自 2017 年被提出以来，Transformer 已经成为 AI 大模型的主流架构，一直稳居语言建模方面 C 位。
但随着模型规模的扩展和需要处理的序列不断变长，Transformer 的局限性也逐渐凸显。

一个很明显的缺陷是：Transformer 模型中自注意力机制的计算量会随着上下文长度的增加呈平方级增长。
几个月前，Mamba 的出现打破了这一局面，它可以随上下文长度的增加实现线性扩展。随着 Mamba 的发布，这些状态空间模型 (SSM) 在中小型规模上已经实现了与 Transformers 匹敌，甚至超越 Transformers。
Mamba 的作者只有两位，一位是卡内基梅隆大学机器学习系助理教授 Albert Gu，另一位是 Together.AI 首席科学家、普林斯顿大学计算机科学助理教授 Tri Dao。
Mamba 面世之后的这段时间里，社区反应热烈。可惜的是，Mamba 的论文却惨遭 ICLR 拒稿，让一众研究者颇感意外。
仅仅六个月后，原作者带队，更强大的 Mamba 2 正式发布了。

论文地址：https://arxiv.org/pdf/2405.21060
GitHub 地址：https://github.com/state-spaces/mamba
论文标题：Transformers are SSMs: Generalized Models and Efficient Algorithms Through Structured State Space Duality

总体而言，本文提出了 SSD（state space duality）框架，基于此，研究者设计了一个新的体系架构 Mamba-2，其核心层是对 Mamba 的选择性 SSM 的改进，速度提高了 2-8 倍，同时在语言建模方面继续与 Transformers 竞争。
Tri Dao 表示，他们构建了一个丰富的 SSD 理论框架，许多线性注意力变体和 SSM 是等效的，由此产生的模型 Mamba-2 比 Mamba-1 更好、更快。

Mamba-2 的新算法使其能够利用更大的状态维度 (16 → 256)，同时训练速度更快。在需要更大状态容量的任务上，例如 MQAR 任务，它比 Mamba-1 有了显著的改进。

此外研究者还发现，最近新出的混合模型（Jamba、Zamba）增加了一些注意力层来提高模型质量。基于这些发现，研究者将 4-6 个注意力层与 Mamba-2 层混合，其表现优于 Transformer++ 和纯 Mamba-2，因而得出注意力和 SSM 是互补的。

这项研究的贡献概括为：
本文展示了状态空间模型与一类称为半可分矩阵的结构化矩阵族之间的等价性。这一联系是 Mamba-2 框架的核心，揭示了状态空间模型的新属性和算法。
本文显著改进了线性注意力理论，首先通过张量收缩的语言对其循环形式提供了一个明确的证明，然后将其推广到一种新的结构化掩码注意力（SMA）家族。
本文将 SSM（状态空间模型）和 SMA（结构化掩码注意力）联系起来，显示它们有一个很大的交集，彼此是对偶的，同时具有 SSM 式的线性形式和类似注意力的二次方形式。本文还证明了任何具有快速循环形式的核注意方法都是 SSM。
…
…
…

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

文章来源： 网易科技
出品｜网易科技《态度》栏目
作者｜丁广胜

斯坦福Llama3-V团队的终于向面壁智能团队正式道歉。
事情缘起于5月29日，斯坦福大学的一个研究团队发布了一个名为Llama3V的模型，号称只要500美元就能训练出一个 SOTA 多模态模型，且效果比肩 GPT-4V、Gemini Ultra 与 Claude Opus。

一时间备受关注，该AI团队背景豪华。3名作者拥有斯坦福大学、特斯拉、SpaceX的名校和企业背景。
但让人大跌眼镜的是，Llama3V与中国AI企业面壁智能在5月发布的8B多模态开源小模型MiniCPM-Llama3-V 2.59高度重合。
6月2日，有人在 Llama3-V的 Github 项目下提出质疑，但留言很快被删除。而后，事件引起面壁智能团队注意。
**面壁团队通过测试 ，发现斯坦福大模型项目Llama3-V与MiniCPM一样，可以… 阅读全文

事件各方表态

面壁智能CEO李大海针对斯坦福团队的Llama3V项目与面壁小钢炮的相似案例谈到，这项工作是团队同学耗时数个月，从卷帙浩繁的清华简中一个字一个字扫描下来，并逐一进行数据标注，融合进模型中的。更加tricky的是，两个模型在高斯扰动验证后，在正确和错误表现方面都高度相似。

…

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

就在最近，两个AI领域的重量级人物隔空吵了起来，大家你来我往，火药味十足。其中的一方是图灵奖得主，Meta首席AI 科学家杨立昆（Yann LeCunn） ；另一方则是涉猎多个重要产业的全球首富埃隆.马斯克（Elon Musk） 。

两人隔空吵架，唇枪舌剑，几个回合下来互不相让，让战火不断升级。

你喷我是“万恶资本家，人品太次”，我喷你“毫无建树，不学无术”，科技圈的互呛让人快乐。照例，让我们先来了解一下事情的始末经过。事件的起因是源于宇宙级网红马斯克所发出的一条招聘启示。最近的马斯克人逢喜事精神爽，给自己的xAI拿到了60亿美元的超级融资。有了钱以后，马斯克最先想到的事情便是招揽人才。他的行动非常迅速，很快就在线发布了一条招揽八方人才的状态。

令人意外的是，这条招聘启示引来了杨立昆的“阴阳怪气”，他直接在马斯克的状态下进行嘲讽，“如果你能忍受这样一位老板，那就加入xAI。这位老板声称，你正在做的事情将在明年由AI替代解决(没有压力)；声称你正在做的事情会毁灭人类，必须停止或暂停(耶，放六个月的假！)；声称想要对真理进行最严格的追求，但却在自己的社交平台上散布疯狂的阴谋论”。与此同时，杨立昆还对马斯克自诩为言论自由的坚定支持者这一立场进行了讽刺，指责他在X上散布未经验证的信息：X今年3月曾撤下了马斯克转发的一条帖子，原因是该帖子违反了平台规定。

敢和世界首富+宇宙网红硬刚，这个杨立昆绝非nobody。有着“AI教父”之称的杨立昆是Meta的首席科学家，图灵奖的获得者，纽约大学教授。2018年，他和前谷歌副总裁杰弗里·辛顿(Geoffrey Hinton)，蒙特利尔大学教授约书亚·本吉奥（Yoshua Bengio）共同获得图灵奖，被人们并称为“深度学习三巨头”。从资历和专业度两方面来说，他是完全有资格和马斯克争一下高低的。马斯克反呛对方是“软蛋”，一场骂战引得3000万网友驻足围观。

对于杨立昆的讽刺，马斯克自然不会善罢甘休。一些围观群众先是对杨立昆的举动表示疑惑，认为他既然看…

Continue reading

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

文章来源： 未来科技与组织行为

在生成式AI时代，我们还需要团队吗？
Do we still need TEAMS, in the era of GENERATIVE AI？···

自古以来，团队合作一直是人类实现伟大成就的基石。无论是企业项目还是学生作业，团队协作都是解决问题的有效途径。

然而，生成式AI的出现是否改变了这一逻辑？AI被认为是提升生产力的利器，它能帮助我们完成任务，激发创新思维。那么，当团队中引入AI后，会发生什么变化？AI能否提升团队的整体绩效？个人在AI的辅助下能否替代团队的工作？还是说，团队本身依然具有不可替代的价值？

为了解答这些问题，我们团队在过去9个月里进行了深入研究，完成了一项实验探索，分析团队与生成式AI协作对任务绩效的影响。这项研究通过两个精心设计的随机控制实验，汇聚了574名参与者的数据，为我们提供了全面而系统的分析。感兴趣的读者可以通过文章结尾的链接下载全文。

Available at SSRN
Li, Ning and Zhou, Huaikang and Mikel-Hong, Kris, Generative AI Enhances Team Performance and Reduces Need for Traditional Teams (May 28, 2024).
Available at SSRN: https://ssrn.com/abstract=4844976 or http://dx.doi.org/10.2139/ssrn.4844976

研究设计

我们的研究通过一个预先注册的随机对照实验，考察了生成式AI对团队绩效和流程的影响。参与者被分配到三种不同的团队结构：纯人类团队（Human only team）、单一AI团队（Single AI team）以及每位成员拥有专属AI的多AI团队（Multiple AI team）。实验过程中，各个团队成员需要相互协作，完成两项复杂的专业任务。这种设计使我们能够探讨生成式AI是否能增强团队的任务绩效，以及不同AI结构对团队动态的影响。此次实验共涉及122个团队，包括435名参与者。

此外，为了探讨个体在AI加持下是否能达到与团队相同的绩效，我们设计了第二个研究。在这个研究中，139位参与者与AI合作，完成与团队相同的任务，并使用相同的评分标准进行对比。通过这种设计，我们希望了解个体在AI辅助下的表现是否能够匹敌甚至超越团队的协作成果。

研究发现

1.团队中引入生成式AI表现会更好么？

在AI时代，团队合作与AI的结合能否擦出新的火花？我们的研究给出了肯定的答案：引入生成式AI的团队，其绩效确实有了显著提升。

我们的研究显示，在多个关键维度上，如整体质量、创新性和实用性，使用生成式AI的团队表现优于传统纯人类团队。在实验中，单一AI团队和多AI团队的平均绩效分数分别为5.99和5.97，而纯人类团队则为5.59。这一发现证实了AI在提升团队任务表现方面的潜力。

尽管如此，我们也发现AI在团队层面的效用并不如个体层面那么显著。个体与AI合作时，AI对个体绩效差异的解释度高达20%到60%，而在团队层面，这一数字降至大约4%。这表明，在团队环境中，AI的潜力可能受到团队动态和协作模式的限制，未能完全发挥。

2.需要在团队中给每个人都配一个AI助手么？

在探索团队与AI合作的奥秘时，一个关键问题浮现：是否需要为团队中的每个人都配备一个AI助手？我们的研究给出了一个有趣的答案：并非如此。

我们的实验数据显示，无论是单AI团队还是多AI团队，它们在整体绩效上并没有显著差异。单AI团队的平均绩效为5.994，多AI团队为5.968，而纯人类团队则为5.591。这表明，简单地增加AI的数量，并不能保证团队绩效的线性提升。

更深入的分析揭示了一个重要现象：多AI团队的绩效波动更大。这意味着，虽然在某些情况下，多个AI助手可能带来更高的绩效，但在其他情况下，它们也可能导致绩效下降。

如图所示，多AI团队在任务绩效上的波动性更强，这从它们在最低和最高分之间的广泛分布中可见一斑。这种动态变化表明，多AI团队在任务绩效上的表现更为不稳定。

进一步的分析显示，与团队成员平均地与AI互动相比，当少数成员集中地使用AI助手时，团队的整体成果反而更好。这表明，深度而非广度，可能是AI在团队中发挥作用的关键。

3.AI加持下的个体能达到团队的水平么？

传统团队的建立基于利用多样化思维和协作努力，这引发了一个问题：当生成式AI由单个个体使用时，它能否复制甚至增强这些好处。为了深入了解AI在团队协作中的作用，以及探索AI的整合是否可能减少对传统团队的需求，我们接着比较了AI加持的个体和团队的绩效。

我们的研究发现，尽管AI加持的个体表现已经很接近团队表现了，但整体而言，他们的平均表现仍不如传统没有AI的团队和AI加持的团队。主要原因在于个体表现的分布较为极端，一些表现不佳的个体显著拉低了整体平均水平。然而，值得注意的是，已有相当多的个体在AI的帮助下，其绩效与团队相差无几。

在任务完成时间上，个体与AI配对表现得更为高效，他们比团队花费更少的时间完成任务。这表明，在特定情况下，个体与AI的配合可以实现较高的任务效率。

为了进一步探讨如果个体在任务上花更多时间，是否能够达到团队的水平，我们在回归分析中控制了任务完成时间。结果显示，个体与AI配对在花费与团队相同时间时，其绩效已经达到了传统没有AI团队的水平，但仍然落后于AI加持的团队。这种等价性表明，在特定情境下，传统团队的需求可能减少，因为AI能够提升个体绩效至足以与团队相匹配的水平。

4.AI加持下对团队的士气有什么影响？

我们的研究还发现，虽然AI辅助的团队在完成任务的速度上并没有超过纯人类构成团队，但AI的整合显著提升了团队士气。相比于传统的仅由人组成的团队，AI的加入增强了团队成员之间对于信心和满意度的共同感知。这一结果表明，AI的引入不仅仅是提升效率，更重要的是它在提高团队协作质量和成员之间情感联系方面发挥了重要作用。

研究总结

我们的研究揭示了生成式AI在团队协作中的巨大潜力和复杂性。尽管引入AI能够显著提升团队和个体的绩效，但其效果在团队和个体层面存在显著差异。团队在引入AI后整体绩效有所提升，但这种提升并不如个体与AI配对那么显著。特别是当个体与AI配对在任务上花费与团队相同的时间时，个体的表现已经可以与传统没有AI的团队相媲美，但仍然落后于AI加持的团队。

这表明，尽管AI技术能够显著提升个体的工作效率和绩效，但团队协作的独特优势依然不可忽视。团队中的成员通过相互协作、互相补充，可以在复杂任务中发挥出更强的综合能力。而AI作为辅助工具，可以在个体和团队层面都发挥出巨大的潜力。

未来的工作模式将更多地依赖于人机协作，企业和组织需要注重如何更好地整合AI工具与团队协作，充分发挥AI的优势，同时保留团队合作的核心价值。在这个智能时代，合理利用AI技术，不仅能提升个体和团队的绩效，还能推动创新和效率的全面提升。让我们共同迎接这一挑战与机遇，共同探索人机协作的新未来。

论文下载链接：
Arxiv链接: https://arxiv.org/abs/2405.17924
SSRN链接: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4844976

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

你方唱罢我登场。

一年一度的 Computex 科技大会成为了 GPU 厂商们秀肌肉的舞台，其中当属英伟达和 AMD 最为亮眼。

英伟达现场拿出了量产版 Blackwell 芯片，还公布了未来三年的产品路线，包括下一代 Rubin AI 平台。 AMD 当然也不甘示弱，CEO 苏姿丰亮出了旗下的 CPU、GPU 产品及路线图，包括全新 Zen 5 架构的桌面端 Ryzen 9000系列 CPU、AI PC 芯片、数据中心芯片和 GPU。 Zen 5 是 AMD 迄今设计的性能和能效均最高的核心，而且它是从头开始设计的。其中，该核心拥有一个新的并行双管道前端，旨在提高分支预测准确性并减少延迟，并能够在每个时钟周期提供更高的性能。此外，Zen 5 具有更宽的 CPU 引擎指令窗口，可以并行运行更多指令，以实现领先的计算吞吐量和效率。与 Zen 4 相比，Zen 5 的指令带宽增加了一倍，缓存和浮点单元之间的数据带宽增加了一倍，AI 性能增加了一倍，同时具有完整的 AVX 512 吞吐量。 苏姿丰表示，Zen 5 是 AMD 现场首次展示了采用 Zen 5 架构的 Ryzen 9 9950X。

50TOPS AMD 最强移动端 NPU 算力。苏姿丰展示了下一代 AI PC 芯片 —— 锐龙 AI 300 系列 APU（第三代）。 锐龙 AI 300 系列芯片旨在提供下一代 AI PC 体验，因而要求 NPU、CPU 和 GPU 均要达到最佳。 锐龙 AI 300 系列首发提供了两款型号， 锐龙 AI 9 HX 370 和锐龙 AI 9 365。 锐龙 AI 300 系列采用了 XDNA AI NPU，号称移动端最强 NPU，算力达 50TOPS。 AMD 表示，搭载锐龙 AI 300 系列的笔记本将于今年 7 月起陆续上市。

最高 192 核心 384 线程 第五代 EPYC 霄龙问鼎数据中心芯片。苏姿丰现场也展示了第五代 Turin EPYC 霄龙芯片，它号称全球最强数据中心 CPU。 Turin 芯片可能会被命名为 Epyc 9005s。可以期待的是，在 IPC 方面，它与 Ryzen Zen 5 芯片相近。相较于 Zen 4 核心，IPC 改进可能在 15% 到 20% 之间。苏姿丰展示了 Turin 芯片的一些早期 基准测试数据。 对标英伟达 AMD 的 Instinct GPU 也一年一更。讲完了 CPU，接下来的重头戏就是 Instinct GPU 了，它将是 AMD 未来产品战略的一个重要抓手。 苏姿丰表示， Antares MI300 系列是 AMD 历史上增长最快的产品，在 HPC 和 AI 工作负载方面的可用性看起来有点像英伟达 GPU，不过其所提供的性能优势以及 HBM 内存容量、带宽优势较为突出。随后，苏姿丰公布了 2024-2026 年的 Instinct GPU 路线图，今年推出 MI325X，2025 年推出 MI350，2026 年推出 MI400。

AMD 这波就是奔着英伟达去的，到时候有好戏看了。

原文链接：

https://www.nextplatform.com/2024/06/03/amd-previews-turin-epyc-cpus-expands-instinct-gpu-roadmap/

参考链接：

https://www.anandtech.com/show/21415/amd-unveils-ryzen-9000-cpus-for-desktop-zen-5-takes-center-stage-at-computex-2024

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

编辑 | 萝卜皮

不久之前，Google DeepMind 发布了 AlphaFold3，再次引发了人们对「AI + 生命科学」的讨论。

在学界，科学家的目标往往是先认识世界，然后在认识的基础上改造世界。

但是在生命科学领域，人类对整个生命的理解与认识还如九牛一毛、冰山一角；建立对生命系统的多维度深刻认识是当前人类研究的重要一步，AI 是达成这一步的重要工具。

近期，阿里云飞天实验室发布并开源了业界首个联合 DNA、RNA、蛋白质的生物大模型「LucaOne」。这是一种新型预训练基础模型，旨在综合学习遗传和蛋白质组语言，涵盖 169,861 个物种的数据。

该模型不仅可以对核酸、蛋白质的内部特征进行挖掘，还可识别核酸与蛋白质之间的联系，可以帮助研究人员探索更多生物系统的内在逻辑与规则。

该研究的预印版本「LucaOne: Generalized Biological Foundation Model with Unified Nucleic Acid and Protein Language」，已于 2024 年 5 月 14 日发布在 bioRxiv 预印平台。

开源地址：https://github.com/LucaOne

论文链接：https://www.biorxiv.org/content/10.1101/2024.05.10.592927v1

LucaOne 为何能快速跨模态处理数据

LucaOne 的核心亮点在于其独特的自监督加半监督学习架构，该架构基于生物语言的本质属性设计，使得模型能够在 10 亿量级的序列与注释信息上进行学习，参数规模约 1.8 B。

这一设计不仅允许模型处理核酸和蛋白质数据，而且能够识别两者之间的内在联系，即生物学中心法则中「DNA 到 RNA 再到蛋白质」的转化过程。

图示：LucaOne 的架构图，从数据到模型构建再到下游任务应用。

通过学习「中心法则」，LucaOne 能够很好得识别 DNA 序列与对应蛋白质之间的内在联系，这对于理解生命活动的基本规律十分重要。模型提供的基础能力，可以帮助研究人员破译更多中心法则相关的细节，让人们更加深入地理解生物世界的底层逻辑。

「这个模型目标是希望学习生物系统的底层编码，目前这个版本以基因组、转录组、蛋白质组为核心。其中的核苷酸及氨基酸序列是生物系统里的两种模态，放在一起统一学习能帮助模型更快学习到生物系统的编码体系。」该项目的负责人、阿里云飞天实验室生物计算研究总监李兆融解释道。

图示：LucaOne的训练数据、训练任务与在基因与蛋白质上的表征能力。

为了使预训练大模型模型学习更彻底、更好地与下游任务模式的契合、更广泛的应用，LucaOne 除了利用核酸与蛋白质本身的序列数据进行自监督学习之外，也加入了核酸与蛋白质的一些基础的重要的注释信息来进行半监督学习。

这种设计了加速模型的训练效率，使模型在学习的数据维度、量级、及参数量上达到一个很好的平衡——既覆盖足够多的物种，又保证模型的规模在一个可以被大规模高效使用的范围内。

图示：LucaOne对不同类型输入的下游任务的适用能力。

「这里我们考虑的是生物序列的信息密度，虽然不能这样武断的说，但是大致上基因组的信息密度是低于文本信息的，并且可能分布不均。比如，生物序列里可能会存在一些无意义片段，且片段非常长；应对这类问题，我们需要一些取巧的方式。」李兆融解释道，「因此，在我们设置了 8 个有监督的任务，这使得模型更有效的进行学习。」

「模型的参数有 1.8 B，什么概念呢？我们希望模型即足够「大」，能理解复杂生物系统，又不至于太大影响下游的使用效率。在整理高质量数据后，我们将模型参数设置在这个级别。」

LucaOne 在下游任务中的稳健性能

为了验证 LucaOne 对各类生物计算任务的价值，研究人员设置了一系列测试验证：首先是一个「异想天开」的任务，假设一群火星人来到地球，仅基于测序和建模能力，能否学习到分子生物学的一个核心规则：中心法则。

他们选取 13 个物种的核酸序列和其对应蛋白的正负样本数据集，关系对总数量为 24000，其中正负样本比例 1：2。其中基因序列数据是其在基因组的原始数据，包括了大量的非编码区（内含子，调控元件，及可能的「垃圾片段」等）。

为了验证模型的学习能力，研究人员采用训练：验证：测试比例为：4：3：25；即仅 3200 组数据作为训练，18750 组数据作为测试集来预测其核酸序列是否可以翻译成数据组里的蛋白序列。

图示：LucaOne对中心法则的学习能力。

实验结果显示，LucaOne 在中心法则学习任务上取得了显著成效，预测准确率达到 0.85，远优于其他计算方法。

当分析细分表现时发现，LucaOne 在处理具有特殊进化适应性的生物如海鞘时，预测表现特别差。海鞘利用中心法则的具体规则-密码子偏好性，与其他生物明显不同。研究人员表示，这种情况可以认为海鞘用的是一种中心法则语法「方言」。而这种「方言」在训练数据集里仅有 100 条，因此模型没有很好的学习到这种规则。这表明了生物世界的多样性与复杂性，也为模型未来的数据扩充和优化指明方向。

在另外广泛选取的 7 个任务里，LucaOne 也都表现优异，尤其是在流感 H3N2 病毒的免疫逃逸风险预测任务中，LucaOne 结合简单感知机模型实现了 100% 的准确率，可以为这一类公共卫生的重要问题提供了有力的支持。

图示：流感 H3N2 病毒的免疫逃逸风险预测。

这也是一个跨多个专业团队的长达1年的持续工作成果。

中山大学医学院施莽教授及其团队深度参与了 LucaOne 模型的数据设计与验证，提供了丰富的生物学视角和经验。

「LucaOne 是一项极为重要的尝试。我们首次尝试将整个生物界的基因组和蛋白质组的数据压缩到一个模型中进行学习，这为我们提供了一个前所未有的研究视角。」施莽教授表示。

「在这一研究过程中，我们已经发现了许多有趣的现象。最让我惊讶的是，在没有任何先验知识的前提下，LucaOne 确实能够更有效地学习中心法则中核酸与蛋白质之间的对应关系。这是一种全新的研究方法，我期待利用这个模型探索更多的生物学问题。」施教授说。

中国医学科学院北京协和医学院病原生物学研究所所长、美国微生物科学院会士舒跃龙教授及其团队参与了 LucaOne 在流感病毒方面的分析与验证工作，并与阿里云生物计算团队持续开展「AI + 病原学」的前沿探索。

舒跃龙教授表示：「将前沿的 AI 技术与病原生物学相结合具有重大的科学意义和社会价值。LucaOne 模型为这一交叉领域的研究提供了强大的工具。我们与阿里云团队正在进行更深入的合作研究。」

「我坚信，通过这种紧密的跨学科协作，我们能探索更多病原生物起源进化、跨种传播以及感染致病等方面的规律，为传染病防控和生物安全做出更大的贡献。」舒教授说。

李兆融表示：「有两件事情我们会继续往下做。第一是不断去突破生物系统基础模型的边界，我们行业正在积累更多的基础数据，也有非常丰富的其他信息可以补充学习，我们看到的，听到的，感受到的丰富多彩的生物世界都是模型学习的材料。这也会随着更多 AI 技术的创新一起推动这一类基础模型的进步。」

「同时我们在和多个顶尖的科研团队就几个特定领域进行持续的应用研究，主要围绕在微生物及病原学领域。这几个方向有明确的社会价值，以及也能和基础模型研发互相借鉴， 共同探索前进。」李兆融说。

该团队相信，随着更多数据、更丰富模态的加入，以及模型的持续升级，LucaOne 将更深入揭示生物系统的智能，推动 AI 在生物科学、疾病诊断、药物开发等领域的广泛应用。随着 LucaOne 模型的开源，全球科研人员将共享这一生物计算的强大工具，共同加速生命科学的探索与创新。

1

请将Body部分的内容转化为不带html标签的Makedown的内容。再整体按照如下Makedown格式标准输出。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

钛媒体App独家获悉，国内量子软件公司“微观纪元”近日完成数千万元的Pre-A轮融资，本轮融资由合肥高投和昆仑资本联合领投。融资资金将主要用于开展量子计算在生物质相关产业应用及新材料研发及生产的相关部署。

据悉，微观纪元（合肥微观纪元数字科技有限公司）成立于2022年，主要研究量子计算相关的软件算法应用。其初期产品主要用于生物医药和新材料等化学领域，通过高精度的量子化学计算方法，帮助生物医药企业或新材料企业完成分子材料配方设计。通过两年多的技术及产业经验积累，目前微观纪元正在构建一套以量子计算+AI为基础的干湿结合实验及生产平台，聚焦高效节能生物能源及新材料的研发生产。实际上，所谓量子产业，是由量子基础平台、量子专用软件和行业应用软件构成。量子基础平台主要提供量子算力，量子专用软件则用于研究数理模型，行业应用软件则是结合了各领域的应用知识，用于解决行业问题。传统AI算法本质上是基于统计学衍生出来的，它需要大量的数据集做支撑，会面临数据集不足、数据精度低、数据质量差等问题。而生物医药、新材料等领域对数据量要求极大，且数据成本较高，质量不佳的数据也会直接影响计算效果。量子应用的算法逻辑从第一性原理出发，基于基础物理定律，对分子的物理化学性质和材料性能做预测，无需大量实验数据，就能获得分子层面较好的研发效果。且量子力学对材料数据更精细，能获得更高精度的测算结果。

量子产业在过去一年取得了较大进展，谷歌、IBM纷纷展示了最新的计算成果。其中，谷歌发布了能改善量子计算纠错效果的技术，IBM则发布了全球首个模块化量子计算系统IBM Quantum System 2。而量子计算机硬件发展速度，会影响着整个产业的进程。

微观纪元创始人兼CEO吕川对钛媒体App表示，“量子在发展及实际产业应用过程中还有许多要解决的问题，除了…

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

2024年6月14日-15日，第6届北京智源大会将以线下与线上结合的形式召开，线下会场设在中关村国家自主创新示范区会议中心。2024智源大会再次以全球视野，汇聚年度杰出工作研究者，交流新思想，探讨新思路，引领新前沿。

目前已正式开放报名渠道。

人工智能人才发展交流会丨6月14日下午
2024北京智源大会将举办人工智能人才发展交流闭门会， 诚邀您共同探讨人工智能人才发展的关键议题。论坛将围绕具身智能领域、自然语言领域、机器视觉领域、多模态领域、强化学习领域、AI for Science等方向进行讨论，为您提供与智源科研专家面对面交流的机会，探讨职业发展规划，共同开启思想碰撞，引领前沿发展。

时间
2024年6月14日 17:30–19:30
地点
中关村国际自主创新示范区展示中心
会议中心 B206会议室(二层阳山厅)
面向对象
1、国内外知名大学或科研机构博士学位获得者
2、目前在国内外知名高校、科研机构、企业，或从事博士后研究科研人员；或学术成绩突出的国内外知名高校在读博士生/应届博士生
3、研究方向：具身智能、自然语言、机器视觉、多模态、强化学习、AI for Science等人工智能领域
你将收获
深度交流，共创未来
提供一个开放的平台，让青年学者共同探讨人工智能领域技术创新和人才发展的趋势。
借鉴经验，拓展视野
倾听青年学者分享他们的科研成果、职业规划，从中汲取灵感、借鉴经验，拓展自己的学术视野和职业发展路径。
建立合作，共谋发展
提供一个理想的合作平台，促进跨领域的学术交流与合作。

即刻报名

扫描二维码即刻投递
申请时间：即日起——2024年6月10日 18:00
扫描二维码即刻投递
与全球青年学者
一起探索人工智能人才发展的未来之路！

。注意：Title、Date、Body 三个部分的内容，放入到对应的位置。最后只需要按照格式标准输出为Makedown源文件格式内容。

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

今年以来，Sora、GPT-4o等模型的相继亮相，让社会各界对AI发展的想象力进一步提升。随着基础模型能力增强，如何通过AI应用实现对各个行业的变革成为备受关注的焦点。

2024年6月5日，定位“AI时代设计工具”的Motiff妙多面向全球发布并公布定价。Motiff妙多由看云软件研发，AI能力的加持使其开创了界面设计行业的多个“第一”，不仅首创AI复制、AI布局、AI设计系统创建、AI设计系统维护、AI一致性检查等多个AI功能，也是国内首个自研图形渲染引擎的界面设计软件；还基于AI带来的升级打破了当今SaaS行业的定价规则：未来AI应用的核心价值在于AI能力，基础功能价格将回归“标配”水平。本次发布在新加坡SuperAI峰会进行，除了Motiff妙多，谷歌、微软等全球顶尖AI企业也带来了各自在AI领域的最新产品，共同探讨AI前沿议题。Motiff妙多运营副总裁张昊然表示，“Motiff妙多将精细的设计软件与高效智慧的AI能力完美融合，优化设计流程，大幅提高生产力，为用户带来前所未有的设计体验。我们相信，Motiff妙多将成为AI时代界面设计的引领者。”

图片链接：https://image.jiqizhixin.com/uploads/editor/9e963344-df2f-4e27-a200-0a71511d2663/1Motiff%E5%A6%99%E5%A4%9A%E5%85%A8%E7%90%83%E5%8F%91%E5%B8%83%E4%BC%9A%E7%8E%B0%E5%9C%BA%E5%9B%BE.jpg

（6月5日，Motiff妙多在新加坡全球发布，运营副总裁张昊然发表演讲）

打造企业级AI应用，Motiff妙多重新定义界面设计工具

当下，界面设计行业仍然处在低效能产出时代，在生产流程中还存在大量琐碎但创意价值感低的工作，制约了设计师的生产效率。此前，Figma通过在线编辑器提升了设计师的协同效率，但如何真正解放设计师的生产力，Motiff妙多用AI给出了解决方案。如何打造一个好的企业级AI应用？张昊然认为有三个关键因素，一是关键的用户场景提效，二是实现生产力和生产工具之间的关系变革，三是通过AI生成进一步解放生产力。基于此，Motiff妙多的AI工具箱、AI设计系统和AI实验室从界面设计流程中的实际痛点出发，有效提升界面设计行业的生产力。AI工具箱包含AI复制和AI布局两个功能，AI复制针对设计师工作中大量重复性的“复制-粘贴-逐一修改”操作，省去了繁琐的调整步骤，让“十步变一步”。AI布局解决了过去设计师必须在自由设计和结构设计中“二选一”的难题，自由设计的灵活和结构设计的便利能“鱼和熊掌兼得”。

图片链接：https://image.jiqizhixin.com/uploads/editor/737c528d-235f-42ad-8b72-fe55b86d33db/2AI%E5%A4%8D%E5%88%B6%E5%8A%A8%E5%9B%BE.gif

（AI复制功能，一键拖动即可完成“复制-粘贴-智能修改”三大步骤）

设计系统是每个设计团队绕不开的话题，它是数量庞大的组件、设计规范和协作指南的集合，作用是保证设计团队成品的一致性，让设计风格统一。以行业里著名的开源设计系统Ant Design（蚂蚁集团设计系统）为例，有着几十种不同的组件，每种组件又有上百种不同的变体，如按钮就有近300个不同变体。维护设计系统是一项复杂且耗时的工作，以某互联网大厂设计团队为例，10%的设计师在全职维护设计系统；一些中小型设计团队则根本没有精力搭建设计系统。针对这些问题，Motiff妙多的AI设计系统在创建、维护和一致性检查等方面能够显著提效。AI可以在创建和维护场景下一键找出需要的组件和样式；也可根据设计系统，一键进行设计稿一致性检查。这让设计师仅需花费几分钟就能完成过去至少几周才能做出的成果。

发布会首次亮相的AI生成UI功能吸引了诸多关注，它与AI魔法框功能所组成的AI实验室将触达最前沿的AI应用成果，为用户提供新奇的AI设计体验。通过AI生成UI功能，用户只需要文字输入一段话，Motiff妙多就能呈现一版设计图稿。该功能采用了多模态大模型技术，以保证能生成符合用户意图的、美观的UI界面。

图片链接：https://image.jiqizhixin.com/uploads/editor/f77ef089-e52d-444f-b4d7-2f756988417d/3AI%E7%94%9F%E6%88%90UI%E5%8A%A8%E5%9B%BE.gif

（AI生成UI功能，输入任意一段描述UI界面的文字，就能生成界面）

颠覆定价规则：AI价值为核心，基础功能价格低80%以上

基于强大的原创AI功能，Motiff妙多在定价上采取了以AI价值为核心、基础功能回归“标配”的策略。目前界面设计行业的收费逻辑仍然围绕基础功能展开，但在张昊然看来，未来，UI设计工具的核心价值在于AI功能，基础功能将成为“标配”，因此Motiff妙多的基础功能定价将率先回归“标配”价格。“Motiff妙多不做‘平替’，我们坚信，在一个新的时代里，上一时代工具的核心功能将成为下一时代新工具的‘标配’，这是生产力革新、产品迭代的必经之路，”张昊然表示。

据了解，Motiff妙多面向全球市场统一定价，基础功能收费分为三档：除了免费版之外，专业版基础功能价格为24元/月（国际版4美元/月），研发模式6元/月（国际版1美元/月）；企业版基础功能价格为90元/月（国际版15美元/月），研发模式18元/月（国际版3美元/月）。以此计算，企业采购的综合价格相比Figma低80%以上。

图片链接：https://image.jiqizhixin.com/uploads/editor/44f78693-ae3b-4c0b-b4e4-884983779cdf/4Motiff%E4%BB%B7%E6%A0%BC%E5%9B%BE.png

(Motiff妙多各版本定价）

Motiff妙多在基础功能极具价格竞争力的同时，还带来了更好的产品能力。发布会上，Motiff妙多展示了自研的图形渲染引擎。这是继Figma之后全球第二家、也是国内首家自研Web端图形渲染引擎的产品。测试数据显示，Motiff妙多在流畅性和速度方面表现极为优异。流畅度方面，在专业评测中，Motiff妙多的FPS（画面每秒帧数）保持在50以上优秀区间，Figma该指标为40左右，这意味着Motiff妙多比Figma更为流畅。作为直接运行在浏览器上的设计编辑器，单个画布上可以容纳的最大图层数是衡量性能的重要指标。许多团队的大型项目，也会因为图层变多、运行越来越慢导致体验问题。Motiff妙多当下可支持图层数量达到100万级别，也是全球唯一在单画布100万图层下仍可持续流畅编辑的高性能产品，同样环境下Figma在达到80万图层时部分功能会受限。

值得一提的是，Motiff妙多AI功能将对所有用户限时免费。“作为一款全新的科技产品，我们需要更多的早期尝鲜者来体验我们的AI功能，这是我们限时免费的主要原因。”张昊然在发布会上指出，Motiff妙多对“AI收费”并不会急于求成，AI设计软件的前景极为广阔，等到时机成熟时，AI功能的价格将会自然确定。

放眼全球市场，AI将为界面设计行业带来百倍增长

随着AI能力边界的不断延伸，各行各业也在期待AI改变传统的生产模式，带来革命性的效率提升。Motiff妙多的目标不仅是成为设计师的提效工具，更放眼在未来为界面设计行业带来“工业革命”式的变化——当AI生成UI的能力达到设计师水平、AI能解决部分生产问题时，AI让软件工具从效率属性升级为生产力属性，AI设计工具和设计师的协同关系也会被重新构建。“设计工具在AI加成后，在生产力中的占比必将是百倍增长。”张昊然称，Motiff妙多作为全新的设计工具，将在AI时代为界面设计带来革命性改变。

图片链接：https://image.jiqizhixin.com/uploads/editor/71321275-8a07-45d1-829b-e40f839a91ed/5SuperAI%E7%8E%B0%E5%9C%BA%E5%9B%BE.JPG

（SuperAI活动现场）

当下，数字化和智能化浪潮对社会的改造持续发生，界面设计迎来巨大的市场机会，但目前全球界面设计工具的市场份额却相对集中在北美企业，Motiff妙多的发布有望改变这一局面。作为一款面向全球市场的产品，Motiff妙多团队不乏优秀的AI科学家，同时拥有母公司看云控股在人才、资金方面的长期战略投入。“Motiff妙多从第一天起就立足全球化，立志于做最先进的产品，去大海捕大鱼。”张昊然表示，“中国的互联网人才优势和先进的方法论将逐步渗透到软件行业，美国在软件领域的垄断局面将改变。”

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。

北京智源大会是人工智能领域综合性内行盛会，自2019年10月首度亮相，已成功举办五届。大会以鲜明的特色，邀请海内外研究者开展精彩演讲与深入对话，共有11位图灵奖得主曾参与大会，每年有200位顶尖专家出席，来自30多个国家和地区的50万观众汇聚一堂，分享研究成果、探寻前沿知识、交流实践经验、建立紧密合作。

大会特色

全球视野： 与世界顶尖专家面对面交流，体验技术无国界的魅力

思想碰撞： 年度杰出研究者齐聚一堂，交流新思想，探讨新思路

前沿引领： 探讨AI领域关键问题，发布重要概念，指引未来方向

过往五年的璀璨篇章，点亮AI领域新概念、新工作、新方向

• 2023年 Geoffrey Hinton、Sam Altman、Yann LeCun等首次与中国专家同台，“AI安全”自此引起广泛重视
• 2022年 国际先锋机构齐聚，论坛数量创历史新高，专家和观众数量规模空前
• 2021年 首次提出“大模型”概念，这个在当时超前的术语如今已经融入千行百业
• 2020年 新十年伊始，五位图灵奖得主，共议人工智能技术如何发展、创新怎样延续
• 2019年 首届“内行AI盛会”亮相，向世界展示北京人工智能开放、活跃及致力可持续发展的风采

过去一年，人工智能技术加速发展，诸多里程碑横空出世——Sora视频生成模型惊艳世人，昭示了多模态模型理解世界、模拟世界的惊人潜能；开源大模型百花齐放迸发强大技术生命力；Mamba等模型新架构的出现屡屡向Transformer发起挑战；具身与人形机器人、自动驾驶等前沿技术持续蓬勃发展，AI产业应用落地进一步提速，促进千行百业智能化转型。随着模型训练不断吸纳海量数据，数据隐私日益凸显，AI安全问题愈发紧迫。

围绕着这些当下AI领域的关键问题，2024北京智源大会如约而至。

2024年6月14-15日，第6届北京智源大会将以线下与线上结合的形式召开，线下会场设在中关村国家自主创新示范区会议中心。大会共同主席由智源学术顾问委员、加州大学伯克利分校教授Michael I. Jordan，智源学术顾问委员、清华大学智能产业研究院（AIR）院长张亚勤，以及智源研究院理事长黄铁军担任。共同程序主席由智源首席科学家、人民大学高瓴人工智能学院…

2024智源大会再次以全球视野，汇聚年度杰出工作研究者，交流新思想，探讨新思路，引领新前沿。本次大会将有4大亮点：

亮点一：国际顶尖机构与团队汇聚

不仅邀请国内顶尖技术团队代表，还将汇聚OpenAI、Google DeepMind、Mila、Meta、微软、斯坦福、UC Berkeley、MIT、Boston Dynamics等国际明星机构、企业与科研团队。

亮点二：重要工作完成人面对面

邀请过去一年，海内外AI领域重要工作的主要贡献者参与交流讨论，包括Sora、GPT、Llama、Gemini、Phi-3、Claude等项目作者，以及大语言模型、视觉模型、多模态模型、生成模型、安全对齐、Agent、具身智能、认知神经、医疗和生物、智能驾驶、AI for Science、基础系统、开源、基建等十余个重要方向的里程碑工作。

亮点三: AGI关键问题尖峰对话

大会围绕AGI实现过程中的技术路径，局限与挑战，开放与封闭研究，安全，经济与社会影响等对人工智能未来发展至关重要的问题邀请大师展开尖峰对话。

亮点四: 首次设立产业大会，聚焦创新发展

汇聚AI领军企业与创业先锋，探讨人工智能技术如何驱动产业变革与创新。与会者将分享最新的研究成果和应用案例，深入讨论各领域的实际应用与未来趋势，推动跨行业合作与技术进步。

即刻扫码注册，参与大会报名

本届大会采用线下与线上模式融合，报名通道已开启，欢迎扫码免费注册。由于线下席位有限，请尽早完成注册，组委会将根据注册次序审核，并在会前发送审核结果通知。公开环节将向注册用户全程线上直播。

大会合作、咨询、赞助欢迎联系：press@baai.ac.cn
大会官网 https://2024.baai.ac.cn

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。