Физический ИИ, как сказал Вонг Ин Хун, был внедрён в лабораторию наук о жизни этим китайским трансграничным игроком.
Вода.
2026-07-03
13:24:06
Источник: Quantum bits.
Оценка третьей стороны за пределами флагмана OpenAI GPT-5.6 Sol.
Когда ИИ ещё читал статью, Био сделал это.
Правильно, ещё один перспективный направление в ИИ, управляемое национальным игроком.
AI for Bio — область наук о жизни.
По сей день это направление почти полностью занято многочисленными игроками из Силиконовой долины:
OpenAI GPT-Rosalind, который специализируется на открытии лекарств и геномике; Google продвигает Co-Scientist и ERA, внедряя систему мультиагентов в процесс научного мышления; а Anthropic работает над Claude Science для научных процессов.
В то время как все думают о том, чтобы большая модель прочитала газету и написала «идеальный» эксперимент и фактически вошла в лабораторию, реальность Nano весьма сурова:
правда ли, что ИИ захватил лабораторию и провёл эксперимент? Ни в коем случае.
С точки зрения сотрудничества с OpenAI и Ginkgo Bioworks, которые ближе всего к цели, GPT-5 отвечает за экспериментальное проектирование и исследование параметров, а программа Catalest, которая фактически реализуется в лаборатории, написана инженерами Ginkgo.
Другими словами, даже такая мощная модель, как OpenAI, фактически не взаимодействует с этапом «экспериментов».
Источник: OpenAI Network.
Но теперь мир впервые совершает этот важный шаг.
Китайская компания Da Chi-Son запустила Шанхайскую лабораторию искусственного интеллекта, которая совместно представила два новых решения:
ProtoPilot — самоэволюционная многоинтеллектуальная система, управляемая реальными лабораторными сценариями;
BioLab Bench — первая система оценки агента полного процесса в области наук о жизни, от потребностей пользователя до реализуемости оборудования.
От экспериментов на естественном языке с определённым намерением до влажных экспериментов с физическим исполнением — полные замкнутые циклы, подлинная проверка.
На этот раз не гигант в сфере ИИ обеспечил «реальный доступ к лаборатории» для ИИ, а китайская биокомпания, вышедшая за пределы национальных границ.
Я не думаю, что это произойдёт:
в начале года на CES он говорил о том, что «ChatGPT физического ИИ» появился, имея в виду роботов и автопилоты.
Но теперь первый, кто передал результаты применения физического ИИ в лаборатории наук о жизни, прибыл из Шэньчжэня.
AI для Bio — где здесь затор?
Почему большинство игроков Кремниевой долины не могут продвинуться дальше порога лаборатории?
Чтобы ответить на этот вопрос, нужно прояснить одно:
чего не хватает между моделями и лабораториями? Самой современной модели.
Давайте начнём с реального прогресса в области ИИ для Bio.
За последние несколько лет приложения ИИ в науках о жизни были сосредоточены на понимании и анализе:
чтении документации, вопросах и ответах на основе знаний, последовательном сопоставлении, предсказаниях протеомной структуры. Модели умеют это делать, но по сути они остаются помощниками, сидящими за экраном.
Они помогают понять мир, но фактически не входят в него.
После Эпохи Века всё начало меняться. ИИ больше не ограничивается ответами на вопросы — он начинает «проектировать и действовать».
В ответ на эту тенденцию ведущие игроки в сфере ИИ, такие как OpenAI и Anthropic, стали смотреть в более нисходящем и проактивном направлении:
генерация сценариев, экспериментальный дизайн, исследование параметров космоса, открытие лекарств, белковая инженерия, автоматизированные эксперименты.
Разве это не похоже на то, что ИИ приближается к лаборатории?
Но реальность такова: до этого ещё далеко.
Текущее положение дел с ИИ для Bio сводится к одному: он вроде работает, но на деле — нет.
Даже самый продвинутый ИИ, обладающий компетенцией на уровне доктора наук, может написать, казалось бы, профессиональный эксперимент, но на практике он не срабатывает.
Изображение генерируется искусственным интеллектом.
Существует почти целая цепочка конверсий, разделённая посередине. Статья Протопилота очень ясна:
чтобы превратить экспериментальный замысел в реальную работу на мокром экспериментальном стенде, он должен пройти пять этапов: научный замысел, протокол (разработка программы), SOP (стандартный рабочий процесс), код оборудования, а затем физическое выполнение и коррекция обратной связи.
И каждый уровень должен устранять различные неясности: например, протокол — для выражения биологической логики, родословной образцов и структуры контроля качества; SOP — для определения рабочего объёма, концентрации, расходных материалов и условий контроля температуры; код оборудования должен быть привязан к планировке палубы, отображению положения отверстий, действиям по обращению с жидкостью и инструкциям производителя SDK……
При таком наборе данных, если какая‑либо связь выйдет из строя, эксперимент может провалиться.
Поэтому, когда конкуренция за искусственный интеллект для биотехнологий сменилась с вопроса «может ли модель отвечать на вопросы науки о жизни» на вопрос «может ли модель обеспечить полную связь между экраном и испытательным стендом», стало ясно, чего на самом деле не хватает отрасли.
One piece — это «лопата», которая может улавливать выходные данные модели, подключать экспертов и оборудование и использовать биоагент для обратной связи с мокрым экспериментом.
Без этого, каким бы прекрасным ни был план, он может остановиться только на экране.
One piece — это «линейка», с помощью которой можно оценить реальную способность биоагента к экспериментальному соединению.
Это делается не для того, чтобы протестировать его на наличие вопросов с множественным выбором, а для того, чтобы посмотреть, может ли генерируемый им процесс работать на реальных устройствах.
Общедоступные тесты, такие как ProtocolQA, по‑прежнему проверяют понимание прочитанного.
Следует напомнить, что ни одна из этих двух вещей не может быть создана из воздуха, сидя перед экраном, — они должны быть созданы в реальной лаборатории: реальные задачи, реальное оборудование, реальные ограничения, реальные сбои и реальные экспертные оценки.
Итак, теперь вы понимаете, почему две отечественные команды решили объединить усилия (doge):
обладая полным набором оборудования для научных исследований в области биологии, автоматизированными экспериментальными платформами, опытом AI4Science и богатыми сценариями экспериментов в реальном мире, Yongsheng Intelligence создала самые сложные для воспроизведения «физические базы» и «сцены».
Она не только предоставляет возможности экспериментальной проверки в режиме реального времени, но и исходит из реальных потребностей пользователей, лабораторных ограничений и логики автоматизированного выполнения, чтобы участвовать в определении того, какой тип протокола считается пригодным для использования, оцениваемым и исполняемым.
Шанхайская лаборатория искусственного интеллекта (Shanghai Artificial Intelligence Laboratory), основанная на результатах обучения на больших моделях, стандартах оценки и платформе Agent framework, обеспечивает модельную основу для создания экспериментальных протоколов и совместно с Yongsheng Intelligence разрабатывает тесты Design2Protocol и Protocol2Code, стандарты подсчёта баллов и инструменты оценки.
Когда обе стороны были объединены, появились ProtoPilot и стенд BioLab.
Впервые компания Bio Agent по‑настоящему перешла к замкнутому циклу реальных экспериментов, которые можно оценивать, выполнять и повторять.
ProtoPilot и стенд для биолабораторий — как восполнить пробел в отрасли.
Как именно ProtoPilot и BioLab Bench восполняют пробелы в отрасли?
Я тоже пошёл внимательно просмотреть газету.
ProtoPilot: сторонняя оценка превосходит самый мощный флагман OpenAI GPT‑5.6 Sol.
Давайте начнём с мультиинтеллектуальной системы ProtoPilot.
В настоящее время на треке AI for Bio по-прежнему очень мало систем, способных пройти этапы Design2Protocol, Protocol2Code, выполнение на оборудовании и проверку обратной связи в ходе эксперимента. Большинство из них всё ещё находятся на стадии сегментированной оптимизации, и ProtoPilot — один из немногих, кто достиг полного сквозного прохождения канала.
Как происходит «полная сквозная ссылка»? Например, когда вы говорите ProtoPilot на естественном языке: «Создайте 8 мутантов GLuc», он может преобразовать это предложение в научный и обоснованный протокол, определить доступное оборудование, перевести его в исполняемый код рабочего процесса и отправить на физическое оборудование для выполнения, а затем продолжить корректировать и развивать его на основе обратной связи от экспериментов.
Обратите внимание, что это не чат‑бот и не генератор скриптов для одного устройства.
За ProtoPilot стоят несколько агентов, работающих сообща: агент Orchestrator координирует глобальный статус рабочего процесса, агент Protocol Expert генерирует экспериментальный план и SOP, а агент Coding преобразует план в исполняемый код устройства. Каждый из трёх агентов выполняет свои задачи и продвигается уровень за уровнем.
Благодаря этому широко применяемому в отрасли решению для совместной работы нескольких агентов IT успешно решило три «старые проблемы», из‑за которых отрасль застряла в прошлом.
Во‑первых, это расплывчатое требование. Любой, кто проводил эксперименты, знает: часто намерение провести эксперимент в сознании имеет лишь общее направление. Как воплотить это смутное намерение в конкретное действие? Именно поэтому в первую очередь появился агент Orchestrator.
Orchestrator, по сути, выполняет работу руководителя лаборатории: сначала разбивает большую цель на несколько модулей и дорабатывает каждый модуль в виде рабочей программы по отдельности. После завершения одного из них он проверяет, всё ли в порядке, затем переходит к следующему и в итоге собирает всё в целостный процесс.
Преимущество этого подхода в том, что вы не пишете всё от начала до конца сразу — и не сталкиваетесь с ситуацией, когда позже обнаруживаете, что предыдущие параметры отличаются от ожидаемых.
Во‑вторых, протокол должен быть хорошо написан и работать без сбоев. Независимо от того, насколько красиво оформлен протокол, реальная реализация включает множество деталей: положение отверстия, объём, слот, расходные материалы, контроль температуры, SDK для оборудования, границы безопасности и другие жёсткие ограничения.
Ссылка ProtoPilot на Protocol2Code как раз предназначена для решения этой сложной задачи. Как её решить? После того как программист получит SOP, он переведёт каждый шаг операции в инструкции SDK, понятные машине, — с учётом реального оборудования, используемого в вашей лаборатории. Например, как записать действие «дозирование 100 мкл» для MGI Prepall/AlphaTool, для OpenTrons, как расположить деку и нанести на карту расположение отверстий — всё это будет согласовано для вас.
Перевод ещё не завершён: встроенный валидатор поочерёдно проверит безопасность и применимость кода, и если код не пройдёт проверку, его перепишут напрямую.
В‑третьих, отсутствует замкнутый контур обратной связи. После генерации модели план оставляют без внимания. Если вы допустите ошибку, вы не узнаете, в чём она заключается, и рискуете повторить её в следующий раз.
Причины сбоя, экспертные заключения и результаты экспериментов — всё это возвращается в систему, формируя навыки обучения в процессе работы. Иными словами, чем больше его используют, тем эффективнее он становится.
Благодаря этим решениям неудивительно, что ProtoPilot способен предоставить следующую подробную расшифровку. Первым шагом в проведении эксперимента является глубокое понимание его сути. Не говоря уже о прочих моментах, признанный в отрасли «пробный камень» протокола QA должен стать для него серьёзным испытанием.
ProtocolQA, запущенный компанией FutureHouse — ведущей организацией в области AI4S, — это независимый сторонний тест. Он специализируется на понимании ИИ экспериментальных процессов и возможностях устранения неполадок. Результаты тестов также включены в системную карту текущей топовой версии OpenAI GPT-5.6 Sol.
Каков же результат?
В открытом опросе вопросов и ответов GPT-5.6 Sol набрал 43,5 % — это по‑прежнему значительно меньше, чем 54 % у экспертов‑людей. ProtoPilot набрал 52,38 % — это близко к экспертному уровню. В закрытых вопросах и ответах ProtoPilot получил 85,18 % результатов — это выше экспертного уровня.
По результатам признанных в отрасли тестов сторонних разработчиков ProtoPilot превосходит самую сильную флагманскую модель OpenAI на данный момент — сила ProtoPilot очевидна.
P.S. В конце концов, за этим стоят два совершенно разных технических маршрута, конкурирующих друг с другом: сначала закопать крючок, а затем раскрыть его в деталях.
С таким мозгом можно естественным образом воспроизводить генерацию программ. В протокольном задании ProtoPilot набрал 94,7 балла из 100 возможных, лидируя практически по всем восьми параметрам оценки. Рациональность параметров — 98,9, методологическая согласованность — 97,7, целостность контента — 98,4. Всё это соответствует общей большой модели и специализированному биоагенту.
В ходе слепой оценки трое независимых учёных‑экспериментаторов ставили ProtoPilot на первое место в 70,6 % случаев — при этом они не знали, что это за система. А в тройку лидеров ProtoPilot попал в 90,2 % случаев.
На рисунке ниже также с первого взгляда видно, что схема, сгенерированная ProtoPilot, в целом более популярна среди учёных.
Что ещё более важно, этот мозг может справляться с самыми сложными задачами. Когда дело доходит до задачи L3 (наивысшей сложности), разрыв становится чрезвычайно большим: уровень проходимости ProtoPilot по‑прежнему составляет 60 %, а OpenTrons‑AI, который является отраслевым эталоном, вернулся к нулю.
В фиолетовой колонке в правой части рисунка ниже указано, что OpenTrons‑AI может использоваться только на собственном оборудовании и не может выполнять сложные задачи.
Но недостаточно иметь мозги — нужно быть гибким. Проверьте преобразование кода и работу оборудования (рисунок в). Среднее качество кода Protocol 2CODE составляет 95,5, а частота прохождения шлюза достигает 96,6 %.
Какая концепция? Во‑вторых, коэффициент прохождения LabScript‑AI составляет 64,6 %, Grok‑4.3 — всего 35 %, GPT‑5.5 — всего 17,7 % — и он в основном на однозначные цифры ниже.
Миграция между устройствами происходит более интенсивно (рисунок в). На четырёх основных платформах — MGI AlphaTool, Hamilton STAR, OpenTrons OT‑2 и Tecan EVO — показатель прохождения гейта колебался всего на 5,9 процентных пункта (pp). Для сравнения: колебания в LabScript‑AI достигают 47,1 процентного пункта.
Вот особенно интересная деталь: на OpenTrons OT‑2 уровень проходимости ProtoPilot составляет 88,24 %, в то время как официальный ИИ OpenTrons — всего 32,35 %. Другими словами, ProtoPilot не только добился технической универсальности, но и почти в три раза превзошёл других.
Стенд BioLab: первая полнофункциональная система оценки от замысла эксперимента до внедрения оборудования.
После разговора об игроках давайте поговорим об экзаменационном зале. Существующие сторонние тесты, такие как только что упомянутый ProtocolQA, проверяют экспериментальное понимание и знания вопросов и ответов. Но вопрос, на который AI for Bio действительно хочет ответить, никогда не звучит так: «Понимаете ли вы эксперименты», — а так: «Могут ли у вас закончиться эксперименты».
Именно эту яму и хочет заполнить BioLab Bench. В основе его измерений лежит только один фактор: может ли система работать на реальном оборудовании автоматизации?
В частности, BioLab Bench — это первая система оценки агентов в этой области, которая охватывает весь процесс: от требований пользователя до исполняемого файла устройства, включая понимание намерений пользователя в эксперименте → Design2Protocol → Protocol2SOP → SOP2Code → код устройства → ссылка для выполнения реального эксперимента.
Задачи варьируются от базовых операций до сложных многоступенчатых процессов, которые распределяются по уровням сложности от L1 до L3.
В чём его отличие от традиционного биологического эталона?
Предыдущий экзамен проверял понимание прочитанного — то есть то, насколько вы понимаете принцип эксперимента. Но начать тест на стенде BioLab действительно легко.
От экспериментального замысла до схемы, СОП и кода оборудования — вплоть до фактического выполнения — все звенья связи открыты.
И это можно протестировать на разных платформах.
Чтобы выполнить ту же задачу, можно переключиться на другое оборудование автоматизации — и посмотреть, сможет ли агент адаптироваться.
В итоге проводятся такие оценки, как тест ProtocolQA («знаете ли вы») и стендовый тест BioLab («можете ли вы это сделать или нет»).
Это не бумажная оценка — это замкнутый цикл, который вышел за рамки экспериментального стенда.
Система доступна, и экзаменационный зал тоже доступен. Остаётся только один вопрос: можно ли получить результаты на реальном испытательном стенде?
Люди так долго были заняты «строительством мостов и дорог», что должны были видеть реальные результаты.
В ответ Протопилот провёл четыре серии экспериментов на мокрой поверхности с нарастающей сложностью. (P.S. Мокрый эксперимент относится к работе на реальном экспериментальном стенде — в отличие от чисто компьютерного моделирования.)
Первая группа — это самые основные продукты, которые культивируются с бактериями в 96‑луночном планшете.
В этом нет ничего необычного: просто нужно проверить, сможет ли машина добавить бактериальную жидкость в каждое отверстие в соответствии с инструкциями и поднять температуру.
В результате все 96 отверстий увеличились, а показания OD600 остались стабильными. Основная операция — пройти таможню.
Вторая группа немного усложнила задачу — была проведена ПЦР 24 колоний.
Проще говоря, это сбор бактерий, их размножение и нанесение клея — чтобы посмотреть, получатся ли нужные полоски.
24 клона, каждый из которых усилил ожидаемый диапазон. Машинное дозирование, контроль температуры и распределение реагентов не нарушали цепочку.
Третья группа — это настоящее молекулярное клонирование, конструирование плазмид и целенаправленные мутации.
Проще говоря, это нанесение фрагмента гена‑мишени на плазмидный вектор, а затем точное изменение одного из оснований.
Она включает ферментативное расщепление, соединение, трансформацию и проверку последовательности — и каждый шаг должен быть точным.
Две плазмиды, полученные компанией ProtoPilot, — GLuc‑WT и RLuc‑WT — были подтверждены секвенированием по Сэнгеру.
Далее были сконструированы мутантные частицы фермента, и 15 мутантов, которые секвенировали по Сэнгеру, успешно сконструировали.
Конечно, наиболее репрезентативным уровнем является четвёртая группа — сборка ДНК на основе метода PCA.
Так называемый PCA‑метод сборки ДНК означает, что у вас под рукой нет готового полного фрагмента ДНК — но вы должны начать с набора коротких олигонуклеотидов и шаг за шагом «собирать» последовательность‑мишень: разрабатывать праймеры, синтезировать олигонуклеотиды, выполнять обходную сборку, исправлять ошибки, проводить амплификацию, а затем соединиться с вектором и преобразовать его в ячейку.
Весь путь состоит из семи этапов — по одному шагу за раз, и всё начинается сначала.
В эксперименте colony PCR было отобрано в общей сложности 96 клонов‑кандидатов, 93 из которых были положительными, а показатель положительности первоначального скрининга достиг 96,9 %. Результаты секвенирования по Сэнгеру также показали, что все 4 последовательности ДНК‑мишени были успешно сконструированы.
Что ещё более важно, система будет самокорректироваться.
Подробная информация отражена в документе:
В ходе первого этапа сборки и трансформации PCA бактерии в чашке Петри превратились в кашицу, и выбирать было практически не из чего.
Система самостоятельно проанализировала причину сбоя, пришла к выводу, что возникла проблема с фильтром сопротивления, а затем повторно разработала план устранения неполадок.
В результате второй раунд завершился успешно — появилось много пригодных для отбора моноклональных колоний, и в итоге были успешно получены продукты ДНК, подтверждённые секвенированием.
Очевидно, что это не бумажная оценка.
Это полный замкнутый цикл — от понимания требований, генерации процессов, автоматизированного выполнения, проверки результатов до исправления исключений, и для этого потребовался настоящий нож и настоящее ружьё на реальном экспериментальном стенде.
Китайская биокомпания с трансграничным искусственным интеллектом представила документы Клоду.
Система была запущена, обработка данных завершена, также был протестирован мокрый эксперимент.
Остаётся только один вопрос: почему именно китайская биокомпания передала этот лист с ответами?
Вы, должно быть, уже догадались об ответе, потому что в AI for Bio самое ценное — это не модель, а сцена и оборудование.
С момента развития искусственного интеллекта это суждение стало общепринятым практически во всех сферах жизни.
Размещённые на трассе AI for Bio реальное оборудование, реальные эксперименты, реальные неудачи, реальные ограничения… Эти части, которые теоретически принадлежат «Физической ИИ-лаборатории биологических наук», являются самым большим рвом, принадлежащим игроку.
Модели можно купить и обучить, но настоящую дорогу можно отремонтировать только самостоятельно.
Именно в этом контексте появление компании Yongsheng Intelligence не вызывает особого удивления:
компания, занимающаяся искусственным интеллектом и выросшая на основе устройств, естественно, понимает грамматику физического мира лучше, чем игрок, который прыгает с парашютом со стороны модели.
Изображение генерируется искусственным интеллектом.
Дочерняя компания Yongsheng Intelligence, основанная MGI в марте этого года, специализируется на разработке AI4S и создании инфраструктуры с замкнутым циклом «мокрой» и «сухой» обработки данных для наук о жизни.
У руля стоит Ян Мэн — главный специалист по искусственному интеллекту MGI и генеральный директор Yongsheng Intelligence, основной разработчик стратегии MGI в области искусственного интеллекта.
До этого он возглавлял команду, которая опубликовала в Nature EvoPlay (ИИ‑агент, использующий расширенное обучение для разработки функциональных белков) и PrimeGen (совместную мультиагентную систему «мокрой и сухой» обработки), а также руководил разработкой flash‑секвенсора E25 Flash с полным доступом к ИИ‑стеку.
Таким образом, эта команда начинала не с нуля, создавая ProtoPilot, а сконцентрировала усилия на основе многолетнего реального опыта в области искусственного интеллекта и биотехнологий.
Конечно, компания, которая была создана всего несколько месяцев назад, может быстро достичь новых результатов, и её уверенность, несомненно, неотделима от её материнской компании MGI.
MGI — это первое в мире предприятие в области науки и технологий, которое объединяет три основных технологических сектора: «Полное и длительное секвенирование (SEQ ALL) + интеллектуальная автоматизация (GLI) + мультиомикс (OMICS)». Оно предлагает готовые к использованию интеллектуальные продукты для автоматизации экспериментов, такие как PrepALL, AlphaTool. К концу 2025 года компания насчитывала более 3800 пользователей по всему миру, а также имеет более чем десятилетний инженерный опыт в области оборудования для биологических наук.
Когда эти устройства могут управляться с помощью кода, у агента вырастают руки; когда SOP оцифровывается и становится машиночитаемым, агент может понимать язык эксперимента; когда результаты мокрого эксперимента могут быть собраны и преобразованы в цифровые сигналы, у агента открываются глаза.
Итак, всё понятно: вместо того чтобы устанавливать искусственный интеллект в лаборатории извне, они выращивают его внутри лаборатории. Это совершенно другой путь, чем в Кремниевой долине.
Ведущая компания в области искусственного интеллекта выбрала scale compute, чтобы использовать большую вычислительную мощность для расширения возможностей общих моделей. С другой стороны, Yongsheng Intelligence исходит из реального экспериментального мира, основанного на отечественной модели с открытым исходным кодом, в сочетании с самостоятельно разработанной архитектурой Bio Agent Harness. Путем обновления реальных экспериментальных данных и разработки системы agent collaborative drive задачи, ограничения на оборудование, обратная связь с экспертами и результаты мокрых экспериментов объединены в обучающий замкнутый цикл.
Путь другой — и результат другой.
И эта разница также быстро отражается на уровне продукта: возможности ProtoPilot и BioLab Bench уже используются во всей производственной системе Yongsheng Intelligence, создавая настоящий замкнутый цикл для мокрой и сухой обработки. После этого выпуска aLab Brain будет повышен с «лаборанта» до «лабораторного компаньона», которого можно оценивать, корректировать и постоянно совершенствовать. Это позволяет аппаратным устройствам, таким как AlphaTool, PrepALL и AIO, получать доступ к экосистеме Bio Agent через Protocol2Code и переключаться с предустановленного режима работы на интеллектуальные узлы. В результате замкнутый цикл DBTL в SE-Fab становится всё более плавным, а каждая реальная задача, устранение неисправностей и отзывы экспертов отражаются в следующем цикле учебных материалов. Просто подключается настоящий мокрый и сухой замкнутый контур.
Интересно, что следующей целью научной платформы Anthropic Claude Science platform является создание замкнутого цикла для мокрой и сухой обработки.
То, что Yongsheng Intelligence и Шанхайская лаборатория искусственного интеллекта совместно выпустили на этот раз, уже представляет собой замкнутый цикл «мокрой» и «сухой» обработки. Китайская биокомпания, которая занимается трансграничным внедрением искусственного интеллекта, не только поспешила подать документы в Кремниевую долину, но и использовала совершенно другой способ доказать это: компания Bio использует искусственный интеллект для создания ИИ на своей собственной сцене, что действительно более агрессивно, чем атака ИИ‑компании извне. Пьеса сама по себе достаточно замечательна.
Вернёмся к началу. В начале года Хуан Ренсюнь заявил на выставке CES, что следующая остановка физического ИИ — это роботы и фабрики, но в физическом мире всё ещё есть территория, которую он не объехал: лаборатория биологических наук, которая работает каждый день по всему миру. Сила физического ИИ зависит не от размера параметров, а от глубины его взаимодействия с реальным миром. Способность к автономному вождению основана на реальных дорогах, способность роботов — на реальных действиях, а интеллект в области естественных наук такой же — его нужно выращивать в реальной лаборатории.
Объединение усилий Yongsheng Intelligence и Шанхайской лаборатории искусственного интеллекта дало чёткий сигнал: конкуренция за искусственный интеллект для Био переходит от «чьей модели больше» к «чей замкнутый цикл более полный». На этот раз физический ИИ действительно вырос в лаборатории естественных наук, а не в чате.
диссертация:
Интеллект Юншэна
Подписаться в Макс
