人工智能浅识

关于人工智能

我个人其实没有太接触过人工智能，虽然说是个学生信的，但是对于这些新东西的敏感度还是不够。日常只在组会汇报的时候，听师弟说起深度学习的进展。

唯一一次接触可能是在搭建部署网站遇到问题的时候，和师弟一起询问过ChatGPT

今天有幸听到了第五届全球华人遗传学大会，其中由陈润生院士主讲的大数据、精准医学与人工智能部分的内容，好像对人工智能有了一个初步的认识。虽然懂得不多，但听完汇报大为触动，所以分享一下

具体的报告详情大家可以搜索浙大四院视频号听取报告（目前已生成视频回放）

报告详情

大模型概念

关于人工智能，陈先生认为数据收集与标准化非常重要，目前主要的进展在大模型

过去人工智能进展是单模态的进展，而目前大模型就是跨越单模态，把整个人工智能应用到智能化的所有信息的不同形式，而且把这些不同的形式的东西多模态的整合到一起。

大模型是指通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模型，兼具“大规模”和“预训练”两种属性。

大模型的理论基础：Geoffrey Hinton以及Fred Jelinek原理。以及基于把自然语言变成计算机能够读懂的语言的技术

大模型技术路线

大模型的技术路线主要包括Chat GPT——生成性预测训练变换模型以及BERT——也是一种训练语言表示的方法，是来自Transformer的双向编译器，其中Transformer是两大系统的基本模型

底层架构是Transformer模型，Transformer完成了把自然语言进行编码让计算机能够识别，使得自然语言的模态能够和别的模态如影像学等模态进行结合

大模型的投入成本及应用

大模型的投入成本较大，主要在智算集群建设、模型训练以及运营成本等

在生物医学当中应用也较多

陈老师团队的研究进展

将电子病历、医学的影像以及组学大数据等整合在一起

综合整合成灵枢：医学多模态数据智能整合计算平台

关于AI发展的思考

一些可能会引发担忧的问题：

1. 大模型具有涌现的能力，及当训练的规模达到一定程度的时候，可能会出现新的结果

2. 人工智能的学习能力变强，且能够链接实质性的系统

强人工智能——属于人类级别的人工智能

不同的人对于大模型有不同的思考及评价，包括欧洲制定了人工智能法案

如何让人工智能达到强人工智能的程度：发展理论、方法——向真实的脑学习

人工智能的发展是连续的还是有壁垒的，以及带来哪些问题，还需要我们去思考

写在结尾

有幸听到了这次的会议，从杨焕明院士的从遗传学到基因组学——生命科学的三场革命，了解了测序的重要性；到陈润生院士的大数据、精准医学与人工智能让我对人工智能及其发展有了基础的了解。

果然多听大佬的汇报，可以开拓见识！

这个会议的回放能在浙大四院视频号找到，大家感兴趣的可以听一听