Физический искусственный интеллект, о котором говорил Хуан Ренсюнь, был внедрён в лабораторию биологических наук этим китайским игроком из-за границы.
Моногидрат
2026-07-03
13:24:06
Источник: Кубиты
Сторонняя оценка превосходит самый мощный флагман OpenAI GPT-5.6 Sol.
Когда ИИ‑компания ещё читала статью, Bio уже позволила ИИ завершить эксперимент.
Всё верно — ещё один популярный трек с искусственным интеллектом отечественные игроки прошли первыми.
Искусственный интеллект для биологии, в области наук о жизни.
Сегодня этот трек почти полностью занят группой игроков из Кремниевой долины, которым меньше всего не хватает вычислительных мощностей:
OpenAI выпустила GPT‑Rosalind, которая специализируется на разработке лекарств и геномике; Google запустила Co‑Scientist и ERA — они внедрили мультиагентные системы в процесс научного обоснования; Anthropic запустила Claude Science workbench для научных исследований.
Хотя все хотят, чтобы большая модель дочитала статью до конца, написала «идеальный» план эксперимента, а затем действительно отправилась в лабораторию, реальность весьма скромна:
Действительно позволить ИИ захватить лабораторию и провести эксперимент? Вероятность этого практически равна нулю.
Возьмём, к примеру, сотрудничество между OpenAI и Ginkgo Bioworks — оно ближе всего к завершению: GPT‑5 отвечает за разработку экспериментов и исследование параметров в этом проекте. Протоколы Catalyst, которые реально выполняются на экспериментальном стенде, написаны инженерами из Ginkgo.
Другими словами, несмотря на всю мощь OpenAI, модель фактически не взаимодействовала с этапом «проведения экспериментов».
Источник изображения: официальный сайт OpenAI.
Но теперь здесь находится первый в мире человек, который сделал этот важный шаг.
Yongsheng Intelligence и Шанхайская лаборатория искусственного интеллекта (дочерняя компания MGI) совместно опубликовали два новых результата:
ProtoPilot — саморазвивающаяся мультиинтеллектуальная система, управляемая реальными лабораторными сценариями;
Стенд BioLab — первая полнофункциональная система оценки технологических процессов в области наук о жизни: от требований пользователя до исполнения оборудования.
Начиная с формулировки замысла эксперимента на естественном языке и заканчивая физическим выполнением мокрого эксперимента, процесс полностью замкнут и тщательно выверен.
На этот раз не ИИ‑гигант позволил ИИ «по‑настоящему проникнуть в лабораторию», а китайская биокомпания, которая создала ИИ за пределами границ.
Я думаю, даже Лао Хуан не ожидал такого: в начале года он заявил на выставке CES, что наступил «решающий момент для физического ИИ», рассказывая о роботах и автономном вождении.
Но теперь первым человеком, который сдал лист с ответами по физическому ИИ в лаборатории естественных наук, стал житель Шэньчжэня.
Искусственный интеллект для биологии — где он застрял?
Почему эти игроки из Кремниевой долины, которым меньше всего не хватает вычислительных мощностей, коллективно застревают у дверей лаборатории?
Чтобы ответить на этот вопрос, вам на самом деле нужно выяснить только одну вещь: что отсутствует между моделью и лабораторией? Имея в руках топовую модель, как можно не преодолеть это препятствие?
Давайте начнём с реального прогресса в разработке ИИ для биотрека.
В последние несколько лет применение искусственного интеллекта в области наук о жизни было сосредоточено на «понимании» и «анализе»: чтение литературы, вопросы и ответы на вопросы о знаниях, выравнивание последовательностей, предсказание структуры белка. Модель действительно хорошо осведомлена, но по сути она — помощник, сидящий за экраном.
Она может помочь вам понять мир, но вы ещё не вошли в него по‑настоящему.
После того как наступила эра агентов, ситуация начала меняться. ИИ больше не довольствуется ответами на вопросы — он начинает проектировать и действовать.
В ответ на эту тенденцию передовые разработчики искусственного интеллекта, такие как OpenAI и Anthropic, начали ориентироваться на более прогрессивное направление: генерацию гипотез, планирование экспериментов, исследование пространства параметров, открытие лекарств, белковую инженерию, автоматизированные эксперименты.
Похоже ли это на то, чтобы позволить ИИ работать в лаборатории? Но реальность такова, что до этого ещё далеко.
Наиболее реалистичный статус‑кво искусственного интеллекта для Bio на данный момент сводится всего к одному предложению: вы можете придумать план, но не можете добиться результата. Лучший искусственный интеллект со способностями докторского уровня действительно может написать, казалось бы, профессиональную экспериментальную программу, но если она хорошо написана, то в ней будет смысл.
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 разрешать 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», выяснилось, чего на самом деле не хватает отрасли.
One piece — это «лопата», которая может улавливать выходные данные модели, подключать экспертов, 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 одну из этих двух вещей нельзя создать 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), опираясь на опыт обучения на больших моделях, стандарты оценки и Agent framework, создаёт методологическую базу для разработки экспериментальных протоколов. Совместно с Yongsheng Intelligence она разрабатывает тесты Design2Protocol и Protocol2Code, а также стандарты подсчёта баллов и инструменты оценки.
Когда обе стороны объединились, появились ProtoPilot и стенд BioLab.
Впервые компания Bio Agent реально перешла к замкнутому циклу практических 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 внимательно изучил статью.
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, выполнения на оборудовании и проверки обратной связи в ходе эксперимента. Большинство из них всё ещё находятся на стадии сегментированной оптимизации, и ProtoPilot — один из немногих, кто добился полного прохождения канала.
Как происходит «полная сквозная связь»? Например, когда вы говорите ProtoPilot на естественном языке: «Создайте 8 мутантов GLuc», — система может преобразовать это предложение в научно обоснованный протокол, определить доступное оборудование, перевести его в исполняемый код рабочего процесса и отправить на физическое оборудование для выполнения. Затем она продолжит корректировать и развивать процесс на основе обратной связи от экспериментов.
Обратите внимание: 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 разрабатывает экспериментальный план и SOP, а агент Coding преобразует план в исполняемый код устройства. Каждый из трёх агентов выполняет свои функции и продвигается уровень за уровнем.
Благодаря этому широко применяемому в отрасли решению для совместной работы нескольких агентов IT успешно решило три давние проблемы, из‑за которых отрасль отставала.
Во‑первых, это расплывчатые требования.
Любой, кто проводил эксперименты, знает: зачастую в сознании есть лишь общее направление для эксперимента. Как превратить это смутное намерение в конкретные действия? Именно для этого и был создан агент Orchestrator.
Orchestrator, по сути, выполняет функции руководителя лаборатории: сначала разбивает большую цель на несколько модулей и прорабатывает каждый модуль как отдельную рабочую программу. После завершения работы над одним модулем он проверяет, всё ли в порядке, затем переходит к следующему и в итоге собирает всё в единый процесс.
Преимущество такого подхода в том, что вам не придётся писать всё от начала до конца сразу — и потом обнаруживать, что предыдущие параметры отличаются от тех, что нужны на более поздних этапах.
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.
Функция ProtoPilot Protocol2Code как раз предназначена для решения этой сложной задачи.
Как это работает? После того как программист получит SOP, он преобразует каждый шаг операции в инструкции SDK, понятные машине, — с учётом реального оборудования, используемого в лаборатории. Например, действие «дозирование 100 мкл» будет корректно реализовано для MGI Prepall/AlphaTool, OpenTrons — будут согласованы расположение деки, нанесение на карту расположения отверстий и прочие детали.
Перевод ещё не завершён. Встроенный валидатор проверит безопасность и применимость кода по очереди, и если он не пройдёт проверку, его перепишут напрямую.
В‑третьих, отсутствует замкнутый контур обратной связи. После того как модель будет сгенерирована, план оставят в покое. Если вы допустите ошибку, вы не будете знать, в чём она заключается, и повторите её в следующий раз. Причины сбоя, экспертные заключения и результаты экспериментов — всё это возвращается в систему для формирования навыков обучения во время выполнения. Другими словами, чем чаще он используется, тем он сильнее.
Благодаря этим нескольким трюкам я действительно не удивлён, что ProtoPilot может предоставить следующую подробную расшифровку. Первым шагом в проведении эксперимента является то, что вы должны по‑настоящему понять его суть. Не говоря уже ни о чём другом, признанный в отрасли «пробный камень» протокола QA должен бросить ему вызов.
ProtocolQA, запущенный компанией FutureHouse — ведущей организацией в области AI4S, — представляет собой независимый тестовый инструмент третьей стороны, который специализируется на понимании экспериментальных процессов ИИ 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 %, что по‑прежнему является значительным отставанием от 54 % экспертов‑людей; ProtoPilot набрал 52,38 %, что близко к экспертному уровню. В закрытых вопросах и ответах ProtoPilot получил 85,18 % результатов, что превзошло экспертный уровень. По результатам признанных в отрасли тестов сторонних разработчиков он превосходит самую сильную флагманскую модель OpenAI на данный момент, и сила ProtoPilot очевидна.
P.S. В конце концов, за этим на самом деле 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 8 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 поставили ProtoPilot на первое место в 70,6 % случаев, не зная, что это за система, а ProtoPilot оказался в тройке лидеров в 90,2 % случаев. На рисунке ниже также можно с первого взгляда увидеть, 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: коэффициент пропуска 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, таких как 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 достиг технической универсальности, но и почти в три раза превзошёл остальных.
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 понимание эксперимента и знания в формате вопросов и ответов.
Но вопрос, на который AI for Bio действительно хочет ответить, звучит не так: «Понимаете ли вы эксперименты?», а так: «Сможете ли вы провести эксперименты?»
Именно эту проблему и хочет решить 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 многоэтапных процессов, которые распределяются по уровням сложности от L1 до L3.
В чём его отличие от традиционного биологического эталона?
Предыдущий экзамен проверял понимание прочитанного — зависел от того, понимаете ли вы принцип эксперимента. А 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. Для выполнения той же задачи можно переключиться на другое оборудование автоматизации и посмотреть, сможет ли агент адаптироваться.
В конце концов, такие оценки, как тест ProtocolQA («знаете ли вы») и стендовый тест BioLab («можете ли вы это сделать или нет»), — это не бумажная оценка, а 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 ProtoPilot 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 были секвенированы Сэнгером, успешно сконструированы.
Конечно, наиболее представительным уровнем является четвёртая группа — сборка ДНК на основе метода PCA.
Так называемый PCA‑метод сборки ДНК означает, что у вас нет готового полного фрагмента ДНК — нужно начать с набора коротких олигонуклеотидов и шаг за шагом «собирать» целевую последовательность: 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 оказались 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 клоны 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. 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 — 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 «Физическому 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 стеку ИИ.
Таким образом, эта команда начинала не с нуля при создании ProtoPilot, а сконцентрировала усилия на основе многолетнего реального опыта в области искусственного интеллекта и биотехнологий.
Конечно, компания, созданная всего несколько месяцев назад, может быстро достичь новых результатов, и её уверенность, несомненно, связана с её материнской компанией 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 обладает более чем десятилетним инженерным опытом 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 искусственный интеллект внутри лаборатории.
Это совершенно другой маршрут, 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.
Маршрут 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 разработка 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 развивать 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:
https://arxiv.org/abs/2606.31763
Все права защищены. Это не может быть воспроизведено или использовано в любой форме без разрешения. В отношении нарушителей будут проведены расследования.
Интеллект Юншэна
Моногидрат
Прямая трансляция 24 часа в сутки, основанная только на одной фотографии? Мультимодальная цифровая система управления персоналом Huya в режиме реального времени 1.0 лидирует в прорыве сквозь три стены отрасли 2026-06-30
Ежегодный отчёт Microsoft об искусственном интеллекте на рабочем месте: сотрудники готовы, компания ещё нет 2026-06-27
BrowserBC: возможность клонировать клики пользователя и преобразовывать операции с веб‑страницами во все агенты 2026-06-27
Попавший в ловушку бесконечного цикла медицинского искусственного интеллекта, наконец‑то отечественный игрок пережил 2026-06-17
Отсканируйте код, чтобы поделиться им со своими друзьями
Подписаться в Макс
