年度十大前沿科技：生命科学迎来数据驱动时代，XR催熟元宇宙( 三 ) _宇宙知识

不过在进一步发展之后，数据瓶颈不容忽视：高质量研发数据不足，以及医药研发可用数据与靶点价值成反比。
不过目前业内已经有相应的解决方案，比如建立药物大数据实验室、多学科融合等方法。
从更长远的角度来看，药物优化本质上是一个多目标优化的过程。当下AI制药行业大多停留在对技术难题的局部突破，即单独针对特定性质（靶向性、稳定性、吸收性等）反复迭代。
如何基于整体优化的思路， AI模型一次性满足多样化需求，成为当下国内外AI制药企业关注的重点。
趋势五：多模态多维度大模型预示通用智能

2021年，大规模成为了谷歌、阿里、华为、百度、微软等各方大厂的军备竞赛，科技企业的开发思路从多点开花的大炼模型变为集中火力的炼大模型。
由于具有强通用性和少样本学习能力，大模型正在为AI带来集约式新开发模式与商业模式。与此同时，跨模态预训练模型（比如DALL·E、CLIP）的出现，预示了通用智能的可实现性。
业内普遍认为“一次开发，终身使用” 。
拥有更通识的大模型将为细分任务奠定基础，后续应用无需投入大量标注数据及从头训练调参，效率明显提升。
发展至今，参数量已不仅是大模型追求的唯一指标。多模态、多维度功能（跨语言、多任务）、效率、知识增强、高效率等因素成为现有模型的关注方向。
多模态学习成为当中的重要趋势，它可以被应用在归一、转化、翻译对齐、融合及协同学习上。按照下游任务则可以划分为视觉问答、视觉推理、图文检索等理解式任务和生成式任务（文字生成图像）。
由于跨领域通用，量子位分析师认为，大规模预训练模型在未来可能会担任类似基础设施生态的中间层角色，为不同的行业生态承担过渡作用。
在应用层，也给人工智能各行各业的应用和发展带来了机遇，例如自动化内容生成、内容翻译、机器人对话等。大模型也在这个过程中提升自身性能，发挥数据闭环的迭代效应。
趋势六：新型AI芯片引领后摩尔时代

随着AI在各类场景中广泛落地，传统依靠制程工艺提升的AI芯片难以满足需求。
在集成电路的未来三大演进路线中，以完全架构创新所代表的“More than Moore”成为下一代AI芯片的重点方向。
这当中，类脑计算、存算一体、量子计算、数据流AI计算都是选择。
以效仿人脑开发、事件驱动型的神经拟态芯片为例。由于尽可能模仿了神经元间电脉冲传递的方式，神经拟态芯片天然符合事件驱动机制，且存算一体、在时延和能耗上都有显著降低。国际上的代表厂商包括IBM、Intel、BrainChip；国内参与者包括清华大学的天机芯（后转化为灵汐科技）、浙江大学等。
再来看存算一体芯片。
传统芯片以存算分离为特征，有个著名的冯诺依曼瓶颈。由于工艺封装需求的不同，导致处理器和存储器间的发展速度差异越来越大，芯片计算能力从带宽和时延两方面严重受制于存储单元。这一点在无人驾驶等边缘计算场景尤为突出。
而存算一体的本质正是存、算两者更紧密的结合在一起，以减少数据搬运导致的不必要时延和能耗。
目前主流路线有两类：直接让存储单元实现计算功能的存内计算；紧密耦合存储单元和计算逻辑但计算仍由独立计算单元完成近内存计算。

年度十大前沿科技：生命科学迎来数据驱动时代，XR催熟元宇宙( 三 )

猜你喜欢