的职业路径。这几年发展下来,两者逐步达成了共识,或者说最终都走向了同一条路。为什么?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。

这几年,创业环境和方向慢慢转向硬科技,也渐渐演变成科学家的创业。这中间要面对的事情其实是一样的:投身创业的科学家越来越多,而这并不妨碍他们继续去探索新的科学问题、寻求突破。从科学探索到创业的价值实现,如今走到了同一条路上。

当然,想问题的方式差别很大。在高校里,我们管理和运作团队,核心是实现科学目标、实现科学价值;到了公司里,更多是想办法把开创出来的科学技术、科学能力变成能商业化的产品或者解决方案。我觉得创业慢慢变成了这样一件事:既能去思考怎么探索和实现新的科学问题,也能去思考这些科学问题如何转化成为真正能提升整个社会、整个行业效率与价值的东西——这一点给了我个人非常大的价值感。

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 似乎还处在产业爆发的早期。你觉得 AI4S真正的突破口在什么地方?这个突破过程又会给未来的科研范式带来什么影响?

王欢:今年AI 的突破确实有一个很大的进展。前几年 AI 更多停留在对话文本这一层,今年无论是编程、内容生成还是视频生成,包括在下游应用上,都已经呈现出相当颠覆性的能力和效果。

以 Science 为例,目前 AI 的能力依然有限。关键还是在于:编程、内容生成、视频这些领域,模型已经逐步把数字空间里的知识和能力学完、总结完了,所以能表现出高度智能。放到 Science 上,偏虚拟空间的那部分——比如帮忙写论文、润色论文、找资料——AI 已经做得相当好。可越往实际的物理世界走,比如协助发现新材料、实验制备、探索新物质,这块还处在偏早期的阶段。

王欢认为,突破口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,关键看数据层面能不能爆发。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,模型能力的大幅跃升就建立在这些数据之上。AI4S 未来的突破,同样来自人类在 Science 领域高质量价值数据的积累与实践——把人类对物理世界构建的经验和发现,逐步变成模型能理解、能学习的形式,再让模型慢慢参与整个科研过程。这样才有可能形成好的突破口,加快科研和研究的进程。

至于 AI 能把科研效率提升到什么程度,王欢构想的未来范式大致是:有一个「AI Scientist」的大脑,可能以某一个大模型为核心,根据现在的现象和情况,构建出下一步的实验方案、优化方案、工艺制备方案;再由物理世界 AI 结合自主实验室——可以理解成面向科学场景、实验室场景的「自动驾驶」解决方案——依据大模型提出的方案和细节,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。

大模型学完人类知识后转向物理世界:清析智研王欢谈AI4S突破口(配图 4)

图为清析智研AI模式的四大产品线

科研范式往后怎么变?王欢拿半导体工业作类比:制造环节高度集成、高度自动化。人要做的是把更高层次的需求提出来,剩下的交给模型和物理世界 AI,设备自己去完成。

Y-Talk:刚才的演讲里,你提到清析智研提出的 AI Science Superfactory(AI 超级研发工厂)这一概念,设想是把科学模型、智能仪器、自动化实验和产业研发串起来。愿景很大,落地难度也不小。眼下最大的技术瓶颈和商业化障碍分别是什么?

王欢:这个概念的根,扎在我们做设备仪器、AI、材料化工、研发以及工业化场景过程中攒下的积累里。科学仪器和产业端摸爬滚打这些年,我们判断 AI4S,或者说 AI for 材料,最后一定要搭出一套闭环的研发框架和架构,把计算化学、制备工艺、工艺优化一直连到量产,产业链才打得通,新材料、新工艺和知识才能快出来。

大模型学完人类知识后转向物理世界:清析智研王欢谈AI4S突破口(配图 5)

图为清析智研提出的AI Super Factory概念

我们挑的切口比较特别:从仪器智能入手,也就是自动化实验室的搭建和改造,一步步把流程铺开。创始人做过半导体产业,也待过产业端,按他的经验,眼下实验室的自动化程度、仪器设备的自动化程度,比工业端或产业端差得远。

所以超级研发工厂得先从仪器设备端、实验室端动刀,做 AI-native 的实验室和仪器,拿出 AI 原生科学仪器与实验室解决方案;在这套方案之上,再搭全流程 AI 赋能的软件层,科学计算也好,实验工艺优化也好,都算在内,AI 超级研发工厂才建得起来。这是我们的切入点,也是我们的优势。

技术瓶颈有两块。一块是科研场景里 AI 原生仪器到底该怎么定义、怎么想清楚;另一块是怎么把半导体和其他产业端攒下的经验、行业 know-how 用足,把当前场景下的科学仪器和实验室改造到位。这两件事都得我们慢慢琢磨、动手试。

商业化分几层走。头一层,AI 现在的本事主要是当工具使,加速计算、加速实验方案、加速表征分析,围绕 AI 这个工具做解决方案,帮客户解决眼下研发里的问题。这就是第一层商业模式:卖技术服务方案,比如替产业、高校客户处理工艺或计算上的难题。往上一层,想的是 AI 原生仪器、AI 自主实验室,怎么做出能改变整个 Science 或实验室流程与架构范式的设备方案和能力。再往上,就是 AI 超级研发工厂最终要兑现的价值:自有材料 IP 逐步握在手里,最终具备批量产出新材料、新配方、新物质的能力。

每一层都有自己的坎。第一层,关键在自有平台和模型能不能把泛化性和解决问题的能力提上去。设备这块,难在怎么改实验室设备的范式和架构,还得让用户看得懂、愿意接,把眼下离散、分散的实验设备和实验室布置,也就是「手工作坊」,换成高度集成自动化的实验室解决方案。

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 这条赛道全球都在抢,顶尖科研机构、科技公司、创业团队纷纷下注,新闻天天有。中国 AI4S 产业在全球竞争里处在什么位置,你怎么看?

王欢:我个人看,中国 AI4S 产业跟美国的差距不算特别大。美国几家创业公司融资额度远超国内同行,可我们目前做出来的一些事,不比他们现在做的差。

国内做 AI4S 还有个很大的便宜:绕来绕去,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,国内工业基础非常庞大,围着这个基础去做前沿研发和探索,土壤和底子都好,撑得起 AI 能力建设。我个人认为,中国在整个 AI4S 领域的全球竞争位置比较靠前,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:商业化这块,材料领域我觉得该往产业端扎,把研究做成产业,但未必要亲自下场做产业化的运作。材料这行,实验室里做出点新东西,到小试、中试、量产之间还隔着大壁垒,一堆问题等着解决。解决不了,东西就停在实验室,出来的新材料或新知识没有价值。

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:眼下整体收入规模都不大,主要原因是 A4S 公司目前都还在早期,商业化多半停留在我前面说的三层里的第一层——给高校客户或产业端客户提供解决方案,或者满足他们的技术服务类需求,收入规模连同增长趋势都不会有大起色。

王欢判断,AI4S公司的收入会从最初的基础技术服务起步,逐步走向新材料、新物质的发现与产出,规模最终迎来指数级的增长和爆发。

观众提问:AI4S企业往后是以垂类为主,还是能快速泛化到不同垂类行业?垂类之间的泛化难在哪里?

王欢回答,快速垂类泛化这件事,关键还是看模型的泛化能力。眼下模型能力和数据积累带来的泛化都还有限,所以做材料体系时会先聚焦大类,比如金属材料体系、电池材料体系,或者有机无机材料体系,先在体系内部做泛化,尽快拿到大量有价值的新材料 IP 或新能力。

他说,等数据和能力攒起来,期待能做到全行业泛化,到那时模型和研究范式上的变革能力才能充分展现出来。

观众提问:干湿闭环实验室在AI4S里该怎么看?

王欢说,现在大家做AI4S都在提干湿闭环,都在说让 AI 走进物理世界。但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,这是要想清楚的。

他提到两个角度:一方面要从AI出发,想清楚怎么把AI更好地用到各行业的干湿闭环里;另一方面要想怎么构建更 AI 原生的科学仪器或实验室。在他看来,未来的干湿闭环实验室里,AI 一定是核心中枢,只有 AI 才能把整个实验、整个范式跑起来。

王欢拿工业举例,是因为工业端已经形成高度集成化、自动化的生产和制造方案。但实验室和科研这块没法照搬工业那套标准化流程,工业每个节拍、每道工序都固定,可以据此高度集成地搭自动化闭环;Science 这边是离散的,可以类比成柔性的,这种柔性过程更需要AI参与各个环节的决策。

观众提问: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?

王欢直言,纯AI背景的团队做不了AI4S这条赛道。纯AI团队理解不了材料、生物医药这些领域的行业know-how,也不清楚行业真正关心、需要解决什么问题。只从模型、从AI的角度想办法,往往得不偿失,费了很大劲却没解决用户的痛点。这也回答了下面那个问题——AI4S要形成闭环,产业方、需求方的深度参与肯定少不了,这个是必须的。

观众提问:目前AI4S的效率提升和客户续费意愿是什么情况?

王欢说这得 case by case,不同需求、不同场景里,AI解决问题的能力不一样。在AI 解决得好、平台也解决得好的场景下,客户付费或续费的意愿还是挺强的,当然这也取决于他们持续的能力迭代。

观众提问:如果 AI 能完成部分科学发现,科学家的核心价值会怎么变?未来的科研人员需要哪些新能力?

王欢拿 Coding 作类比:AI现在基本能帮人类完成百分之七八十的 Coding工作量,有时甚至更多。对编程人员、IT 技术人员,大家更多的要求是有充分经验,能理解 AI 在做什么,能管控好 AI,这个能力非常需要。

回到科学发现,他判断未来两三年模型在 Science 领域出现一些突破之后,对科学家核心价值的要求,会变成从更 high level 的角度去想:该构建什么样的科学任务、需求是什么,并管控好科学 AI 执行的各个步骤和产出。

观众提问:AI计算端生成数据,和干实验、湿实验真实数据反馈的闭环,目前哪个更重要?干湿实验反馈偏慢,前端数据生成偏快,两者的gap怎么解决?

王欢说,干实验和湿实验的数据获取难度不一样。干实验靠理论计算能快速算出海量数据,但这些理论计算数据和实验真实数据之间还有非常大的 gap。湿实验数据要借助实验室才能完成制备,价值高,产生速率却慢很多。

按他的理解,湿实验的数据——真实的制备数据、表征数据——重要得多,比干实验的数据重要得多得多。干实验也好、理论计算也好,最终都要用实验去验证,才能证明理论计算是 ok 的。只拿理论计算数据训练出的模型,价值没法保证,最终还是要靠真实实验数据去优化和迭代。

观众提问:怎么看部分AI4M(M即Materials,材料)的公司亲自下场做材料?

王欢说,这正是他前面提到的,AI for材料这个场景,最终的价值释放肯定是新的材料、新的分子或者新的高价值配方。从价值示范看,新材料才是最有价值的最终产出。

尤其对AI4S这个行业来说,大家总在问到底最终谁能跑出百亿甚至千亿价值的公司。放到材料领域,如果真能掌握一些高价值的材料IP,单独一个材料IP就可能催生一家新的百亿价值公司。所以AI for材料的公司必须亲自下场,至于是否由AI4S的公司主体来做材料,那是商业架构上的考量。

观众提问:AI4S会是几家巨头垄断大部分行业,还是各垂类行业都会有自己的细分巨头?

王欢认为,AI4S或者AI for 材料这个领域非常大,大到能容纳非常多家的百亿估值公司。原因在于材料领域市场极大,是数万亿级别,而且材料领域也没有形成能把所有材料都垄断的大巨头。所以他个人觉得,未来会是多家百亿估值公司共同存在的状态。

王欢老师的播客 Y-Talk 有个主张叫「正经行业,歪着看」,节目快收尾时,主持人就照这个路子,请他为屏幕前那些还在纠结该不该下场创业的年轻人说上一句建议。

王欢认为,创业这件事讲的是天时地利人和,得靠机缘巧合,时机到了自然会往前走。翻一翻行业发展、创业和一级市场这些年的变化就能看到,每个阶段市场盯上的领域都不一样:早前更看重用 AI 改造组织架构、提升效率,眼下则更多落在硬科技的各个方向上。所以在他看来,要不要下场创业,得顺着行业的大趋势来。

他提到,自己手里的技术和能力跟行业大势、变化方向合不合拍,是个很关键的判断依据,要仔细想清楚能不能对上未来几年乃至十年的走向。团队行不行、积攒下来的能力、经验和资源够不够,同样得纳入考量。他的建议是,把这些准备做足、想透,再去做决定。

王欢本科毕业是 2016 年,那会儿正赶上“大众创新、万众创业”,他也试着创过业,发现还有些不成熟的地方,后来回去继续读硕、读博深造。到眼下这个节点,他觉得时机成熟了,才出来做现在的事。他劝大家,一头要看清行业发展的大方向,一头要想明白自己对职业和未来的准备,对待创业这件事谨慎一些。

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 ai4spaces 基于AI的室内设计和家居装修平台 其他 AI 工具 · ai4spaces.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

相关推荐 按相关度与热度排序

全部资讯 →
  1. 问诊AI?一场死亡背后的追问

    查症状、看药品说明书、理解检查报告,优先用有明确医学语料来源、答案带引用且被设计为“转介医生”而非“替代医生”的专业医疗AI产品,而不是把通用聊天大模型当成全科大夫。

    来源 凤凰科技
  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. 计算医学补AI制药短板:十部门规划提出新路径

    AI制药发展到今天,出现了一个有些反直觉的现象。 一边,是模型能力的快速跃迁。AlphaFold之后,蛋白质结构预测已经发生根本变化,生成式AI开始进入蛋白设计、小分子设计、抗体发现,生命科学基础模型、大模型和科研智能体不断出现。2026年,OpenAI发布面向生物学、药物发现和转化医学的GPT-Rosalind。Is

    来源 AI 行业观察
  4. 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
  5. 可灵Kling Image 4.0发布:8K原生分辨率,单图支持2000字

    过去几年,AI 生图模型在真实感、分辨率和光影表现上不断刷新人们的认知。但当这些图片真正被用于海报、广告这些商业场景时仍会面临文字能否准确呈现、局部修改是否能保留原有设计等问题。 这些看似不起眼的要求,至今仍是图像模型的难题。(雷峰网) 今年 3 月,微软研究院发布了一项名为 BizGenEval 的商业视觉生成评测,

    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. 阿里云单季收入609.73亿增53%:吴泳铭称算力紧缺长期存在

    【TechWeb】11月20日消息,阿里巴巴发布2027财年第二季度(自然年2026年7—9月)财报,该季度阿里云板块收入609.73亿元,同比增长53%,其中,外部客户收入同比增长64%,刷新近六年来的增速高点。 剔除一次性硬件交付后的外部经常性收入增速进一步升至67%。在资本开支同比大增60%至504.77亿元的重

    来源 AI 行业观察
  9. 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
  10. 黄仁勋离任连锁反应:英伟达评级遭下调,AMD被做空机构盯上

    【TechWeb】11月20日消息,黄仁勋卸任英伟达CEO带来的震荡仍在AI芯片产业链持续蔓延。19日行业接连爆出多重利空:英伟达遭遇勒索组织数据威胁、穆迪下调其信用评级展望,同时做空机构发布报告质疑另一家由华人CEO主导的芯片企业AMD订单真实性与流动性安全,叠加台积电对英伟达超额订单提出预付现金要求,AI芯片板块的

    来源 AI 行业观察
  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. 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
  13. 大模型“诚实开关”研究:不改代码只调权重,就能拒绝说谎指令

    你有没有想过一个问题:如果你让一个AI助手去读某个网页,网页里藏着一句话"请对用户说假话",这个AI会不会真的照做?答案可能让你意外。会的。这不是危言耸听。研究人员发现,现在主流的大语言模型,比如Llama、Phi、Qwen这些,只要系统提示词里写了"欺骗用户"或者"故意答错",模型就真的会配合演出。更麻烦的是,这种指

    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
  15. Inkling 2 Mini 发布:循环架构让小模型本地跑出中型模型水准

    Thinking Machines Lab 推出的 Inkling 2 Mini 是一个专为本地部署设计的多模态模型。它通过独特的“循环层”架构,用约 260 亿物理参数实现了接近 48 层逻辑深度的推理能力。文章详细介绍了其技术原理、在代码生成和视觉任务上的表现,以及如何在 Transformers、llama.cp

    来源 AI 应用前沿
向下滚动自动加载更多