ChatGPT：我出席了量子比特MEET2023智能未来会议，meet2023智能未来大会

什么是ldquo是MEET2023智能未来会议rdquo；

来了什么样的招牌客人

他们在会上讨论了什么主题

是的！ChatGPT也将参加今年的会议，作为AI的代表与人类嘉宾一起回顾这一年人工智能的发展，展望智能技术的未来。

以下如例所示，全部读了。

不同的是，这次的内容是ChatGPT与编辑部合作总结的。会议大致分为三个轴。

在新技术新模型的变革下，对计算，力提出的新标准，新要求，计算新机会；

时代级机会在征途中寻求解，诞生了哪些新场景，新物种，新应用；

现在，在所有领域被活用的AI，有怎样的新的方法，新的提案，价值。

新标准、新要求和新机会

郑纬民珐琅：AI标准可以用4个指标来设计

首先开始的是计算机系统结构领域的泰斗中国工程院法罗，清华大学计算机科学与技术系郑纬民人工智能的计算力无疑是目前人工智能领域发展的关键，但这次主要介绍了他的团队对人工智能的讲述。

简而言之，就是AI和计算力基础设施的设计、评估和优化。

第一，提出了AI计算基础设施的体系结构和平衡设计原则。目前，全国已有20多个采用人工智能“超算中心”的基本设计思想。

首先，作为HPC和AI的不同，列举了应用领域、运算精度等。基于此，他们提出了人工智能计算机设计的平衡原则，包括计算平衡设计、网络平衡计算、IO子系统设计。

目前整个行业的趋势是“HPC”+AI+BigData的融合。2-4年后会出现三个融合的服务器

二是AIPerf这一大型人工智能计算能力评估程序。

传统的AI计算能力评估标准只有一个芯片、移动硬件、可扩展性差等问题，在整个行业都不太适合，所以我们决定自己做。

为了达到这四个目标AI标准的设计：统一的分数，可变的规模，具有实际的人工智能的意义，评估程序包括必要的复数机通信。最终，以清华大学为主队进行了AIPerf的测试，并于2020年11月15日发布。

三是用兆参数加速超大规模训练模式的方法。

学界的共识是，模型的大小与模型的效果有正相关关系。模型越大，CPU的内存和计算能力就越有限。大型模型的训练必须多机并行进行

目前有三种并行模式：数据并行模式并行专家并行。他们在FastMOE系统中开源了这三种并行培训模式，并在工业界获得了很多认可。例如，阿里的淘宝、腾讯和百度的MOE模块被用于他们的系统。

最后，他们希望他们的团队所做的三个小贡献，都能带动ai的发展。

高通Ziad Asghar：如何使“连接边”成为现实

高通技术公司产品管理担当高级副社长Ziad Asghar，负责snapdragon平台的产品企划和该公司所有产品阵容中的应用程序处理器相关技术。他的工作对应于该公司的所有业务部门，包括移动、汽车、计算、XR、边缘云和iot。

会议指出，AI处理的轴心点正在向边缘侧转移。

其理由涉及多方面。大量数据发生在边缘端，今天的消费者希望拥有更好的数据隐私，寻求数据的可靠性，并及时取得处理结果。

高通集中在ldquo上。基于rdquo的统一技术路线图。进行产品开发，全面覆盖连接边，可进行缩放。

高通的AI技术已经赋能了20亿台终端，实现这一成果的是高通AI引擎（Qualcomm AI Engine）高通AI引擎包括图形处理单元、CPU和Hexagon处理器，具有高可扩展性硬件架构，在性能和能效方面全面领先于竞争对手。

为了让AI在终端端发挥最大的作用，我们引入了一些硬件和软件技术。

支持INT4精度推理，高通传感器集线器，高通AI软件栈，Qualcomm AI Studiohellip。hellip;

过去，大多数AI推论都是在云上进行的。今天，很多推论都转移到了边缘端的终端。下一步是实现完全分布式AI，即转移到终端侧的学习模式。

通过终端方面的学习，可以为各个用户提供个性化的体验，这是高通的目标。根据Ziad，AI研究小组一直致力于解决终端侧学习课题的各种方法，包括小样本学习、无标记的持续数据学习、支持全球自适应的构建学习、低复杂性的终端侧学习等。

Ziad相信，目前我们所利用的终端侧AI能力只是冰山一角，从智能车到元波斯菊，终端侧AI需求庞大。

高通期待市场朝着活用连接边缘的方向发展。

lu晨尤洋：AI落地面临大问题。最先进的AI技术训练成本太高了。

lu晨科技董事长兼总裁、新加坡国立大学校长尤扬青年教授介绍了全新的AI大模型解决方案colossal-ai，它以低成本应对未来各种大型模型的应用场景。

首先，Colossal—AI解决了哪些问题。2016年mdash，从过去AI模式的发展悖论。到2021年，模型的尺寸从200万台增加到1.6万亿台，膨胀了数千万倍。无论是大企业还是小企业，把自己的模型做得更大更有效。

但是，训练大型模型和最先进的AI技术存在成本过高的问题。Stability AI每年花费2000万美元的计算费用

因此，未来需要一种可扩展、高效的计算基础设施，叫做colossal-ai。

其次，colossal-ai主要由三部分组成。

1、高效的内存管理系统。因为一个大模型本质上就是内存过多

2、一种自动的N维并行技术。

3、大规模优化技术。

从三个角度来看，我们的目标是最大化AI模式的培训部署性能，无缝地部署到云和超级计算机上，让用户只需在自己的笔记本电脑上写代码就可以了。

目前训练大的模型主要有三种并行方式：数据并行、张量并行、管线并行。

colossal-ai的解决方案首先支持了上述主流的并行化，不仅提供了2.5D张量并行和3D张量并行，还提出了数据序列的并行，提供了内存管理和大规模的并行优化，以降低内存消耗，并将它们整合起来提供自动并行的解决方案。

事实上，AI工程师、研究人员不需要了解背后的技术细节，但只要告诉我们模型的信息、计算资源，就能自动最大化计算资源能力，完成虚拟模型的培训和自动部署，轻松低成本应用AI模型。

刘：计算力就是创新力

大波信息副总裁、大波人工智能与高性能计算产品线总经理刘军分享的主题是ldquo。AI新时代的智能计算力是创新力rdquo；。

刘军建议ldquo计算rdquo输出；以这样的概念，每天执行每秒一千兆次的计算，用PetaFLOP/s-days（PD）的指标来测量为了完成一个任务需要多少计算量的计算量。

特斯拉的DOJO是一个500PD输出，用于训练和模拟感知模型AlphaFold2在训练中消耗300个PD。

此外，人工智能比克模式培训、数字人建模和渲染等当今人工智能领域的众多创新背后，都有智能计算能力，可以说是创新力。

其次，刘先生分享了当前智能计算发展中的三个重要趋势。

第一是计算力的多角化。国内市场有十几种CPU芯片，近100种AI计算力芯片。为此，需要从系统硬件层面，从平台软件层面，分别支撑创新。

第二个是模型的巨大化，大模型让AI从五年前的听证会到今天思考，创作，下一步可以看到推理、决策的进步。下一个挑战是如何将大规模的模型能力传递给更多的中小企业，以帮助智能迁移。

第三个是原宇宙。当前元空间的构建包括协同创建、高精度模拟、实时渲染和智能交互，每个阶段都需要大量的计算能力。这里不仅有AI计算，还有模拟计算、图像渲染计算，对计算力基础架构的硬件平台和软件栈提出了更高的要求。

新场景、新种、新应用

小冰李笛：为什么我们想和ChatGPT交流

以AI绘画、对话型AI为代表的AIGC今年在世界范围内掀起了热潮，小冰公司也作为业界的先驱者受到关注。为推动虚拟员工推广的10亿元新增贷款刚刚完成。

但小冰公司首席执行官李笛并没有在会上谈论产品，而是分享了一个更值得借鉴的行业趋势。

李笛认为，每次技术变革都会改变人与世界/人与人之间的关系。

在人与世界关系的线上，我经历了门户网站、搜索引擎和推荐算法。

它们利用计算机系统实现高并发性，一键到达广大用户。但缺点是转化率低，提高转化率需要人工客服，人工成本巨大。

下一站我们要看AI Being。

AI Being与之前的人机交互相比，小冰岛App的保存率高达39%，在高转化率上有很大差异。

另一个例子是ChatGPT，比起搜索引擎，获取知识的精度要低，为什么人们想和它交流呢

人们在使用它时，往往心里有答案。如果ChatGPT的结果都是准确的，人们会觉得它很强，即使不准确也很有趣。

其实ChatGPT改善的不是准确率而是行为，让AI具有了主动性。从行为模式的判断和结果来判断一种技术，会得出完全不同的结论。

它能与你建立前所未有的关联，这种关联的价值本身就具有非常大的商业价值。

李笛认为，AI Being的未来还会引发许多新的变革。

例如，数字人工会模糊了toB和toC的界限，比如银行的数字客户经理可能与客户成为朋友。

此外，例如AI Being不再属于某个平台，人们会在客服、手机、汽车上与同一个AI Being交流，继续提供更无缝、24小时、连贯的服务。

同时这种方式也能建立更好的反馈机制，推动系统更好的发展。

AI Being比现在的虚拟偶像等数字人类应用，还没有看到千倍百倍的价值。

路由器：智能车是当前机器人的第一种形态

各行业进入库存竞争时期，互联网经济机遇逝去，下一个人类星海何在。

路透科技副总经理、路透机器人总经理李博认为，“机器人时代”比“原太空时代”更适合人类对星海的期待。

原宇宙将人带入虚拟世界，机器人将AI带入真实世界。

其次，李博分享了对“机器人时代”的重要认识：

第一，智能车是机器人的第一形态，也是目前最重要的机器人形态。从清扫机器人、酒店服务机器人等市场规模、体量、社会影响力来说，与智能车相比也有差距。

第二，行业经常提到“软件定义汽车”，但它被认为是“硬件定义软件的天花板”。例如，当不同年代的苹果手机升级到同一个OS时，其性能千差万别。

第三，在一个更高更快更强的时代，路星是智能汽车的最佳实践平台。在此基础上，鲁特机器人将发布4条产品线。

智能驾驶全栈软件解决方案包括端到端的高阶智能驾驶系统、ADAS/PAS功能、以及车端OS操作系统和中间件等。

ROBOVERSE产学研生态系统利用机器人在实践开发过程中产生的优质数据，构建公开数据集，为创业公司及高校提供能源。另一方面，支持高校进行智能驾驶的探索与尝试，在路特斯机器人的加持下，北京理工大学和同济大学方程式队在2022年中国大学生方程式比赛中分别取得优异成绩，其中北京理工大学路特斯无人驾驶方程式队获得2022中国大学生无人驾驶方程式大赛全国总冠军。

智能驾驶运营解决方案旨在弥补和提高目前智能驾驶系统的能力不足。例如，鲁塔斯平行守护系统将使专门负责后台的平行守护驾驶员接入前车厢，并辅助前车厢更好地完成智能驾驶任务，该系统将在不久的将来逐渐对外赋能。

ROBO Galaxy智能驱动器工具链SaaS系统也被称为智能驱动器的云数据工厂。ROBO Galaxy包括数据收集、数据法规遵从性、数据标记、数据培训、数据模拟、数据管理和数据监控7个模块，提供全流程服务，构成全生命周期的数据链闭环。

ROBO Galaxy不仅提高了算法软件的迭代速度，提供了优质的测试环境，还致力于解决目前普遍存在的数据孤岛和业务断点问题。因此，李博认为，未来的智能驾驶产品一定要分批、高质量、稳定生产，这要靠ROBO Galaxy，把智能驾驶开发从“手工坊”变成“管道”。因此，ROBO Galaxy代表了智能驱动器未来的工作效率。

百度段润尧：聪明的头脑，足够的资源和最好的技术相匹配，就可以制作出量子计算机

目前，量子时代正在加速，近70%的全球企业正在考虑或部署相关技术。像国内“百度”这样的技术巨头，今年首次提供了从底层硬件到上层应用的产业化解决方案。

百度量子计算研究所所长段润尧在大会现场分享了“百度”是如何思考量子计算的。

我们所处的这个时代其实已经成为第二次量子革命，这几年应该是量子真正开始与计算结合的重要几年，为什么量子计算需要问世。

首先，当芯片尺寸小到一定程度时，成为量子尺度。继续摩尔定律需要考虑新的计算模式。而且量子计算本身，能量消耗也非常低。

第二，数据量大。模拟量子系统，即使非常小，所需的存储量也非常大，例如300个量子比特，可以超过整个宇宙的可见原子数。

第三，新的计算范式在解决特定问题上具有指数优势。

第四，信息安全可以攻击RSA系统。

由于这些可能性，量子技术一直受到业界的关注。2031年有相关机构预计8000亿元的市场规模将直接与量子计算相关。

那么量子计算能应用于那些方面吗。典型的有药物开发、金融科技、材料模拟、信息安全等领域。

除此之外，与量子计算的人工智能仍然是纠缠的关系，从上层应用，框架可以相互关联到底层硬件。另一方面，量子计算也得益于AI，特别是深度学习。2020年百度建立了量子机器学习平台。

就算有这么多机会，实际进入生活还需要多少距离，这就是量子计算的产业化之路。

我们需要解决这些问题，硬件稳定性，优秀的软件平台和自动化的芯片设计解决方案。

百度提出了QIAN战略。Q是量子算法、量子AI及量子架构。我是一个软件和硬件基础架构。除此之外，还必须真正识别一些具有重要应用价值的场景。A是实际的几个重要应用。最后当然有网络，N是指量子互联网，除此之外还需要建立生态网络。

演讲最后，段润尧作了展望：

实际上我已经思考问题20多年了。如何才能真正做到量子计算机，我的结论其实很简单，很聪明，而且有足够的资源和现有的最好的技术，只要匹配就可以做成量子计算机。

从这个意义上说，全世界有很多不同的组合可以制造出这样的机器，这个过程可以是等价的。

微软刘铁岩：AI for Science：追求人类智能最辉煌的一面

同样探索AI for Science价值的还有微软亚洲研究院副院长、微软研究院科学智能中心亚洲区负责人刘铁岩。

近十年来，人工智能在许多任务上都取得了与人类相媲美的效果。但这些结果主要集中在知觉和认知方面，没有反映出人类智力中最辉煌的方面mdash。mdash;认识世界，改造世界。

微软的前同事吉姆格雷曾对科学发现的四种范式进行了总结。分别是经验范式、理论范式、计算范式和数据驱动。最近几年特别引人注目的新范例之一是AI for Science。这是前四种范式的有机结合，发挥了理论和经验的各自特长，将人工智能和计算科学融合在一起。刘铁岩认为，值得称之为第五范式。

接下来，他将AI for Science分为三个方面进行了深入介绍。

第一，用AI求解物理方程式的方法

通过AI可以获得更有效的解决方案，而不是使用数值解法来求解物理方程。而且只要有足够的计算能力，就可以无限生成完美的训练数据。另外，近年来，出现了physics informed training，其无需事先生成训练数据，只要在训练过程中动态验证AI模型的输出是否满足物理方程式，定义损失函数即可，但验证方程式比解决方程式简单得多。刘铁岩介绍了Graphormer、Deep Vortex Net等团队在这一方向上的最新研究成果，展示了他们在分子模拟、流体模拟等领域取得的杰出成果。

第二，利用AI从科学数据中发掘有效信息的方法

各种实验设备每年生成大量数据，但显然不能人工有效处理。此外，每年有近150万篇论文发表，但每一位科学家都没有精力读完。刘铁岩团队运用AI方法对高能粒子碰撞的射流数据进行自动分析，提出了洛伦兹Net模型，将洛伦兹等变性建立在模型中，在新粒子发现领域取得了比前人有显著提高的精度，他们还利用科学文献对SPT模型进行了训练提取、总结和预测了科学文献信息的科学知识。

第三，从实验数据出发，利用AI发现新的物理方程，形成科学发现的闭环的方法。

例如物理守恒定律，如果实验数据不满足守恒性，往往暗示一些新的物理定律的存在。刘铁岩的团队设计了两个频道的AI模型，可以从实验数据中准确自然地学到很多现有的规律。

最后，他对AI for Science未来的发展表示了希望：

我们相信AI for Science将对自然科学产生巨大影响，特别是在解释生命奥秘、保障环境可持续发展方面，有很大潜力，沿着这两个方面我们进行了很多探索。希望我们也能参与，推动科学发现的新境界！

新路径、新方案、新价值

阿里贾扬清：工程化和开源是AI恩惠最重要的两大支撑

AIGC爆炸成了当今AI绕不过去的话题。追本溯源，从1999年的纹理生成，到2015年前后的神经风格的过渡，以及到现在更具意义的AI创作。这些创新背后的推动机制，归结起来是AI受益的两大支撑：AI工程化和开源。

这是阿里巴巴集团副总裁、阿里云计算平台事业部负责人贾扬清分享的主题。

使工程化、开发、应用的迭代路径更简单，开源可以使工作开展得更快，实现市场共赢。在此基础上，AI的产业落地有如下明显的趋势。

第一，云本地AI工程化平台

第二，大规模端到端异构计算系统

第三，通过算法的系统组合，实现更智能、更贴近用户需求的产品

最后，算法开源助力使AI落地产业垂直化。

这四种趋势，无论是从供给角度还是从需求角度，都是AI进一步向前发展的方向。接着贾扬清从这四个角度介绍了他们正在做的事情。

其中，在端到端的异构计算和优化上，阿里开源分布式训练框架EPL和推理优化工具PAI-Blade，算法工程师在训练和推理环节可以大大提高效率，而且通过软硬件协同优化根据AI的需求，也开发了适合的计算设施。

在这个领域有趣的一点是，AI计算和传统科学计算之间有很强的共性。AI for Science这一趋势显而易见，在分子学、物理、化学等领域需要处理大量的科学数据，而AI和数据系统积累起来的异构计算的模型和环境，恰恰符合这一需求。

ldquo;今天，非常多的专家、企业和开发者们正在构建高层AI算法。在AI的底层，让工具更易于使用、更普遍的方法，正是我们正在做的。rdquo;

自动驾驶：路上看真章

作为业内最具影响力和号召力的第三方，MEET2023智能未来大会同样设置了自动驾驶论坛mdash，mdash；在路上遇见真章。

第一年以Demo为中心，技术的进展，第二年如何互动，去年如何做生意，配合时代的发展，今年开始谈论安扎路的问题。此次邀请的两位代表嘉宾分别是：

禾多科技创始人、CEO、国内自动驾驶第一位先驱者倪凯

副总裁小马智行，北京研发中心负责人，清华姚班校友张宁。

在量子比特总编辑李根的主持下，主要围绕三个话题展开：过去的成就进展、核心驱动力以及行业趋势。

ldquo;旅行的进行

首先今年一年，对禾多和马智行都是关键。

倪凯表示，今年是自动驾驶快速发展的一年，就禾多而言，与广汽的合作是有结果的，传祺影酷和艾安的AION LX，无论是高挡停车还是高挡行驶都是落地。这种上传运行打开了禾多未来服务的更多用户、产品落地的先机。

张宁总结说，三大业务板块包括Robotaxi、Robotruck和面向辅助驾驶的轿车业务，都取得了重要进展。例如Robotaxi实现了前排无人，Robotruck获得了整个智能卡车领域最大的单量。

那嚒，与行业预期相比，今天站在这个时候为什嚒2022年倪凯和张宁出现，今年整个上下游产业链在目视上蓬勃发展是一个非常好的趋势。

铁芯驱动力

那么背后的核心驱动力是什么呢

张宁说，技术仍然是一切发展的核心驱动力。到今天两种趋势越来越明显，一条渠道深耕深水区；另一种是整个技术的普遍化和规模化。

倪凯将有两个驱动力，一个社会或行业，对未来自动驾驶的预期，包括经济效益和社会效益，让更多的创业者、资本参与。

第二个驱动力是为消费者创造价值。特别是，与四五年前相比，辅助驾驶的普及率越来越高，这种商业化落地，真正驱动着人们，越来越坚实地走在这条路上。

行业趋势

就目前整个行业而言，明星公司就更不用说了，市场说的是自动驾驶的寒冬，但两人如何看待行业趋势的变化呐。

张宁表示，这与资本整体环境有关。无人驾驶需要战略定力，跑马拉松，最终需要努力收获。对Argo来说，其实这只是一个例子，刚好放大到了节骨眼。在许多情况下，虽然在一点点变化，但其背后是革命性的、阶段性的转变。2023年，自动驾驶技术有望在国内进一步扎根。更多活跃在L4领域的玩家以真正的无人驾驶形态为大众提供服务。

倪凯表示，目前有两个比较大的时点。第一，高阶自动驾驶的大规模跌落将在2025年形成相对成熟期，之后将处于相对线性或较快增长状态。第二件事本质上是穿越商业模式，为了从黎明前的黑暗走向最后的真光，整个行业可能需要共同分享一个艰难的过程。

最后，以自动驾驶的终点为满分，还有一个环节是对现在距离100分有多远进行交互评分。

张宁认为，对于小马智行来说，到了99.99后面的小数点，也许我们也只能涉足，但要想忍受寂寞，有这样的定力是很难的。

倪凯说，他们现在在走90、100分的过程中，接下来的三年非常重要，也许可以磨练产品，让产品体验上台阶，最终赢得市场的重要时间。

中关村科金张杰：交互式AI走到L0-L5的哪个阶段

在数字化转型的大趋势中，中关村收费以AI+数字化营销middot，运营middot，服务是引擎，为500多家金融、零售、教育、医疗、智能制造等行业龙头企业提供数字解决方案。

中关村科技副总裁张杰在会上分享了对话型AI在企业服务中的一些观点和经验。

过去60年，交互式AI经历了三个大的技术发展阶段：基于规则匹配时代，ldquo；虚拟个人助理rdquo；应用时代，基于大规模预训练语言模式的时代。

发展到目前阶段，张杰认为当前对话式AI的一些趋势值得关注：

细分电路后，过去十几年交互式AI的主要应用场景还是toC，智能音频、智能家电、个性化智能助理等市场渗透率较高，根据《AI交互系统分类定义》达到L3的水平。相比之下，企业服务市场渗透率低，开发可能性高，技术成熟度低，因此只能在一个场景中进行对话。在L1-L2之间。

对话的形式是，在混合机接口正式商用之前，对话仍然是最主要的一种沟通手段，除了基础的文本与语音互动外，多模态、数字人互动方式将越来越多，如远程银行、数字营业店等。

在技术上，不仅仅是对话的技术，也可以说是融合了知觉智能、认知智能、决策智能的最尖端技术的集大成。

张杰教授表示，对话型AI的潜在市场空间巨大，应用场景丰富，但现阶段还面临一些技术挑战，如场景过渡问题、可解释性、快速运用管理等。rdquo;

中关村科金在过去8年里，针对10多个行业、500多个客户端交互场景，总结了双发交互系统的技术实践。领域知识中台与对话分析系统作为对话决策系统的双引擎，一方面，领域知识可以提高系统的可解释性和运动维性；另一方面，对话分析可以挖掘出谈话背后的常见目的，以及常见的行为模式。

对于未来的发展方向，张杰说：ldquo；交互式AI在企业服务课程上存在巨大的市场空间和技术提升空间。为此，中关村科金提出了一种领域知识与会话分析双驱动的对话系统。我们希望通过交互式AI实现黄金销售，帮助企业创新成长和提高用户体验。rdquo;

AI for Science圆桌论坛：AI三要素以外的课题是什么

AI for Science在过去的一年里备受瞩目，不仅在阿尔法福德拥有的生物医药品，在材料、物理甚至数学方面也发挥了越来越重要的作用。

在下午的圆桌论坛上，话题集中在这里。

深势科技CTO胡成文负责组成事业开发、平台开发两个团队。深站点技术运用人工智能和分子模拟算法，结合先进的计算手段致力于求解关键科学问题。

我是百图生科BioMap副总裁、产业基金董事总经理瞿佳润。百图生科是我国第一个基于生物计算引擎的创新药物研发平台。

我是英国硅谷智能联合首席执行官兼首席科学官任峰。他带领的创药团队是第一批使用AlphaFold实践创药的团队之一。

虽然是第一次，但是今年AI for Science的热烈气氛有没有意外的事情呢

三位嘉宾说这是可预测和可预见的

胡成文教授关注“AI for Science”这一概念的起源和发展。

2018年深势科技首席科学顾问、中国科学院院士鄂维南首次提出

2019年各大学开始设立这位先生的实验室。

2021年以后最早在nvidia、DeepMind等国际机构公开采用。

2022年微软成立全球研究机构AI for Science，国内外产业界也跟进。

胡成文教授希望，更多的伙伴参与进来，从AI for Science的概念扎根，共同推动学术界向产业界过渡，真正解决行业面临的实际问题。

AI 4S备受关注是其重要性和发展的必然结果，AI 4S为许多人类文明基础的重要问题的研究提供了质的高效支撑。

在瞿先生的理解中，AI for Science对应着AI for Industry，也就是说AI在产业界的应用是领先的。利用AI谋求效率化的研究者的烦恼持续了很长时间，所以随着技术环境的完善，AI for Science的迅速发展是可以预想的。

任峰表示，AI for Science有狭义和广义。广义的AI for Science不仅解决了基础性的问题，也解决了实用性的问题，所以和预想的一样是爆炸。

接下来，AI forScience会给我们的研究和应用带来怎样的变化

胡先生计算性地回答。在复杂问题中，数据呈线性增长，所需计算量呈指数增长。传统的科学模式无法解决的问题，在保持科学原理精度的情况下，可以降低复杂性。

具体来说，使用AI for Science工具的话，过程从3、4个月缩短到1个月，特别有效率，作为生物法玛的例子。另外，在的研究中，AI也可以系统化问题，提高成功率。

任峰教授认为，“传统的创药是人类想象的，但如果AI加持，它可以探索更多的化学空间和生物学空间，带来更大的创新性。”。

第三个话题是今天阿尔法福尔德给生物药品带来的任何可能重现的变化

瞿先生在生物学领域也有基因组学的预测，细胞如何表征免疫活性状态，并且也提到了药剂应答的问题。

胡成文教授认为，许多问题本质上都是下层原子，分子的性质/结构/相互作用决定了上层宏观的性质，因此AI for Science在许多基础科学的研究中都有发展空间。近年来，由于人工智能与传统研究结合出现的巨大可能性，人工智能在科学上的应用成为了许多重要的主题。与此同时，AI 4S（AI for Science，AI用于科学发现）在工业产业实践中的应用潜力得到了猎头厂商的充分认可和重视。生物科技、能源、半导体、材料等领域的行业先锋已经开始系统地投入AI 4S的研究和具体行业解决方案的大规模应用。在工业模拟、合成农业、环境科学、机器人、天体物理学、地质学、图形等领域，AI 4S也有开发空间。未来，AI 4S带来的不仅仅是一些突破，而是科学手法的全面变化。从生命的基本构成（蛋白质）到世界产业的基本要素（材料），AI 4S不仅是解决具体问题的有力工具，而且是一种重新定义科学问题的体系性思维方式，我们引领着这一思维方式的实践。

最后，AI for Science最大的挑战是算法、计算能力和数据吗

最大的挑战是如何管理预测。如果期望过高，一个错误就会失去整个行业的信任。目前，即使有AI的加持，效率性和成功率也只是稍微提高了一点，不能达到100%的成功。

瞿先生说，生物学问题最重要的还是数据，很难将体外数据映射到体内环境，目前公开的数据质量非常差。另外，不管是AI还是传统的生物学方法，都需要与之相结合的研究系统。

胡成文教授指出，“传统三大要素至关重要，新的挑战是人才问题，特别是缺乏跨学科、复合型人才。”。AI for Science与传统AI在商业中形成完整的生态系统相比，它才刚刚起步。

腾讯liu wei：仅凭数据驱动的AI缺乏可解释性。

最后登场的腾讯保健AIDD技术负责人刘伟，腾讯从制药AI算法实践的视点论述AI for Science的价值。

主要进行了三个部分的介绍：腾讯云深平台、平台案例分享，以及腾讯云深ai平台技术优势的总结。

首先，腾讯云深ai创药平台有两个功能块，第一个功能块是小分子创药，第二个功能块是高分子创药，主要指抗体创药。

其中，小分子由蛋白质结构预测、分子生成等模块组成，高分子由抗体结构预测、抗体抗原结合、抗体人源化改造等模块组成。

接着刘先生介绍了近几年制药AI的实践案例。国内第一个蛋白质结构预测tFold，结合物理学特征和本地数据训练的基于ADMET的模型，骨架迁移分子生成算法等。

通过这些实践的积累，刘伟团队筑起了自己独有的优势壁垒。轴有4个。

第一个是AI算法。腾讯药物AI研发的最主流是神经网络，在制药之前，有深度神经网络研发的深度积累。目前的大规模随机抽样、有老师的学习、层次图深度学习等领域。

第二块和第三块是较大的计算能力，较大的数据能力。例如，在巨大的化学空间里发现药物分子并不容易。这需要AI模型了解如此大的空间，需要训练分子、蛋白质、核酸等领域的大模型，以及大模型的计算力和基础设施。

最后，AI与物理、化学领域知识的结合。这是基于前面算法在计算力上的能力新增长的独特优势，腾讯云深在AI与量子化学的结合方向上开发了独特的DeepQC框架，在大系统上，能以较少的计算力达到较高的精度。事实上，单靠数据驱动的AI缺乏描述性，如果能将AI算法与物理、化学领域的知识结合起来，训练有素的模型过拟合风险很低，对实际应用也有很好的描述性。

以终为生

过去的这一年，是时代机遇和挑战交织的一年。

另一方面，随着硬技术创新、产学研转化、新的幂集创新周期的到来，我们深刻认识到，关于数字化、智能化的机械革命，正在加速落地。

但另一方面，世界风云变幻，技术创新也来到深水区，内外交织的挑战比以往更为严峻。

因此，事关本源，对最终局面的思考求解，比以往更为迫切：

科技发展起伏的周期，如何穿越

终极情境逆推论技术创新，诞生的新情境、新种、新应用，还是乘势而上新计算、新情境、新价值，或一敌百强、坚定的技术创新信念者

以结束为首，一直活下去。

在这次大会上，十多个行业领域运用了他们过去的积累，给出了对未来的答案。这些只是许多智能技术变革前进路径的一小部分。

为了参考更多同行，还公布了“2022人工智能年度评选”结果，50大导航企业、20大最有价值创业公司、30大领军人物、10大最佳产品、10大最佳解决方案等人工智能领域年度奖项全部揭晓。

同时，为了让关注前沿技术的读者了解更多的前沿趋势，本次大会将发布2022年度前沿技术报告，由量子比特智库出品，随后在线发布详细解读稿，敬请期待。