上体现得同样明显。
,希望探索出一条新的发展之路。
01
何谓生命科学产业?
虽然具体又细分为生物信息学、药妆品、食品加工和营养品等业务子项,但生命科学一般可分为四大主体领域:
药品——通过化学研究和合成工艺制造药品。
生物技术——利用微生物和植物等生物体开发产品(例如酿酒)。
医疗设备——通过仪器、设备、植入物、机器甚至是某些软件来治疗疾病。
CRO/CMO——以外包服务的形式为各类生命科学公司提供支持。
02
制药:以更低成本快速发现重要药物
总结来讲,AI及其技术子集在生命科学中的主要应用包括:
搜索并分类数据,以寻求可能的新药(药物发现)。
在对志愿者开展测试之前,通过深度学习确定新药对人体的潜在影响。
为临床试验寻找最佳受试者。
新药研发是一个缓慢且成本极高的过程,而且失败概率巨大。如今,AI已经被用于降低研发成本、提高研发成功率,同时更安全地推进整个探索流程。
03
生物技术:实现风险可控
AI在制药领域的应用也大多适用于生物技术,具体包括大规模数据分析、模拟新产品效果、以及管理临床试验数据。本轮新冠疫情下,已经有一款疫苗的快速研发源自AI技术的有力支持。
例如:
通过转基因细菌制造人工胰岛素。
饲养经过 CRISPR基因编辑的动物,为患有糖尿病和心力衰竭的病人提供移植器官。
培育抗病作物。
通过基因编辑提高奶牛产奶量。
通过改造原料和微生物特性研发新的酒水品类。
从大豆等作物中提取生物燃料。
由于同生物相关,人们更担心技术失控问题。转基因微生物很可能会持续变异并引发负面影响,转基因生物同理。因此,机器智能必须能够对动物的育种记录进行深入分析,并在分子层面设计出虚拟测试以最大限度降低此类风险。
04
医疗设备:数据管理
如今的医疗设备早已脱离了普通人所能想象的范畴。X光机和CAT扫描仪等已经能够拍下清晰详尽的体内图像,以供放射科医师进行诊断。医院的ICU监控系统,能够为危重病人提供24/8全天候监控。现在的可穿戴设备,也让患者能够在家中通过医用平板电脑,监测自己的健康状况,同时将各项指标实时传输至几公里之外的医疗诊所。
医疗设备制造商开始寄希望于AI技术。例如,先进的AI系统,可以帮助医生监测并管理糖尿病患者的胰岛素用量,或者帮助放射科医生从大量X光片中快速发现肿瘤迹象。
制造商们还希望借AI之力加快开发速度、降低开发成本,并以类似于制药和生物技术的应用方式提高产品的审批成功率。美敦力公司数据科学总监Toddy Morley在采访中就强调,“我们预计AI技术将广泛应用于制造业,也包括我们的供应链。几十年以来,产业工程师一直在制造业中运用统计学方法。然而,随着低成本传感器的全面普及和融合,丰富计算资源的出现,深度学习和图形建模等强大功能的面世,以及愈发准确可靠的AI方法,共同给制造业中的AI应用创造了新的商业机遇。”
05
CRO / CMO / CDMO:伸出援手
尽管实力雄厚,但他们在产品的开发和制造层面也面临着各自的难题。
。
则可以把部分业务战略性外包,更有效地利用自有资产。
06
写在最后
。随着海量数据的涌入,他们正在积极拥抱人工智能与机器学习,希望全面简化从数据挖掘到制造流程的整个业务链条。
[编者按] 海外来电是科技行者旗下编译团队,聚焦海外新技术、新观点、新风向。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。