上海交大洪亮教授:AI 真要突破工程领域,一定要做到现有人类专家做不到的工程成果

知人知面需知心——论人工智能技术在推荐系统中的应用 作者:洪亮劼,Etsy数据科学主管,前雅虎研究院高级经理。长期从事推荐系统、机器学习和人工智能的研究工作,在国际顶级会议上发表论文20余篇,长期担任多个国际著名会议及期刊的评审委员会成员和审稿人。 本文为《程序员》原创文章,未经允许不得转载,更多精彩文章请订阅2016年《程序员》 在电子商务、个性化阅读、社交网络(媒体)以及共享经济高速发展的今天,发现用户的需求、了解用户的行为并为用户... 阅读详情

近日,上海交通大学 AI for Bioengineering 暑期学校完美落幕,百余名来自企业、研究机构、高校的行业专家、企业界代表及优秀青年学者共聚一堂,围绕 AI 在生物工程领域的应用展开了激烈的思维碰撞。

其中,上海交通大学自然科学研究 & 物理与天文学院 & 药学院特聘教授洪亮以「AI 走进生活和科学」为题,深入浅出地分享了 AI 在科学研究领域,特别是蛋白设计领域的应用,以及他对 AI for Science 未来发展的展望。

精华观点摘录:

  • 真正做 AI for Science,并且实现落地的,一定是先把科学问题定义出来,然后再提出一个人工智能解决方案。

  • AI 能实现数百个氨基酸序列的改造,并且还保持较好的活性和较高的阳性率,在这类序列生成的任务上 AI 已经远远强于人类专家。

  • 蛋白质工程领域的阴性数据是最多的,AI 能把阴性、阳性位点结合起来,扩大了蛋白质工程的想象空间,这超越了专业酶工程师的理性设计范畴,AI 基本上取代了物理计算这条老路。

  • 人工智能要想突破一个工程领域,不是简单地打造科学家的助手,进行搜集文献等基础工作,而是要做到人类专家做不到的事情。

  • 未来 3 年,在蛋白设计、药物研发、疾病诊断、新靶点发现、化学合成路径设计以及材料设计等领域,专业领域的通用人工智能将带来明确的范式变革,将过去依靠人脑零星试错的科学发现模式,转变为 AI 大模型自动化标准设计模式。

HyperAI超神经在不违原意的前提下,对洪亮教授的精彩分享进行了整理汇总,以下是演讲精华实录。

在这里插入图片描述

AI 文科生 vs. AI 理科生

洪亮教授从 AI 文科生和 AI 理科生两个角度,分别介绍了 AI 在生活 (AI for Life) 和科学研究 (AI for Science) 中的应用。

AI 文科生:生活中的私人助手

对于 AI 文科生,即 AI for Life ,洪亮教授认为当前的 AI 已经成为了大众生活中的私人助手,能够帮助人们减轻重复的、创造性及科学性不高的工作负担。其特点是可用于训练的数据规模已经很大,生成结果对精度要求不高,因此跨领域的泛化能力强,可以构建通用领域大模型。

随后,他通过 AI 文本生成、AI 图像生成、AI 视频生成等具体案例,结合当下爆火的大模型,形象生动地描述了 AI 在生活中的运用。

在这里插入图片描述

在 AI 文本生成方面,洪亮教授以情人节为妻子写诗为例,展示了 ChatGPT 的诗歌创作能力。同时他还分享了使用文心一言帮助上小学的儿子写检讨的例子,展现了文心一言的文本创作能力。

在这里插入图片描述

在 AI 图像生成方面,洪亮教授分别展示了百度文心一言、Adobe firefly 以及 Midjourney,基于同样的提示词所生成的不同效果,如下图所示。

在这里插入图片描述

在 AI 视频生成方面,洪亮教授展示了风靡一时的 Sora 在视频生成中的强大能力。他以 Sora 生成的一位时尚女士走在东京街头的视频为例,称赞了视频中所展示的一镜到底技术以及人物面部毛孔细节处理。

同时,他对于业内人士提出的「 Sora 是一个数据驱动的物理引擎」这一评价也表示认可,认为文生视频对抖音等平台上的内容创作者帮助颇深。

在这里插入图片描述

AI 理科生:解决一类科学问题的科学家

对于 AI 理科生,即 AI for Science 或 AI for Engineering,洪亮教授认为**「它是解决一类科学问题的科学家,本质上是要面向生物医药、材料化学、核物理等不同领域创造出一位科学家」。** 其核心难点是精度要求非常高,能用于训练的功能数据相对较少,只能构建专有 AI 模型。

在这里插入图片描述

为了帮助大家更好地理解 AI for Science 的应用,洪亮教授结合 AI for 生物/医药、AI for 材料/化学、AI for 可控核聚变等具体案例进行了深度剖析。

首先是 AI for 生物领域的案例。 洪亮教授表示,「蛋白质三维结构预测是 AI for Science 最重要的起点」。他介绍道,蛋白质结构预测困扰了科学家将近 50 年时间,「在 DeepMind 发布 AlphaFold 模型之前,科学家普遍认为,用 AI 预测蛋白质结构只是个游戏」。

从 AlphaFold 1 到 AlphaFold 3 ,AI 在蛋白质三维结构预测上大展身手,特别是 AlphaFold 3 的准确性对比过去许多专用工具,如蛋白质-配体相互作用、蛋白质-核酸相互作用、抗体-抗原预测,都有显著提高。

在这里插入图片描述

其次是 AI 药物设计的案例。 洪亮教授表示,AI 药物设计相对较难,因为该应用不仅要解决分子层面的问题,还要面临后续临床实验的挑战。如高通量筛选等传统的药物发现方法,测试数千种小分子,仅得到少量的先导化合物,其中仅有十分之一甚至更少的能通过临床试验。

2019 年发表在 Nature Biotechnology 上的研究成果揭示了 AI 在药物设计上的巨大潜力。研究人员使用强化学习 (GENTRL) 在 21 天内发现了盘状蛋白结构域受体 1 (DDR1) 的有效抑制剂,这是一种与纤维化疾病相关的激酶靶点。研究人员利用 AI 技术初筛出 3 万个分子,后又通过各种筛选方法进行了 39 个细胞实验,找到 6 个高细胞活性,最后推进 1 个进行临床实验。

此外,洪亮教授还列举了 AI for 材料/化学的案例。 他认为,「AI for 材料,特别是化学材料,是一个落地很难的事情」。 但材料不像自然语言、人类语言以及 DNA 序列,没有离散的 token,因为材料本质是一个三维结构的问题,在构建大模型时需要结合 DFT 计算、自动化实验以及 AI 递归推进合成特定无机化合物。如 DeepMind 材料团队在 2023 年推出了基于深度学习的材料探索图网络 (GNoME) ,A-Lab 实验室在测试任务中 17 天内成功合成了 58 种预测材料中的 41 种,这是过去 10 年甚至更长的时间才能办到的。

点击查看原文:领先人类 800 年?DeepMind 发布 GNoME,利用深度学习预测 220 万种新晶体

在这里插入图片描述

最后,洪亮教授列举了 AI for 可控核聚变等的案例,并表示这个方向的进步非常喜人。 他指出,现在核聚变的问题主要是等离子体极易「撕裂」,并且逃逸出用来约束它的强大磁场,进而造成聚变反应的中断。普林斯顿团队开发了一个 AI 控制器,能够提前 300 毫秒预测到等离子体的潜在撕裂风险并及时干预。

点击查看原文:提前 300 毫秒预测等离子体撕裂风险,普林斯顿大学发布 AI Controller

如下图所示,研究人员将传统基于物理的方法与先进的 AI 技术整合,改善对等离子体行为的控制和理解。下图 a 、b 、c 揭示了聚变反应堆中等离子体的状态。

在这里插入图片描述

图 a 中的黑色线条展示了随着外部温度提升(如中性粒子束)增加等离子体压力时,最终会达到一个稳定性限制。当超过这个限制时,会激发撕裂不稳定性。而一旦撕裂不稳定性被激发,等离子体将迅速被破坏,在实际操作中会导致严重后果,如图 b 和 c 所示。

基于深度神经网络和强化学习,研究人员开发了能够实时响应等离子体状态变化的智能控制系统,对等离子体未来状态进行预测,并相应调整控制动作,使得托卡马克操作遵循理想路径,在维持高压力的同时避免撕裂不稳定性。

最后,洪亮教授强调,「真正做 AI for Science 并且实现落地的,一定是先把科学问题定义出来,然后再提出一个人工智能解决方案」。

AI for Bioengineering:解决工程问题,实现多场景产品落地

随后,洪亮教授分别阐释了传统蛋白质工程的定义与挑战,AI 在蛋白质工程领域的应用,团队的研发成果及其落地,以及团队的核心优势,进一步揭示了 AI for Bioengineering 的价值。

蛋白质工程:突变蛋白质序列位点,实现产品应用需求

洪亮教授指出,蛋白质工程是指突变某个蛋白质序列中 5-20 个位点,优化其特定性质,实现其在工业、医药里的应用,从而成为产品。

他解释道,蛋白质既是生物体中重要的组成部分,也是人们日常生活中不可或缺的产品。而酶作为蛋白质分子,在工业场景中广泛应用,具有催化作用。例如,创新药领域的抗体 ADC 定点偶联酶、洗衣粉里的酶、饲料中帮助动物新陈代谢的酶添加剂以及在美容、食品和生物工程中的各种酶。

在这里插入图片描述

随后,洪亮教授介绍了当前蛋白质工程最主流的两种做法。

第一种是理性设计/半理性设计, 一般需要研究清楚蛋白质结构和催化机制,按机制进行改造。但理性设计的缺点是耗时长,需要改造的位点主要集中在活性口袋周围,设计的范围比较有限,思维范围也比较受限。

在这里插入图片描述

第二种是定向进化, 即打破人的思维范式,通过高通量筛选,在野生基础上进行高通量单位点随机突变,第一轮寻找最好的单位点突变体,第二轮在此基础上筛选最好的双位点,以此类推。其优势是不依赖于过往经验,「只需用钱就能进行」;缺点是需要构建高通量表型筛选方法,成本高,多轮筛选时间长,并且高通量筛选方法不通用,建立困难。

洪亮教授以 2016 年发表在 Nature 上的研究论文为例,介绍了关于绿色荧光蛋白的实验。他指出,在该实验中,高通量筛选虽然能选出阳性位点,并且当研究人员单独进行位点突变时,可以把该蛋白性质提高,但是如果将多个突变位点进行组合,合成蛋白质就会失去活性。

对此他表示,「如何在浩瀚的相空间里找到优秀的突变点位,并把它组合成优秀的多位点突变体,实现其应用价值,是当前蛋白质工程面临的挑战」。

在这里插入图片描述

蛋白质工程通用人工智能技术——端对端面向功能设计序列

「人工智能要想突破一个工程领域,不是简单地打造科学家的助手,进行搜集文献等基础工作,而是要做到人类专家做不到的事情」。 基于此,洪亮教授团队从 2021 年就开始探索蛋白质工程领域的专有模型,端对端地面向功能设计序列。

研究团队基于自然界所有已知的蛋白质组成了数亿条完整蛋白序列的数据库,并构建了蛋白质工程通用人工智能,基于该数据库学习氨基酸的排列方式与规律。

在这里插入图片描述

洪亮教授通过与上海科技大学刘佳老师合作提高 Crisper cas12a 的热稳定性,与金赛药业合作提高单域抗体的抗碱性,以及与瀚海新酶合作推出酶法创新等 5 个实践应用真实案例,对蛋白质工程通用人工智能技术的应用场景进行了详细讲解。

案例一:提高 Crisper cas12a 的热稳定性

该课题由洪亮教授团队和上海科技大学刘佳老师合作完成,Crisper cas12a 由 1,300 个氨基酸组成,野生型活性很好,但稳定性欠佳,作为体外诊断试剂盒无法常温使用、冷藏成本较高。针对于此,研究团队共进行了三轮实验。最终突变体稳定性达到持续上升状态,蛋白质活性不低于野生型的比率达到 100%。

在这里插入图片描述

洪亮教授介绍道,「蛋白质工程领域的阴性数据是最多的,AI 能把阴性、阳性位点结合起来,扩大了蛋白质工程的想象空间,这超越了专业酶工程师的理性设计范畴,AI 基本上取代了物理计算这条老路」。

他进一步介绍了 AI 如何将蛋白质阴性、阳性突变数据进行结合的底层逻辑,共分为三步。

第一步是建立蛋白质语言词表。 他将蛋白质序列信息进行预训练的过程比作完形填空题,即用一个模型把数亿条完整蛋白序列数据库中任何一条序列,进行连续或离散的随机遮挡,模型就可以把遮掉的地方给填回来。多轮重复此操作,确保一个模型能把数亿条蛋白序列都进行预训练,从而建立起蛋白质语言的词表。

第二步是打标签, 如温度、压强、PH,研究团队共打了数千万标签。

第三步为小样本学习, 即用少量湿实验数据进行微调,完成强化学习,从而解决生物工程中的小样本问题。

在这里插入图片描述

案例二:与金赛药业合作极度耐碱单域抗体的研发

洪亮教授指出,金赛药业往往通过从羊驼单域抗体库筛选单域抗体,并将其放到氢和柱上的方式,进行生长激素的纯化。但在纯化过程中,氢和柱不可避免地会被一些杂质污染,需要用强碱进行清洗,才能在下次纯化实验中继续使用。但生物体不耐强碱,存在被腐蚀的风险。因此,金赛药业希望提高单域抗体的耐碱性。

对此,研究团队将 Pro 系列大模型设计后的单域抗体,通过 0.5M NaOH 处理 24 小时,成功提高了单域抗体的耐碱性。 该项目设计的耐碱蛋白已经实现 5,000 L 放量生产,是目前用大模型做出来的第一款落地产业化的蛋白产品。

在这里插入图片描述

案例三:通过酶法创新,提高糖基转移酶的选择性、活性与产率

急性胰腺炎和唾液腺炎筛查的核心物料为麦芽七糖苷,结构非常复杂,化学生成的成本很高,在中国售价达到每公斤几十万元。针对于此,洪亮教授团队联合瀚海新酶共同推出了酶法创新,即用一个糖基转移酶来生产麦芽七糖苷。研究团队需要对 4 个指标进行提高,即增强转糖基反应,增强反应特异性,降低水解活性以及提高产量。

通过两轮改造实验,研究人员提高了 80 个突变体 BUG 指标 ,将总转糖基活力提高了 8 倍,目标产物纯度从 80 提高到 95,水解活力指标降低到 10,P3 产量提高了一倍。该产品已经在湖北宜昌落地千公斤级产能的产线,生产成本大幅下降。

案例四:单盲测试中,基于小样本学习的抗体亲和力测试

「 AI for Science 要解决小样本问题,仅发文章实际用处不大。」对此,洪亮教授通过与一家抗体药企合作完成的 demo 进行了深入阐述。

洪亮教授介绍道,这是一个全长 245 个氨基酸,涉及 21 个突变位点的 ScFv 抗体,其可能的突变序列超过了 1 千万个。然而合作方只提供了 33 条已知突变体亲和力数据,以及预测未知的 14 条全新序列亲和力数据。团队基于小样本学习,使单盲测试的相关系数达到了 0.65。

「无论生物医药还是合成生物学,最后实现落地还是要解决成本问题,也就是产率要高」。 洪亮教授介绍道,「团队的 AI 蛋白质设计大模型是向自然界学习,其推荐的突变体的产率不会太差。其中有不少都和野生型相当,甚至出现比野生型表达高的突变体」。

在这里插入图片描述

谈到人脑中的蛋白质设计与 AI 蛋白质设计大模型的区别,洪亮教授指出其关键区别是人类喜欢总结经验,但人类的经验一般比较低维,例如蛋白质提取序列、结构上的低维特征。这些特征虽然与蛋白质功能有相关性,但并不是决定后者的完备因素,在定量以及定性预测方面都很困难。而 AI 蛋白质设计大模型能够用高维特征描述蛋白质的序列和结构,对目标功能预测更准确、更定量、更快。

在这里插入图片描述

案例五:从头设计 (de novo) 蛋白质序列

为了进一步说明这个问题,洪亮教授分享了其课题组 Cell Discovery 的一篇成果。他表示,这是经报道的、通过从头设计 (de novo) 得到的最大的蛋白质序列,拥有 6 个结构域、 700 多个氨基酸的基因编辑酶。

而自然界已知的编辑酶 Argo 只有 600 多个,研究团队以此为模版生成了 27 个新序列。与自然界相比,序列相似度全部低于 65%,最低的为 49%,换言之,研究团队对 700 多个氨基酸序列中的 300 多个进行了改造,其中有 23 个有活性,2/3 比野生活性高,最高的野生型达 8.6 倍。

洪亮教授表示「 AI 蛋白质设计大模型能实现 300 个氨基酸序列的改造,并且还保持较好的活性和较高的阳性率,在这类序列生成的任务上 AI 已经远远强于人类专家」。

此外,洪亮教授还分享了他对人工智能的理解:「人工智能就是一个 y 到 x 的映射, x 是输入的特征, y 就是想要生成的结果,比如说蛋白质的稳定性、活性,人工智能现在就是在做一个高维的拟合。」

在这里插入图片描述

AI 蛋白质设计大模型,实现生产力的巨大提升

洪亮教授展示了团队构建的 AI 蛋白质设计大模型,并介绍道,「研究人员输入一条序列到内部软件,平台会将符合自然规律的 30 或 50 个序列挑选出来进行实验,随后进入小样本学习环节,即把 AI 模型微调到研究人员所需要的指标上,最后优势突变体就被制作出来了」。

值得一提的是,目前其团队中只有 2 位研究员主攻蛋白质设计,一位面向生物医药领域,一位面向合成生物领域,但团队同期运行的项目超过 40 个。这也印证了洪教授所言:「一旦 AI 具有突破底层工程的能力,将迸发出巨大的生产力」。

在这里插入图片描述

与诸多高校企业展开深度合作,具备三方面核心优势

除此之外,洪亮教授还为大家展示了团队的成果与核心优势。

在成果方面,团队与清华大学、上海科技大学免疫化学研究所等高校/科研院所,以及金赛药业、瀚海新酶、康宁杰瑞等企业进行了深度合作,在过去 1 年中成功改造了 20 款蛋白,成果颇丰。

在团队优势方面,洪亮教授表示,团队「在新数据、自主模型、产品率先落地三方面具有核心优势」。 首先,团队拥有显著大于公共数据集的蛋白质完整序列数据;其次,团队拥有自主模型、自建蛋白质词表、小样本学习方法以及序列 + 结构的预训练方法,实验精度、研究速度达到国际前列;最后,在全球范围内,团队率先实现了多款蛋白产品的落地应用。

在这里插入图片描述

AI for Science 展望:未来 3 年,实现 AI 大模型自动化标准设计模式

洪亮教授认为「未来 3 年,在蛋白设计、药物研发、疾病诊断、新靶点发现、化学合成路径设计以及材料设计等领域,专业领域的通用人工智能将带来明确的范式变革,将过去依靠人脑零星试错的科学发现模式,转变为 AI 大模型自动化标准设计模式」。

在这里插入图片描述

具体变革包括了构建零样本或者小样本学习方法,以及构建预训练技术模型, 在没有数据的情况下,则通过物理模拟器产生精度略低的大量假数据来做预训练,再用真实珍贵的数据进行微调,完成强化学习。洪教授强调,「假数据指非真实世界的数据,但有一定的可靠度,它可以是 AI 生成的,也可以是物理计算模拟得来进行数据增强,最后真实的湿实验数据最为宝贵,用于模型的最终微调」。

在本次分享的最后,洪亮教授再度对 AI 文科生 vs. AI 理科生进行了概括总结,他认为, AI 文科生本质上是人类生活工作的私人助手,例如 Kimi 、 ChatGPT 等,能够帮助人们减轻重复的创造性或者科学性不高的工作。它特点是数据大,精度要求低,能够大力出奇迹,跨领域泛化能力强,可以用来构建跨领域通用大模型,但它应该属于大厂,不适合高校科研院所。

而 AI 理科生要解决的是一类科学或者工程问题, 代替企业和科学院所科学家的研发大脑,做创造性高的事情,极大降本增效,甚至研发出之前科学经验无法实现的产品,高校和科研院所团队可以结合其特有的专业壁垒去探索相关领域的 AI 解决方案。

在这里插入图片描述

关于洪亮教授

洪亮教授本科就读于中国科学技术大学物理系,研究生就读于香港中文大学,研究方向为纳米材料的合成/表征,博士就读于美国阿克伦大学,主要研究方向为高分子/蛋白质的理化性质、动力学以及相变。

在这里插入图片描述

2010 年, 洪亮教授加入美国橡树岭国家实验室攻读博士后,重点研究计算生物学领域的蛋白质结构、动力学以及功能。2015 年, 洪亮教授作为独立 PI 加入上海交通大学从事分子生物物理研究。2020 年, 洪亮教授将 AI、计算、湿实验结合起来进行蛋白质设计研究。其从物理转入化学,又从化学做到生物,最后又从湿实验走到计算和人工智能,是典型的交叉学科研究背景。

历时 3 年,洪亮教授团队自主开发了「从序列到功能」的 AI 蛋白质通用人工智能 Pro 系列:从大模型的预训练,到底层词表探索,再到监督学习方法,打造了蛋白理化性质标签数据库,又在此基础上开发小样本微调方法,最终打通面向功能设计蛋白序列的人工智能解决方案。

相关成果请参看其课题组主页:
https://ins.sjtu.edu.cn/people/lhong/papers.html

截止目前,洪亮教授带领的研究团队与学术及产业伙伴,都展开了丰富且深入的交流合作,涉及生物医药、体外诊断、药物中间体、营养保健、食品饮料、美容护肤、洗涤纺织、生物能源、生物农业以及环境工程等多个领域。 在科研成果高产甚至堪称疯产的当下,他们仍秉持着「做可落地研究」的初心,身体力行、脚踏实地,把一个又一个的科研成果从实验室带到了生产线。

更多洪亮教授相关简介,可访问:
https://ins.sjtu.edu.cn/people/

TCGA数据下载保姆级教程:用GDC-client从零搞定,附配置文件避坑指南 本文提供TCGA数据下载的完整教程,详细讲解如何使用GDC-client工具从零开始配置到高效获取基因组数据。涵盖环境准备、认证配置、数据检索、高效下载及故障处理等关键步骤,并附配置文件避坑指南,帮助生物医学研究者快速掌握TCGA数据下载技巧。 阅读详情

相关推荐

实战教程:如何用Python+小波变换+CNN搞定医学影像中的条纹噪声(附完整代码)

本文提供了一套完整的实战方案,指导如何利用Python结合小波变换与卷积神经网络(CNN)去除医学影像中的条纹噪声。该方法通过小波变换精准定位噪声,再使用轻量化CNN进行针对性清除,有效保护图像细节,并附有可运行的完整代码,为医学影像处理与AI分析提供高效工具。

weixin_29056101的博客 273

博士申请 | 上海交通大学自然科学研究院洪亮教授招收深度学习方向博士生

合适的工作难找?最新的招聘信息也不知道?AI 求职为大家精选人工智能领域最新鲜的招聘信息,助你先人一步投递,快人一步入职!上海交通大学上海交通大学自然科学研究院洪亮教授课题组热烈欢迎热爱科研、吃苦耐劳并有团队合作精神的学生或者学者加入。我们欢迎对生物物理、计算机辅助药物设计等专业感兴趣的本科生或研究生加入我们,也欢迎有意愿来课题组做博士后或者 PI 的学者加入。导师简介洪...

Paper weekly 2540

RK3588上从零部署Facenet人脸识别:PyTorch转ONNX再到RKNN的完整避坑指南

本文提供了在RK3588开发板上从零部署Facenet人脸识别模型的完整指南。详细介绍了从PyTorch模型导出、转换为ONNX格式,再通过RKNN-Toolkit2转换为RKNN格式的完整流程,并重点分享了环境配置、算子兼容性处理、量化调优及板端部署中的关键步骤与避坑经验。

river的博客 465

上海交大洪亮教授:AI 真要突破工程领域,一定要做到现有人类专家做不到的工程成果...

近日,上海交通大学 AI for Bioengineering 暑期学校完美落幕,百余名来自企业、研究机构、高校的行业专家、企业界代表及优秀青年学者共聚一堂,围绕 AI 在生物工程领域的应用展开了激烈的思维碰撞。 其中,上海交通大学自然科学研究 & 物理与天文学院 & 药学院特聘教授洪亮以「AI 走进生活和...

weixin_32347459的博客 388

pyecharts可视化图表-tree:从入门到精通

本文系统介绍了树图(Tree Chart)的可视化技巧,包含基础实现、方向定制和环形布局等实例。树图能清晰展示层次结构数据,适用于组织架构、文件系统等场景。教程详细解析了pyecharts树图的核心配置项,包括数据准备、方向设置(下上、右左)和样式定制,并提供了完整代码示例。通过本指南,读者可快速掌握专业树图的构建方法,实现复杂层次数据的可视化呈现。

大数据内容个人总结与分享 1971

BDD测试之Behave使用入门

BDD测试(Behavior-Driven Development Testing)是一种基于“行为驱动开发”(BDD)理念。

想要成为酷盖但是失败的小明 583

对话上海交大洪亮:跑通 AI for Science 的落地更有成就感

在 B 站拿下 AI 学位

HyperAI超神经 1477

深度对话丨汇聚华中科技大学/上海AI Lab/上海交大的科研先锋,探索AI「她力量」背后的成长与突破

上海人工智能实验室是我国人工智能领域的新型科研机构,开展战略性、原创性、前瞻性的科学研究与技术攻关,突破人工智能的重要基础理论和关键核心技术,打造「突破型、引领型、平台型」一体化的大型综合性研究基地,支撑我国人工智能产业实现跨越式发展,目标建成国际一流的人工智能实验室,成为享誉全球的人工智能原创理论和技术的策源地。黄宏副教授的研究方向为数据挖掘、社会计算、大数据分析等,她将结合自身的学术经历,向大家分享其在科研道路上的成长经验、对青年学者研究方向如何选择的看法、如何应对科研中的挫折和挑战等。

HyperAI超神经 730

Android Update Engine 分析(三四)OTA 签名都支持哪些算法?

写了几十篇还没涉及到 OTA 签名算法细节,OTA 讨论群也很少问这个,毕竟签名算法纯理论的问题,一旦实现好就极少需要改动,只需要进行一些配置,准备好签名的秘钥和证书就可以了。限于签名的算法理论太过于抽象,本篇不讨论签名算法细节,但会总结一些签名操作。以及 Android OTA 包支持的签名算法。本文主要分析 Update Engine 中支持的签名算法,以及这些算法的操作实现(不涉及原理部分),并总结签名和验签使用的 key。

洛奇看世界 716

【智能车Code review】——小S与中S道路判断

基本思想: 找到中线的左拐点和右拐点,并且计算出两点之间的空间距离。通过限制空间距离,分为中S和小S。 注意这种情况:当20行以下的中线斜率比较陡,此时可以通过人为限制设定,将第0行的中线设置为拐点。 if (flag_centre_right_point == 0 && flag_centre_left_point == 1 && parameterB >= 0.5 && centre_left_point[0] >= 33) { .

hanhan的博客 6107

PLM重大突破!上海交大与上海AI Lab最新成果入选NeurIPS 24,ProSST有效整合蛋白质结构信息

蛋白质作为生命体的关键分子,其序列决定结构,结构决定功能,蛋白质的功能与其三维结构紧密相关。数十年来,科学家们利用 X 射线晶体学、核磁共振等技术,解析了数千种蛋白质结构,为人们理解蛋白质功能提供了重要线索。然而,面对数百万级别的蛋白质数量,解析所有蛋白质结构的任务显得异常艰巨。。通过在海量未标记的蛋白质序列数据上进行学习,PLM 能够捕捉到蛋白质序列的复杂模式和相互作用,这为蛋白质功能的预测、结构分析以及蛋白质-蛋白质相互作用的识别带来了革命性的进步。

HyperAI超神经 1717

爬虫进阶必备:深入理解requests.Session(),提升爬虫效率与稳定性

前两天,有个朋友跟我吐槽,说自己写了个爬虫爬取某个电商网站的商品信息,刚开始跑得好好的,爬了大概几百页之后,突然就开始报错了。HTTP状态码一会儿429,一会儿403,最离谱的是有些页面明明登录了却显示未登录状态。他排查了半天也没找到原因,最后把代码发给我看。 我扫了一眼代码,发现一个典型问题:他每次请求都新建一个requests.Session(),甚至有些请求直接用了requests.get()。这就好比每次进超市都要重新注册会员,每次都重新跟服务器“握手”,不翻车才怪。 其实,这就是我们今天要聊的

2201_76125261的博客 1229

上海交通大学洪亮课题组、宋杰课题组合作蛋白质工程通用人工智能技术在Science Advances发表...

近日,宋杰课题组与上海交通大学洪亮教授团队合作,在《Science Advances》杂志上发布了突破性研究成果——Pro-PRIME模型。该模型通过自建预训练模型实现零样本预测和小样本微调方法,在蛋白质功能优化领域实现了前所未有的低成本短时间显著提升蛋白质的性质。经湿实验验证,Pro-PRIME的预测准确率超越传统高通量筛选十倍以上,成功开发出多款具有高活性和超高稳定性的蛋白质突变体,部分性能超...

悟道西方 443

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

汇聚华中科技大学/上海AI Lab/上海交大的科研先锋,探索AI「她力量」背后的成长与突破...

恰逢第 115 个「三八」国际妇女节到临之际,HyperAI超神经邀请到了华中科技大学副教授黄宏老师、上海人工智能实验室 AI for Science 中心青年研究员周东展、上海交通大学自然科学研究院助理研究员周冰心,与大家畅聊她们的科研历程,分享一路的成长感悟与科研修炼经验。1908 年的纽约街头,1.5 万名妇女高喊着「面包加玫瑰」的口号,为争取缩短工作时间、增加工资、享有女性选举权而呐喊。这...

HyperAI超神经 314

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

机器学习之父Michael I. Jordan亲临全球机器学习技术大会,畅谈人工智能前景与挑战

机器学习界的开山鼻祖Michael I. Jordan,亲临由Boolan主办的ML-Summit 2018全球机器学习技术大会现场。大会中为大家带来《机器学习前沿发展》的主题演讲,深入阐述机器学习领域最新的前沿发展情况及其领导的机器学习团队的最新研究成果,包括如何在训练生成式对抗网络GAN的过程中找到好的鞍点、如何在非凸优化中避免鞍点、可解释的机器学习、可证明的最优强化学习、多智能体决策、分布式强化学习平台等热点前沿话题。

gomissionone的博客 974

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

学术分享|无惧数据匮乏!上海交大博士后周子宜详解蛋白质语言模型的小样本学习方法 FSFP

为了进一步推进 AI4S 的普适化,将学术机构的科研成果进一步降低传播壁垒,分享给更广泛的行业学者、科技爱好者及产业单位,HyperAI超神经策划了「Meet AI4S」视频栏目,邀请深耕 AI for Science 领域的科研人员或相关单位,以视频的形式分享研究成果、方法思路,共同探讨 AI for Science 在科研进展及推进落地过程中面临的机遇和挑战,促进 AI for Science 的科学普及和传播。在每次训练迭代中,把 PLM 对训练样本的预测排列向它们的真实排列修正。

HyperAI超神经 1190

AI 对科学探索推动的边界在哪?蛋白质、气象等领域专家共话AI4S | 2024智源大会精彩回顾...

一直以来,AI for Science 旨在推动科学发现的边界,加速创新过程,并解决复杂问题。在科学实践过程中,我们发现AI不仅能够提高科学研究的效率,还能够开辟全新的研究路径,探索以前不可能观察到的模式和联系。这一点在生物信息学、物理学、化学和天文学等学科中均有体现。AI技术是否能够帮助解决Science中大家真正关心的问题,是智源大会「AI for Science」论坛的核心话题。本次论坛由清...

BAAIBeijing的博客 1016

开营啦!| 上海交通大学 AI for Bioengineering 暑期学校开营仪式圆满举行!

开营仪式 2024年8月12日 ,“AI for Bioengineering暑期学校”在上海交通大学闵行校区理科群楼300号报告厅开幕。本次暑期学校吸引了来自国内外30余所高校(包括芝加哥大学、曼彻斯特大学、哥伦比亚大学、爱丁堡大学、南加利福尼亚大学、北京大学、清华大学、复旦大学、中国科学院大学等)和27家企业的超过10...

weixin_32329555的博客 114

开播倒计时!华中科技大学/上海AI Lab/上海交大的科研先锋,共同探索AI「她力量」背后的成长与突破...

恰逢第 115 个「三八」国际妇女节到临之际,HyperAI超神经邀请到了华中科技大学副教授黄宏老师、上海人工智能实验室 AI for Science 中心青年研究员周东展、上海交通大学自然科学研究院助理研究员周冰心,与大家畅聊她们的科研历程,分享一路的成长感悟与科研修炼经验。1908 年的纽约街头,1.5 万名妇女高喊着「面包加玫瑰」的口号,为争取缩短工作时间、增加工资、享有女性选举权而呐喊。这...

HyperAI超神经 223

上海交通大学「AI 蛋白质设计峰会」成功举办

上海交通大学洪亮教授深入介绍了基于预训练的蛋白质工程的通用人工智能 Venus 系列模型及实践案例,其中包括全球最大的蛋白质序列数据集,开创性地实现了从序列直达功能的精准蛋白质设计,并分享了 AI for Science 的科学进展及展望。在企业专场的圆桌会议上,由金沙江联合资本汪晓燕博士主持,多位专家学者及企业代表以「AI 蛋白质的产业应用」为主题,从产学研各个角度出发,围绕 AI 驱动蛋白质设计的前沿技术与产业转化展开深度对话,现场反响十分热烈。

HyperAI超神经 395

生物信息学ai 药物设计以及人工智能对于 ai 在蛋白质序列上的重要作用

AI在蛋白质序列设计与药物研发中的角色,已从“辅助工具”升级为“核心引擎”。通过生物信息学与AI的协同创新,人类正以前所未有的速度解码生命密码,并重塑疾病治疗的未来。这一领域的突破不仅需要技术创新,更需跨学科合作与伦理框架的完善。正如洪亮教授所言:“AI将蛋白质科学从复杂艺术变为简单工程,而我们的使命是让这一工程真正服务于人类健康。

weixin_68299707的博客 1292

《程序员》9月精彩内容:微信小程序 & 中国人工智能大会集锦

“无须安装”、“触手可及”、“用完即走”……这一系列特性,使微信小程序自被提出起,就广受开发者关注,大家对它的热议可谓跌宕起伏,它的每次更新,都能引爆朋友圈。本专题特别邀请到多位微信小程序技术弄潮儿,请他们从技术开发层面对小程序进行全面解读,同时展示多款出色小程序。 微信小程序技术解读(陈兴艺,广州帅为网络联合创始人&CTO) 从《小睡眠》谈微信小程序开发的实用技术与注意事项(刘剑华,心潮...

优快云 人工智能 744

开源智能,第十一届OS2ATC圆满落幕

2024年3月30日,备受瞩目的第11届开源操作系统年度技术会议(OS2ATC)在西郊宾馆成功举办。本次会议以“开源智能”为主题,汇聚了国内外一线操作系统及相关领域的技术专家和工程师,共同探讨开源操作系统的最新发展趋势和产业应用。

xhwuli的专栏 884

香港大学团队突破AI文生图技术瓶颈:让机器真正“看懂“你说的话

研究团队发现,问题出在AI系统内部的"注意力机制"上——这就像是AI的大脑在处理信息时,总是被一些不重要的东西分散了注意力,反而忽略了真正重要的文字指令。同样地,当TACA改变了AI系统内部的注意力分配后,生成的图像有时会出现一些视觉上的"不协调"——比如物体边界模糊、纹理不自然,或者出现一些奇怪的漂浮元素。这些问题的根源在于,AI系统原本是在特定的注意力模式下训练的,突然改变这种模式就像让一个习惯了某种握笔方式的画家突然改变握笔姿势一样,需要一段时间的适应。更巧妙的是,TACA还解决了时间敏感性问题。

zhidingkeji的博客 579

2016年 AI 技术发展综述

2016年 AI 技术发展综述

张同光 (Tongguang Zhang):Hello everyone ! 703
上一篇: 在线教程 | 青岛小哥焦恩俊魂穿黑神话悟空?MuseV + MuseTalk打造高质量数字人
下一篇: 含 14 万张图像!华中科技大学发布高质量甲骨文数据集,助力团队摘冠 ACL 最佳论文
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值