前沿研究动态

AI 领域的进展速度常常让人惊叹，今天在学术论文中看到的新想法，可能半年后就变成了大家都在用的产品功能。

Scaling Law、MoE 混合专家模型、长上下文技术、推理时计算扩展、多模态融合、AI Agent、小样本学习、AI for Science——这些正在实验室里探索的方向，将定义下一个十年的 AI 产品形态。

本模块不追求讲透每一个技术细节，而是帮你建立一幅前沿研究的全景图：知道有哪些重要方向、每个方向在解决什么问题、目前进展到哪一步、未来可能走向何方。

理解前沿研究的价值不在于跟风，而在于看到技术演进的脉络，在变化中找到不变的规律。

Scaling Law（规模定律）

Scaling Law 是过去几年大模型成功的核心指导原则——更大的模型、更多的数据、更强的算力，带来更好的性能。

什么是 Scaling Law

简单说：在一定范围内，模型性能随着计算量、数据量、参数量的增加而可预测地提升。

这就像种庄稼：在合理区间内，施肥越多、浇水越足、土地越肥沃，收成就越好。

Scaling Law 最早由 OpenAI 在 2020 年的论文《Scaling Laws for Neural Language Models》中系统阐述。

他们发现，当你把模型参数量、数据量、计算量都扩大 N 倍时，模型的损失值会以 log(N) 的方式下降——也就是说，虽然边际收益递减，但只要持续投入，性能就会持续提升。

Chinchilla 最优训练法则

2022 年，DeepMind 的论文《Training Compute-Optimal Large Language Models》（即 Chinchilla 论文）带来了重要修正。

此前的主流做法是：尽量把模型做大，然后用相对较少的数据训练。

Chinchilla 论文指出：之前的模型都太大了，数据太少了。

他们提出，给定一定的计算预算，应该让模型参数量和训练数据量按一定比例同步扩大。

具体来说：计算量翻倍时，模型参数量应该扩大约 1.4 倍，训练数据量也应该扩大约 1.4 倍。

模型	参数量	训练数据量	发布时间	特点
GPT-3	175B	300B tokens	2020	模型大，数据相对少
Chinchilla	70B	1.4T tokens	2022	模型小一点，数据多很多
LLaMA 2	70B	2T tokens	2023	延续 Chinchilla 思路

Chinchilla 的影响是深远的：此后的主流模型，从 LLaMA 到 GPT-4，都更注重数据量的配比，不再一味追求超大参数量。

Scaling Law 的局限与争议

Scaling Law 不是万能的。它的局限性体现在几个方面：

首先是边际收益递减——要让性能提升一倍，可能需要十倍甚至百倍的计算投入。

其次是能力涌现的不可预测性——有些能力（比如复杂推理）在模型小的时候完全不出现，到一定规模后突然涌现，但下一个能力何时涌现、涌现什么，没人能准确预测。

第三是数据瓶颈——高质量的文本数据总量是有限的，按当前的消耗速度，可能很快就会遇到数据天花板。

Scaling Law 的核心启示：规模不是万能的，但没有规模是万万不能的。今天的模型依然受益于更大的规模，但研究者也在探索"不只是堆规模"的新路。

混合专家模型（MoE）

混合专家模型（Mixture of Experts，MoE）是让模型变大但不显著增加推理成本的一种架构设计。

稠密模型 vs 稀疏模型

传统的大模型是"稠密"的——每个 token 输入时，模型的所有参数都会被使用。

MoE 是"稀疏"的——每个 token 只使用模型中的一小部分参数（也就是几个"专家"），其他参数处于休眠状态。

这就像医院看病：

稠密模型：你去看病，医院所有科室的医生都来给你会诊——虽然全面，但成本太高。

MoE 模型：你去看病，导诊台把你分到相关的几个科室（比如内科+心内科），只有这几个科室的医生给你诊断——既保证了专业性，又控制了成本。

特性	稠密模型	MoE 稀疏模型
参数总量	通常较小	可以非常大
每 token 使用参数	全部参数	一小部分专家
推理成本	与参数量成正比	相对可控
训练难度	相对简单	需要解决负载均衡等问题
代表模型	GPT-3、LLaMA	Switch Transformer、Mixtral、GPT-4

门控机制（Gating）

MoE 的核心是门控网络——它决定每个 token 应该发给哪些专家处理。

门控网络的输入是当前 token 的特征，输出是每个专家的权重。

通常做法是：选择权重最高的 Top-K 个专家（比如 K=2 或 K=8），只把 token 发给这几个专家，然后把它们的输出按权重加权求和。

门控网络本身是可学习的——它会在训练过程中慢慢学会"什么类型的内容适合分给什么专家"。

专家路由算法

MoE 有一个独特的挑战：负载均衡。

如果门控网络总是把大多数 token 分给少数几个专家，那其他专家就得不到充分训练，模型容量就浪费了。

研究者提出了多种路由算法来解决这个问题：

一种是在门控网络的损失函数里加上"负载均衡损失"，鼓励每个专家被均匀使用。

另一种是采用更复杂的路由策略，比如"容量限制"——每个专家有最大处理量，满了就分给下一个最合适的专家。

代表模型：Mixtral

2023 年底，Mistral AI 发布的 Mixtral 8x7B 让 MoE 真正走向主流。

Mixtral 有 8 个 7B 参数的专家，每个 token 选择 Top-2 个专家，所以每 token 实际使用约 14B 参数，但总参数量有 47B。

结果是：Mixtral 的推理速度和成本与 14B 稠密模型相当，但性能接近 70B 模型。

这种"花小钱办大事"的特性，让 MoE 成为业界关注的焦点。

训练与推理挑战

MoE 虽然诱人，但也有额外的复杂性：

训练方面：需要处理专家负载均衡、通信开销（在多机分布式训练时）、专家dropout等问题。

推理方面：虽然每 token 只激活少数专家，但整个模型还是要加载到显存里——这对显存容量提出了更高要求。

不过研究者正在用模型并行、动态专家卸载等技术来缓解这些问题。

实例

# ============================================
# 简单的 MoE 门控机制概念演示
# 展示如何根据输入选择合适的专家
# ============================================

import random
from typing import List, Tuple

class Expert:
"""一个简单的专家模型（概念演示）"""

def __init__(self, expert_id: int, specialty: str):
self.expert_id = expert_id
self.specialty = specialty # 专长领域（如"数学"、"代码"、"文学"）
# 模拟专家的参数（实际中这是神经网络权重）
self.weights = [random.random() for _ in range(10)]

def forward(self, x: List[float]) -> float:
"""专家处理输入并产生输出"""
# 简单的加权求和模拟（实际中是神经网络计算）
return sum(x[i] * self.weights[i % 10] for i in range(len(x)))

class MoEGate:
"""MoE 门控网络：决定每个输入分给哪些专家"""

def __init__(self, num_experts: int, top_k: int = 2):
self.num_experts = num_experts
self.top_k = top_k
# 门控网络自身的参数
self.gate_weights = [[random.random() for _ in range(10)]
for _ in range(num_experts)]

def compute_scores(self, x: List[float]) -> List[float]:
"""计算每个专家对当前输入的得分"""
scores = []
for expert_weights in self.gate_weights:
score = sum(x[i] * expert_weights[i] for i in range(len(x)))
scores.append(score)
return scores

def select_experts(self, x: List[float]) -> List[Tuple[int, float]]:
"""选择 Top-K 个专家，返回 (专家索引, 权重) 列表"""
scores = self.compute_scores(x)

# 按得分从高到低排序
scored_experts = [(i, score) for i, score in enumerate(scores)]
scored_experts.sort(key=lambda x: x[1], reverse=True)

# 选择 Top-K
top_experts = scored_experts[:self.top_k]

# 对 Top-K 的权重做 softmax 归一化（简化版）
total = max(0.0001, sum(score for _, score in top_experts))
return [(idx, score / total) for idx, score in top_experts]

class SimpleMoE:
"""一个简化的混合专家模型"""

def __init__(self, num_experts: int = 8, top_k: int = 2):
# 创建多个专家
specialties = ["数学", "代码", "文学", "历史",
"科学", "艺术", "体育", "哲学"]
self.experts = [Expert(i, specialties[i % len(specialties)])
for i in range(num_experts)]
# 创建门控网络
self.gate = MoEGate(num_experts, top_k)

def forward(self, x: List[float]) -> float:
"""MoE 前向传播"""
# 1. 门控网络选择专家
selected_experts = self.gate.select_experts(x)

print(f"输入特征: {[f'{v:.2f}' for v in x[:5]]}...")
print(f"选择的专家:")
for idx, weight in selected_experts:
print(f" - 专家 {idx} ({self.experts[idx].specialty}), 权重: {weight:.3f}")

# 2. 被选中的专家处理输入
expert_outputs = []
for idx, weight in selected_experts:
output = self.experts[idx].forward(x)
expert_outputs.append((output, weight))

# 3. 加权合并专家输出
final_output = sum(output * weight for output, weight in expert_outputs)

return final_output

# ============================================
# 演示 MoE 的工作流程
# ============================================

# 创建一个 8 专家、选 Top-2 的 MoE 模型
moe = SimpleMoE(num_experts=8, top_k=2)

# 模拟几个不同类型的输入（用随机向量表示）
print("=" * 50)
print("RUNOOB MoE 概念演示")
print("=" * 50)

# 输入 1：模拟"数学"类输入
input1 = [0.9, 0.8, 0.1, 0.1, 0.2, 0.1, 0.1, 0.1, 0.1, 0.1]
output1 = moe.forward(input1)
print(f"MoE 输出: {output1:.4f}")
print()

# 输入 2：模拟"代码"类输入
input2 = [0.1, 0.2, 0.9, 0.8, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1]
output2 = moe.forward(input2)
print(f"MoE 输出: {output2:.4f}")
print()

# 输入 3：模拟"文学"类输入
input3 = [0.1, 0.1, 0.1, 0.1, 0.9, 0.8, 0.1, 0.1, 0.1, 0.1]
output3 = moe.forward(input3)
print(f"MoE 输出: {output3:.4f}")

print()
print("=" * 50)
print("提示：实际 MoE 中，门控网络会通过学习逐渐")
print(" 学会什么类型的输入适合分给什么专家。")
print("=" * 50)

MoE 的核心洞察：不是所有参数都需要同时工作。让每个专家专注于自己擅长的，用门控网络做调度，既能扩大总容量，又能控制推理成本。

长上下文技术

早期 GPT-3 的上下文窗口只有 2K tokens（约 1500 个汉字），今天的主流模型已经达到 8K、32K、128K 甚至 1M tokens。

长上下文不是简单地"把窗口拉长"——它需要解决一系列技术挑战。

长上下文的核心挑战

最直接的问题是计算复杂度。

Transformer 的自注意力机制复杂度是 O(n²)——上下文长度翻倍，计算量翻四倍。

把窗口从 2K 拉到 128K，计算量增加 4096 倍——这在计算上是不可行的。

第二个挑战是位置编码。

原始 Transformer 使用的正弦位置编码或可学习位置编码，在超出训练长度时外推能力很差——就像一个人只在 100 米跑道上训练过，突然让他跑 1000 米，会很不适应。

第三个挑战是记忆效果。

即使技术上能处理长文本，模型也可能"看过就忘"——中间的内容很难被有效利用。

RoPE 外推方法（YaRN / LongRoPE）

旋转位置编码（Rotary Position Embedding，RoPE）是目前最流行的位置编码方案之一。

RoPE 的核心思想是：把位置信息编码为旋转角度。

这样做的好处是：相对位置关系被自然地编码了——两个 token 相隔 k 个位置，它们的旋转角度就差 k 个单位。

但原始 RoPE 在超出训练长度时，外推效果依然会下降。

研究者提出了改进方案：

YaRN（Yet Another RoPE Scaling）——通过精细调整 RoPE 的缩放因子，让模型在超出训练长度时也能保持较好的性能。

LongRoPE——Meta 提出的方法，通过渐进式扩展和微调，让 LLaMA 2 模型的上下文窗口从 4K 扩展到 128K 甚至 256K。

这些技术的共同思路是：不重新训练整个模型，只调整位置编码的部分参数，就能实现上下文窗口的大幅扩展。

稀疏注意力（Sliding Window / Longformer）

解决 O(n²) 复杂度的另一个思路是：不让每个 token 关注所有其他 token。

滑动窗口注意力（Sliding Window Attention）——每个 token 只关注它前后固定窗口内的 token（比如前后 4096 个）。

这就像读小说时，你只记得最近几页的内容，不会每读一个字都回想整本书。

Longformer——结合滑动窗口和全局注意力，部分特殊 token（如 <[BOS_never_used_51bce0c785ca2f68081bfa7d91973934]> 、摘要标记）可以关注所有 token，其他 token 只关注局部。

这样既能处理长文本，又能保证全局信息不丢失。

状态空间模型：Mamba

2023年底，Mamba 的出现带来了一个全新的思路。

Mamba 属于状态空间模型（State Space Model，SSM）的范畴，它的复杂度是 O(n)——上下文长度翻倍，计算量也只翻倍。

Mamba 的核心创新是选择性状态空间——让模型根据输入内容动态决定哪些信息需要记住、哪些可以忽略。

这就像做笔记：你不是把每一个字都记下来，而是选择性地记录重点。

Mamba 的优势在于：

1. 理论上可以处理无限长的上下文

2. 推理速度快，显存占用低

3. 在长序列任务上表现优异

不过 Mamba 也有局限：目前在短文本任务上还略逊于成熟的 Transformer，生态也相对不完善。

技术方案	复杂度	代表模型	适用场景
全注意力 Transformer	O(n²)	GPT-3、LLaMA	短到中等长度文本
RoPE 外推	O(n²)	Claude、GPT-4	中等长度文本
稀疏注意力	O(n) 或 O(n log n)	Longformer、Mistral	文档级长文本
状态空间模型	O(n)	Mamba、Hyena	超长序列（代码、基因组等）

长上下文技术的演进方向：在性能、速度、显存三者之间找到最佳平衡。不同场景可能需要不同的技术方案。

推理时计算扩展

传统大模型的训练和推理是分离的——训练时花大量计算，推理时用固定的前向计算。

推理时计算扩展的思路是：让模型在推理时也能"思考"更多步，用额外的计算换取更好的结果。

o1 / DeepSeek-R1 的思路

2024 年，OpenAI 的 o1 和 DeepSeek 的 DeepSeek-R1 代表了这个方向的重要突破。

这些模型的核心是：让模型先进行"推理思维链"，再给出最终答案。

具体来说：

1. 模型收到问题后，不是直接回答，而是先生成一系列"思考过程"（对用户可见或隐藏）

2. 在思考过程中，模型可以尝试不同思路、纠正自己的错误、分解复杂问题

3. 思考充分后，再给出最终答案

这就像做数学题：你不会直接写答案，而是先在草稿纸上一步步推导，确认正确后再整理答案。

慢思考 vs 快思考

这个方向呼应了心理学家卡尼曼的"双系统理论"：

系统 1（快思考）——直觉、快速、不费脑力。对应传统模型的一次前向传播。

系统 2（慢思考）——分析、慢速、需要努力。对应推理时的多步思考。

之前的大模型主要是"系统 1"，而 o1 这类模型开始引入"系统 2"的能力。

需要注意的是：慢思考需要更多时间和成本——一个思考 10 秒的请求，成本可能是即时回答的 10 倍。

Best-of-N 采样

另一种更简单的推理时扩展是 Best-of-N（也叫 Self-Consistency）。

做法很直接：

1. 让模型对同一个问题生成 N 个不同的答案

2. 用某种方法选择最好的那个（比如多数投票、模型自我评估、外部验证）

这就像考试时做选择题：你不会只猜一次，而是尝试多种解法，然后选最一致的答案。

Best-of-N 的好处是简单、通用、几乎不需要额外训练——但缺点是成本高（要生成 N 次）。

Monte Carlo Tree Search in LLM

还有一个活跃的方向是把强化学习中的蒙特卡洛树搜索（MCTS）引入大模型。

AlphaGo 就是用 MCTS 实现超人表现的。

MCTS 的思路是：

1. 把问题看作一个"搜索树"——每个节点是一个思考状态，每条边是一个思考步骤

2. 通过多次模拟，探索不同的思考路径

3. 根据探索结果，选择最有希望的路径

把 MCTS 和 LLM 结合，是一个很有潜力的方向——既能利用 LLM 的丰富知识，又能发挥 MCTS 的规划能力。

方法	核心思想	优点	缺点
思维链（CoT）	让模型一步步思考	简单有效	增加 token 消耗
o1 / R1 风格	深度思考链 + 强化学习	推理能力强	训练复杂
Best-of-N	多选一	简单通用	成本高
MCTS + LLM	搜索最优思考路径	规划能力强	实现复杂

推理时计算扩展的核心权衡：你愿意花多少时间和成本，来换取更好的答案？不同场景（闲聊 vs 数学证明）可能需要不同的设置。

多模态大模型最新进展

从 GPT-4V 到 Gemini 再到 GPT-4o，多模态能力正在快速演进——现在的模型不仅能读文本，还能看图像、理解视频、听音频、甚至生成多媒体内容。

GPT-4o / Gemini 1.5 Pro

2024 年的新一代多模态模型有几个显著特点：

更流畅的交互——GPT-4o 支持语音对话，能实时理解图像和视频，交互体验更接近真人。

更强的视频理解——Gemini 1.5 Pro 可以处理长达 1 小时的视频，能精准回答关于视频内容的问题。

原生多模态生成——模型不再是"先看后答"，而是能同时处理和生成多种模态的内容。

这些模型的能力常常让人惊叹：给一张手绘草图，它能帮你写代码实现；给一道物理题的照片，它能一步步讲解；给一段视频，它能分析人物情绪和情节发展。

原生多模态训练

早期的多模态模型通常是"拼接"的——预训练一个语言模型，再训练一个视觉编码器，最后把它们拼在一起。

新一代模型正在走向原生多模态训练——从训练一开始就同时处理文本、图像、音频等多种模态。

这带来几个好处：

1. 更紧密的跨模态关联——模型能真正理解"这个词对应图像中的这个区域"

2. 更自然的多轮交互——可以交替展示文本和图像，形成连贯对话

3. 涌现的新能力——比如"看图说故事"、"听声辨物"等

视频理解的突破

视频理解是最近一年进展很快的方向。

早期方法是把视频拆成独立的帧，每一帧单独编码——这会丢失时间连续性。

新的思路包括：

时序注意力——让模型不仅关注空间上的内容，还能追踪时间上的变化。

均匀采样——在长视频中均匀采样关键帧，既覆盖全局又控制计算量。

视频 Tokenization——把视频当作一种"语言"，用类似文本的方式处理。

现在的模型已经能：理解复杂的视频教程、分析体育比赛的关键时刻、甚至从视频中学习操作技能。

模型	能力重点	发布时间
GPT-4V	图像理解	2023
Gemini 1.0	多模态原生	2023
Claude 3	视觉推理	2024
Gemini 1.5 Pro	长视频理解	2024
GPT-4o	实时多模态交互	2024

多模态的未来方向：从"能看能听"走向"真正理解"。下一阶段的挑战是物理推理、因果理解、以及多模态下的抽象思维。

AI Agent 研究前沿

AI Agent（智能体）的目标是让 AI 能像人一样"做事"——有目标、会规划、能执行、懂反思。

世界模型（World Model）

世界模型是 Agent 的核心组件——它是 Agent 对世界的"心理模型"。

简单说，世界模型让 Agent 能回答：

"如果我这样做，接下来会发生什么？"

这就像下棋：你不会直接落子，而是先在脑海中推演几步，预判对手的反应。

世界模型的研究方向包括：

预训练世界模型——在大量交互数据上预训练，让 Agent 具备常识物理知识。

想象规划——让 Agent 在"想象"中尝试多种方案，选择最好的那个。

因果理解——让 Agent 不仅知道"发生了什么"，还理解"为什么发生"。

具身智能（Embodied AI）

具身智能关注的是：在物理世界或虚拟世界中拥有"身体"的 AI。

比如：

——机器人在真实世界中抓取物体、导航

——AI 在 Minecraft 中搭建复杂建筑

——数字人在虚拟环境中与环境互动

具身智能的挑战在于：物理世界是连续的、不可预测的、有噪音的——这和文本的离散世界很不一样。

但也正是这种"真实感"，让具身智能成为学习常识的重要途径。

代码执行能力的重要性

现代 Agent 的一个关键能力是：会写代码、会执行代码。

代码是 Agent 的"万能工具"：

——需要计算时，写一段 Python 代码

——需要数据分析时，写 SQL 或 Pandas

——需要自动化任务时，写脚本调用各种 API

——需要复杂推理时，写代码实现算法

代码执行能力本质上是一种"扩展性"——它让 Agent 能根据需要创造新工具，而不局限于预设的能力。

这也是为什么 Claude、GPT-4 等模型都花很大力气强化代码能力。

AI Agent 的核心挑战：如何把大模型的"知识"转化为现实世界中的"行动"。这需要规划能力、工具使用能力、以及从试错中学习的能力。

小样本与零样本学习

传统机器学习需要大量标注数据才能学好一个任务。

大模型带来的范式转变是：给几个例子，甚至只给指令，模型就能学会新任务。

In-Context Learning 的原理

In-Context Learning（上下文学习）是大模型最神奇的能力之一。

简单说：你不需要修改模型参数，只要在输入里给几个例子，模型就能学会新任务。

比如：

输入：

苹果 → 水果

胡萝卜 → 蔬菜

香蕉 → ?

模型能自动理解规律，输出"水果"。

但 In-Context Learning 到底是怎么工作的？

研究者提出了几种解释：

隐式梯度下降——上下文例子相当于在做某种"梯度更新"，但只在推理时生效。

任务检索——模型从训练数据中检索类似的任务，然后复用那个任务的解法。

贝叶斯推理——模型根据例子，在可能的假设空间中做贝叶斯更新。

目前还没有完全一致的答案，但有一点是确定的：模型在预训练中学到了"如何学习"。

Instruction Tuning 的影响

Instruction Tuning（指令微调）是让模型更好地遵循人类指令的关键技术。

做法很简单：收集大量"指令-任务"对，用它们微调模型。

比如：

指令：把下面的句子翻译成法语

输入：Hello, how are you?

输出：Bonjour, comment ça va?

经过 Instruction Tuning 后，模型会更"听话"——更可能按照指令的要求去做，而不是随便生成。

更重要的是，Instruction Tuning 带来了泛化能力——模型在见过的任务上表现好，在完全没见过的新任务上也能表现不错。

这就像一个好学生：他不是死记硬背，而是学会了"如何理解和执行指令"。

学习范式	需要的数据	代表方法	适用场景
传统监督学习	大量标注数据	微调全模型	高价值任务，数据充足
小样本学习（Few-shot）	几个例子	In-Context Learning	新任务快速试做
零样本学习（Zero-shot）	只有指令	Instruction Tuning	简单、低风险任务
思维链（CoT）	带推理步骤的例子	Step-by-step 提示	复杂推理任务

小样本学习的核心价值：降低应用 AI 的门槛。现在，你不需要是机器学习专家，不需要收集大量数据——只要会写提示，就能让 AI 帮你做事。

AI 与科学发现

AI 不仅在改变我们的生活，也在改变科学研究本身——从蛋白质结构到数学定理，从药物发现到材料设计，AI 正在成为科学家的强大助手。

AlphaFold 的意义

2020 年，AlphaFold 是一个里程碑：它解决了困扰生物学界 50 年的"蛋白质折叠问题"。

简单说，蛋白质是一串氨基酸，但它会折叠成复杂的 3D 结构——而这个结构决定了它的功能。

之前，解析一个蛋白质结构可能需要几年时间和大量实验经费。

现在，AlphaFold 能在几分钟内预测出准确的 3D 结构。

AlphaFold 的影响是深远的：

——帮助理解疾病机制

——加速药物开发

——设计全新的蛋白质

更重要的是，AlphaFold 证明了：AI 可以在人类知识的边界上做出实质性贡献。

AI for Mathematics

数学研究被认为是人类智慧的巅峰——但 AI 也开始在这个领域崭露头角。

Drug Discovery

药物开发是一个漫长而昂贵的过程——平均需要 10 年时间和 10 亿美元。

AI 正在改变这个局面：

靶点发现——AI 分析生物数据，找到疾病相关的蛋白质靶点。

分子生成——AI 生成全新的候选分子，预测它们的性质。

ADMET 预测——AI 预测药物的吸收、代谢、毒性等。

合成路线设计——AI 设计有机合成的最优路线。

多家 AI 药物公司已经进入临床试验阶段——虽然还没有 AI 发现的药物上市，但这个方向的潜力巨大。

科学领域	AI 的应用	代表成果
结构生物学	蛋白质结构预测	AlphaFold、RoseTTAFold
数学	定理证明、猜想发现	AlphaTensor、Lean AI
化学	分子生成、反应预测	AlphaFold for ligands
药物开发	靶点发现、候选物设计	多家公司进入临床
材料科学	新材料设计	电池材料、催化剂

AI 赋能科学发现的核心洞察：科学研究本质上是"在巨大的可能性空间中搜索"——而 AI 擅长的正是在海量数据和高维空间中找到模式。

返回顶部

菜鸟教程