Egy modell több tudományterületre: bemutatták a 021-et

Közös nyelvet adna a különböző tudományoknak

A különböző tudományterületek eltérő formában rögzítik megfigyeléseiket. A kémia molekulaképleteket, a genomika szekvenciákat, a csillagászat képeket és színképeket, a földtudományok pedig térképeket használ. Az ezek egyikére betanított modellek ritkán vihetik át tudásukat egy másik területre.

Ezt a problémát vizsgálta az AI for Good Global Summit 2026 keretében rendezett workshop, amelyet a Zhejiang Lab partnerségével szerveztek. A bemutatott 021 Scientific Foundation Model célja, hogy a különböző adattípusokat egyetlen közös AI-keretben kapcsolja össze.

Guirong Xue, a Zhejiang Lab tudományos modellekért felelős vezető mérnöke szerint a modell közös reprezentációba igyekszik rendezni többek között a szöveget, a kódot, a matematikát, a fizikai képleteket, a kémiát, a csillagászatot, a földtudományokat, az élettudományokat és az anyagtudományt. A rendszer egyik alapja egy egységes tokenizáló, amely a különböző adattípusokat közös formára alakítja a tanítás előtt. A másik fontos elem a szakértők keverékére épülő architektúra, amely az egyes feladatokhoz meghatározott szakértőket aktivál, miközben lehetővé teszi a tudás megosztását a területek között.

A csapat 32 milliárd és 236 milliárd paraméteres alapmodelleket adott ki. Xue beszámolója szerint egy genomikai teszten az egységes modell jobb eredményt ért el specializált genomikai modelleknél és nagyobb, általános célú nyelvi modelleknél is.

Kémiai, genomikai és csillagászati példák

A workshop előadásai szerint a tudományos alapmodellek fő haszna lehet a túl nagy keresési terek szűkítése. Sebastian Viktor Pios, a Zhejiang Lab vezető kutatója egy, a 021-re épülő kémiai modellt mutatott be. Elmondása szerint a rendszer molekuláris megértésben hasonlóan teljesített két vezető kereskedelmi rendszerhez, tulajdonságbecslésben pedig felülmúlta őket, miközben kisebb volt.

Egy kínai vegyipari vállalattal közösen a modell hűtőközegjelölteket szűrt, és 60, további számításos és kísérleti vizsgálatra kiválasztott molekulára csökkentette a listát. Shiping Liu, a BGI Research vezető tudósa a GenesLM emberigenom-alapmodellt is ismertette, amelyet több mint 60 teljes emberi genomon tanítottak. A Zhejiang Lab csapatával közösen fejlesztett TransGene szöveget és szekvenciákat kezel.

Liu szerint egy daganatos beteg esetében a platform 1,5 terabájtnyi multiomikai adatból 34 nagy megbízhatóságú terápiás célpontot azonosított. Ezek közül egyet egy kínai kutatócsoport hírvivő-RNS-en és dendritikus sejteken alapuló terápiák irányában visz tovább. A workshopon ezeket a rendszereket lehetőségeket szűkítő eszközökként mutatták be, amelyek után további számításos, laboratóriumi vagy klinikai vizsgálat szükséges.

A csillagászatban az EPFL One Astronomy alapmodellje képi és színképadatokat egyesít a gravitációs lencsék kereséséhez. Egy összeállított értékelési adathalmazon a két adattípus együttes használata 83 százalékos pontosságot adott, míg a csak képekre épülő megoldás körülbelül 32, a csak színképeket használó rendszer 43 százalékot ért el. A hagyományos konvolúciós hálózati alapvonal eredménye 2 és 5 százalék között volt.

A modell eredményeit ellenőrizni is kell

A bemutatott projektek között olyanok is szerepeltek, amelyek a mesterséges intelligencia által létrehozott eredmények ellenőrzésére építenek. Lei Zhang, a Szingapúri Nemzeti Egyetem matematikai docense egy, a 021 alapmodellre épülő formális matematikai következtetési rendszert ismertetett. Elmondása szerint a többügynökös bizonyítási rendszer egy olyan képlet levezetését készítette el, amelyhez korábban egy doktorandusznak körülbelül egy évre volt szüksége. A rendszer egyenértékű eredményt egy nap alatt állított elő.

Anna Stepashkina a One Porous nevű, porózus anyagok tervezésére szolgáló ügynököt mutatta be. A rendszer által generált szerkezetet 3D-nyomtatással előállították, majd kísérletileg tesztelték. Stepashkina szerint a szerkezetet egy műholdkomponens tervezésénél használták, amivel körülbelül 10 százalékkal csökkent a tömeg, a gyártási ciklus pedig három hónapról két hétre rövidült.

A workshopon az is elhangzott, hogy a tudományos modellek fejlődéséhez a modellek önmagukban nem elegendők. Szükség van megbízható adatokra, számítási erőforrásokra, közös szabványokra, nemzetközi együttműködésre és olyan tudósokra, akik értik a vizsgált kérdéseket.

Tong Weiling, a Zhejiang tartományi tudományos és technológiai hivatal főigazgatója a Zhejiang Lab Model Scope közösségét Kína legnagyobb, nyílt forráskódú modellközösségeként, világszinten pedig a második legnagyobbként írta le. Négy együttműködési területet javasolt: közös kutatást, határokon átnyúló adatmegosztást és közös címkézést, kutatók és hallgatók cseréjét, valamint a nyílt forráskódú tudományos alapmodellek közös irányítását.

A bemutató alapján a 021 nem pusztán több feladatra használható modellként jelenik meg, hanem olyan infrastruktúraként, amely összekötheti a tudományos adatokat, ismereteket és módszereket. Ennek gyakorlati értéke a kutatók számára az lehet, hogy egyesíthetik a korábban elkülönítve elemzett adatokat, gyorsabban szűkíthetik a vizsgálandó lehetőségeket, az eredményeket pedig formális, számításos vagy kísérleti módszerekkel ellenőrizhetik.