Phiên bản Trung Quốc của "DeepSeek Sinh học" ra đời, 4 học bá Oxford để AI tiếp quản Khoa học Sự sống

marsbitPublished on 2026-08-04Last updated on 2026-08-04

Abstract

Mô hình GeneLLM của Công ty Công nghệ Sinh học Jindu, do 4 nghiên cứu sinh từ Đại học Oxford sáng lập, đã được công bố trên các tạp chí khoa học uy tín *Nature Communications* và *Advanced Science*. Đây là mô hình đa nhóm sinh học (multi-omics) lớn đầu tiên trên thế giới được đào tạo trước trực tiếp từ dữ liệu gốc (raw sequencing data), coi các base RNA (A, U, G, C) như các "token" cơ bản để dự đoán thông tin sinh học tiếp theo. Với 15 tỷ tham số ban đầu và phiên bản XLarge lên đến 300 tỷ tham số, GeneLLM hứa hẹn cách mạng hóa nhiều lĩnh vực như phát triển thuốc, y học chính xác và sinh học tổng hợp. Không dừng lại ở mô hình cơ sở, Jindu phát triển nền tảng nghiên cứu BioFord Agent và hệ thống BioFord Harness, một "cơ sở hạ tầng thông minh" kết nối thế giới AI với phòng thí nghiệm vật lý. Hệ thống này bao gồm năm tác nhân thông minh (agent) phối hợp để tự động hóa toàn bộ quy trình nghiên cứu từ tra cứu tài liệu, thiết kế thí nghiệm, lập lịch thiết bị đến phân tích dữ liệu, giúp rút ngắn chu kỳ nghiên cứu từ vài tháng xuống còn một tuần. Điểm mấu chốt là nó biến mọi dữ liệu thí nghiệm, kể cả thất bại, thành kinh nghiệm có thể học hỏi cho hệ thống. Với lối tiếp cận "nhẹ" tập trung vào "chặng cuối cùng" (last mile) kết nối AI với phòng thí nghiệm thay vì tự xây dựng cơ sở hạ tầng nặng, Jindu đã thu hút được bốn vòng đầu tư chỉ trong một năm từ các quỹ lớn như Sequoia China và Gaotejia. Công ty kỳ vọng sẽ định nghĩa lại phương thức nghiên cứu khoa học sự sống trong kỷ nguyên A...

Ngay sau khi DeepSeek -V4-Flash bản chính thức gây chấn động cộng đồng mô hình lớn tổng quát toàn cầu, phiên bản DeepSeek dành riêng cho lĩnh vực Khoa học Sự sống của Trung Quốc đã nhanh chóng xuất hiện.

Mới đây, công ty Tân Độ Sinh Khoa (Jindu Bio) do 4 học bá Đại học Oxford về nước sáng lập, đã tự nghiên cứu và phát triển mô hình lớn đa hệ sinh học GeneLLM chuyên sâu cho lĩnh vực Khoa học Sự sống, liên tiếp được đăng tải trên các tạp chí học thuật hàng đầu quốc tế - "Nature Communications" và "Advanced Science".

Là mô hình lớn đa hệ sinh học đầu tiên trên thế giới được huấn luyện trước trực tiếp bằng dữ liệu thô sinh học, GeneLLM là một mô hình trọng yếu tiếp theo sau AlphaFold của Google và EVO 2 của Đại học Stanford, lấp đầy khoảng trống về mô hình lớn cơ bản trong Khoa học Sự sống của Trung Quốc, được coi là phiên bản DeepSeek của Trung Quốc trong lĩnh vực sinh học, cho phép AI bắt đầu hiểu nhiều "ngôn ngữ" và toàn bộ "hệ thống" của sự sống.

Dự đoán thông tin sự sống tiếp theo, giống như dự đoán token tiếp theo

Nhận diện bệnh chỉ là một trong các tình huống ứng dụng của GeneLLM, điều Tân Độ Sinh Khoa thực sự muốn làm là tạo ra "Claude Code" trong lĩnh vực Khoa học Sự sống.

Cốt lõi của các mô hình ngôn ngữ lớn như ChatGPT, Claude, DeepSeek là dự đoán token tiếp theo.

Tư duy của GeneLLM tương tự, nhưng nó dự đoán không phải là văn bản, mà là thông tin sự sống.

Bốn loại base trong chuỗi RNA - Adenine (A), Uracil (U), Guanine (G), Cytosine (C), trở thành Token cơ bản để GeneLLM hiểu ngôn ngữ của sự sống.

Phân tích tin sinh học truyền thống thường dựa vào chú thích gen, so sánh trình tự và gắn nhãn định nghĩa thủ công. Phương pháp này tuy chính xác, nhưng sẽ giới hạn trước phạm vi nhận thức của mô hình, cũng có thể làm mất đi một lượng lớn tín hiệu sinh học chưa biết tiềm ẩn trong dữ liệu thô.

GeneLLM lại đi theo một hướng khác, trực tiếp học các quy luật sự sống từ dữ liệu giải trình tự thô chưa qua xử lý.

Nó sử dụng dữ liệu thô đa hệ sinh học như RNA, proteomics, metabolomics... làm dữ liệu huấn luyện, để mô hình tự động phát hiện các mẫu hình liên quan đến bệnh tật.

Hiện tại, GeneLLM đã hoàn thành huấn luyện trước mô hình với 1.5 tỷ tham số và 3.5 nghìn tỷ trình tự base, phiên bản XLarge đạt huấn luyện trước mô hình 30 tỷ tham số, liên tục mở rộng rào cản kỹ thuật.

Là mô hình lớn đa hệ sinh học đầu tiên trên thế giới được huấn luyện trước dựa trên dữ liệu giải trình tự thô, GeneLLM bao gồm hai giai đoạn:

(1) Huấn luyện trước không giám sát và khai phá nguyên mẫu

(2) Tinh chỉnh theo bệnh ở cấp độ bệnh nhân (Disease Tuning)

GeneLLM trước tiên cần giải quyết một vấn đề:

Làm thế nào để biến dữ liệu sự sống phức tạp thành ngôn ngữ mà AI có thể hiểu?

Trong xử lý ngôn ngữ tự nhiên, thuật toán BPE sẽ cắt câu thành các Token; còn GeneLLM thì cắt các đoạn RNA giải trình tự dài khoảng 150bp, thông qua cửa sổ trượt gồm 7 base (7-mer), thành các Token sự sống.

Sau đó, mô hình sử dụng kiến trúc Transformer, trong điều kiện không có chú thích gen và nhãn gắn thủ công, trực tiếp dự đoán base tiếp theo.

Điều này có nghĩa là AI không phải xem trước "từ điển" do con người tổ chức, mà trực tiếp học từ tín hiệu thô của sự sống.

Trong quá trình huấn luyện, GeneLLM đã xử lý khoảng hàng chục nghìn tỷ reads RNA, được huấn luyện trên cụm trăm card GPU NVIDIA A100.

Đến đây, khả năng tổng quát hóa và các khả năng khác của GeneLLM bắt đầu "xuất hiện".

Là một đột phá sáng tạo lớn trong lĩnh vực sinh học, mô hình sinh học nội địa này của Trung Quốc có thể ứng dụng trong nhiều lĩnh vực như nghiên cứu phát triển thuốc mới, y học chính xác, sinh học tổng hợp, giám sát môi trường, vi sinh vật và nông nghiệp sinh học, thiết kế protein và phân tử... là một trong số ít mô hình lớn trên phạm vi toàn cầu đạt được triển khai thực tế trong các tình huống thực tế.

Chỉ khi chúng ta xem xét xong những đổi mới cơ bản của GeneLLM về "dữ liệu, kiến trúc, huấn luyện" thì mới thực sự hiểu: tại sao nó đại diện cho "phiên bản sinh học DeepSeek" của Trung Quốc.

Thung lũng Silicon dùng hàng chục nghìn card H100 để xếp chồng nghìn tỷ tham số, DeepSeek thì dùng sáng tạo thuật toán để nâng cao hiệu quả tính toán, GeneLLM cũng dùng sức nhỏ đẩy vật nặng, khơi động dữ liệu Khoa học Sự sống hàng tỷ.

Nếu nói AlphaFold để AI lần đầu tiên nhìn thấy "cấu trúc" của sự sống, EVO2 để AI bắt đầu hiểu "mã" của sự sống, thì GeneLLM cố gắng hiểu thêm về "hệ thống" của sự sống.

Còn hiệu quả thì càng đáng gờm. Phương pháp truyền thống dựa vào giải trình tự sâu 6Gb, chi phí cao, khó triển khai. GeneLLM ở độ sâu cực nông 1Gb (giảm 83% chi phí) vẫn duy trì AUC > 0.8.

Điều này có nghĩa là thực sự có hy vọng biến y học chính xác phổ quát thành hiện thực.

Một mô hình nghiên cứu khoa học mới bắt đầu xuất hiện: để AI học từ dữ liệu sự sống, đưa Khoa học Sự sống vào giai đoạn mới có thể dự đoán, có thể tính toán, có thể khám phá quy mô hóa.

Không chỉ là mô hình, mà còn là cơ sở hạ tầng thông minh "kilômét cuối cùng"

Nhưng bố cục của Tân Độ Sinh Khoa không chỉ nằm ở mô hình cơ bản.

Lấy mô hình lớn đa hệ sinh học GeneLLM làm nền tảng nhận thức sự sống, Tân Độ Sinh Khoa tiếp tục xây dựng hệ thống thực thi kết nối trí tuệ AI với thế giới vật lý, thông qua lớp thực thi thí nghiệm thông minh Harness và vòng lặp dữ liệu DBTL (Design-Build-Test-Learn), thực hiện vòng lặp kín hoàn chỉnh AI for Science từ hiểu quy luật sự sống, tạo giả thuyết khoa học, đến xác minh thí nghiệm tự động và tối ưu hóa lặp liên tục.

Như cựu Phó Chủ tịch OpenAI, người phụ trách huấn luyện sau này Liam Fedus từng nói, các LLM hiện tại đã cạn kiệt văn bản và mã hữu hạn trên internet, tiến bộ quan trọng tiếp theo trong khám phá khoa học phải dựa vào lặp thí nghiệm.

Tức là, không thể chỉ dựa vào việc đọc nội dung con người đã viết để phát hiện kiến thức mới, AI phải tự mình làm thí nghiệm.

Vấn đề là ở chỗ -

Dịch vụ internet vốn có API, thông tin mạng vốn là số hóa, nhưng thiết bị nghiên cứu đến từ các nhà sản xuất khác nhau, giao thức khác nhau, vừa phức tạp vừa đắt tiền, không ai có thể đập bỏ và xây lại trong vài tháng.

Hầu hết các phòng thí nghiệm ngày nay được thiết kế dành riêng cho con người: bảng điều khiển thiết bị, động tác hút mẫu, trạng thái mẫu, phán đoán tại chỗ, phần lớn không trở thành tín hiệu máy móc có thể hiểu.

AI bước vào phòng thí nghiệm, hiện nay không chỉ là vấn đề năng lực mô hình, mà còn cần một cơ sở hạ tầng mới.

Vì vậy, AI bước vào phòng thí nghiệm, hiện nay không chỉ là vấn đề năng lực mô hình, mà còn cần Harness vật lý: biến phòng thí nghiệm thành một hệ thống có thể biên dịch, có thể điều phối, có thể quan sát, có thể truy xuất.

Đây mới thực sự là kilômét cuối cùng của AI4S.

BioFord Harness, để phòng thí nghiệm bắt đầu "tự động"

Vì vậy, Tân Độ đã phát triển một hệ thống có tên BioFord Harness.

Đây là một cơ sở hạ tầng kết nối AI và phòng thí nghiệm vật lý.

Họ không để cánh tay robot bắt chước bàn tay con người, mà biến phòng thí nghiệm thành một hệ thống có thể biên dịch, có thể điều phối, có thể quan sát, có thể truy xuất.

Trong quá trình này, Harness vật lý ít nhất phải hoàn thành ba việc:

1. Biên dịch ý đồ khoa học hoặc DSL thí nghiệm thành các lệnh mà các thiết bị khác nhau có thể thực thi;

2. Hoàn thành điều phối, quản lý ràng buộc tài nguyên và an toàn giữa nhiều thiết bị, và xử lý ngoại lệ;

3. Để kết quả thí nghiệm, nhật ký thiết bị và tham số môi trường quay về, trở thành đầu vào cho thiết kế mô hình và thí nghiệm tiếp theo.

Vấn đề khoa học → AI hiểu → Phương án thí nghiệm → Điều phối thiết bị → Thực thi → Dữ liệu quay về → Tối ưu mô hình → Vòng tiếp theo.

Một bánh đà dữ liệu thí nghiệm khoa học, cứ thế được khởi động.

Năm đại lý thông minh, "cuốn" quy trình nghiên cứu thành dây chuyền

Nền tảng nghiên cứu trí tuệ vật hóa BioFord Agent, thì kết nối xuống lớp vật lý phòng thí nghiệm, hỗ trợ trên lớp nhận thức của nhà khoa học, ở giữa dùng vật lý AI để nối liền đoạn gãy giữa suy luận và thực thi.

Ở lớp nhận thức, BioFord Agent có mạng lưới phối hợp gồm năm đại lý thông minh, thông suốt toàn bộ quy trình nghiên cứu Khoa học Sự sống, có thể nâng cao hiệu quả nghiên cứu gấp nhiều lần.

Đại lý thông minh tìm kiếm tài liệu

Đại lý thông minh thiết kế thí nghiệm

Đại lý thông minh khoa học

Đại lý thông minh điều phối thí nghiệm

Đại lý thông minh phân tích dữ liệu

Ví dụ, đại lý thông minh tìm kiếm tài liệu có thể nhanh chóng giúp bạn tìm kiếm và đọc lượng lớn tài liệu, hoàn thành tổng quan tài liệu và hỗ trợ đưa ra giả thuyết.

Đại lý thông minh thiết kế thí nghiệm giúp nhóm nghiên cứu rút ngắn chu kỳ thiết kế thí nghiệm vốn mất hàng tháng xuống còn một tuần.

Còn đại lý thông minh điều phối thí nghiệm do Tân Độ Sinh Khoa giới thiệu, dựa vào lớp trừu tượng hóa thiết bị phổ quát (Universal Instrument Abstraction Layer), đã phá vỡ rào cản giao thức giữa nhiều loại thiết bị không đồng nhất.

Cho dù là máy PCR, máy đọc microplate, máy phân tích tế bào dòng chảy, hay trạm làm việc hút mẫu tự động, đều có thể thực hiện quản lý thống nhất và điều phối thống nhất. Hệ thống tích hợp thuật toán điều phối động, có thể tự động lập lịch hàng loạt, tránh xung đột thời gian thực, và ghi lại đầy đủ tham số thí nghiệm, hình thành chuỗi kiểm toán có thể truy xuất.

Điều này có nghĩa là, AI không còn dừng lại ở giai đoạn "đề xuất ý kiến", mà thực sự bước vào phòng thí nghiệm, vận hành thiết bị, thực hiện nhiệm vụ, trở thành một "trợ lý nghiên cứu" đáng tin cậy.

Dữ liệu thất bại, có lẽ còn quý giá hơn dữ liệu thành công

Giá trị sâu sắc hơn mà hệ thống này giải quyết nằm ở: biến mỗi thí nghiệm - dù thành công hay thất bại - đều trở thành dữ liệu mà hệ thống có thể xử lý.

Trong phòng thí nghiệm truyền thống, một bản ghi thất bại có thể chỉ là một dòng "kết quả không đúng như dự kiến", kinh nghiệm tồn tại trong đầu người, người đi rồi, kinh nghiệm cũng mất.

Nhưng trong hệ thống BioFord, mỗi lần thất bại đều là dữ liệu huấn luyện quý giá - logic lựa chọn tham số, ghi chép điều kiện môi trường, chứng minh con đường sai... tất cả đều lắng đọng, trở thành một phần "kinh nghiệm" của hệ thống.

Lần sau, AI sẽ biết: con đường này không thông.

Điều đáng suy ngẫm là, trong đường đua này, không phải người có sức mạnh tính toán mạnh nhất sẽ thắng, cũng không phải mô hình lớn nhất sẽ thắng.

Sức mạnh tính toán có thể mua được, nhưng dữ liệu nghiên cứu thì không mua được.

Kim Vịnh Thành, người sáng lập kiêm CEO Tân Độ Sinh Khoa cho biết: "Trong quá trình nghiên cứu phát triển, chúng tôi dần phát hiện ra AI for BioScience không đơn giản là chất đống mô hình, chất đống dữ liệu. Đối với người làm thí nghiệm, cuối cùng vẫn phải giải quyết khó khăn là tính toán xong không biết làm, làm rồi lại không đúng."

Đó chính là hào rào quan trọng nhất, cũng là khó sao chép nhất trong đường đua AI4S.

Bốn người Oxford, trong đó còn có sư huynh đồng môn của La Phúc Lệ

Năm 2022, vào thời điểm Kim Vịnh Thành nhận được bằng Tiến sĩ Kỹ thuật Sinh học của Đại học Oxford, anh phải đối mặt với một lựa chọn.

Người hướng dẫn của anh là thành viên Hội Hoàng gia Anh, người sáng lập công ty niêm yết Anh Oxford Nanopore, nhà tiên phong về giải trình tự thế hệ thứ ba Hagan Bayley, phòng thí nghiệm có truyền thống sâu sắc về "ứng dụng thành quả". Ở lại Anh, là một con đường bằng phẳng rõ ràng.

Nhưng anh đã chọn một con đường khác - đem một "công nghệ nguyên mẫu" trong phòng thí nghiệm bỏ vào vali, mang về nước. Cùng đi với anh, còn có ba cựu sinh viên Oxford: Tiến sĩ Sinh học Đặng Tư Vĩ, Phó nghiên cứu viên khoa Máy tính Sa Lỗi (Tiến sĩ Máy tính Đại học Bắc Kinh, sư huynh đồng môn của La Phúc Lệ, người phụ trách mô hình lớn của Xiaomi), cùng với Chu Thiên Nghiêu giỏi triển khai sản phẩm. Bốn người có kiến thức nền tảng liên quan đến kỹ thuật sinh học, trí tuệ nhân tạo, sinh học tính toán, vận hành thương mại, không thể thiếu cái nào. Họ từng thành lập đội tiến hành dự án nghiên cứu liên ngành, thông qua kết hợp AI và công nghệ transcriptome để thực hiện dự đoán và phát hiện bệnh. 4 người giống như những mảnh ghép vừa khớp bổ sung cho nhau, có thể hoàn thành nghiên cứu liên ngành cao độ.

Tên công ty "Tân Độ Sinh Khoa", "Tân" lấy từ Oxford, hàm ý họ xuất phát từ cao địa học thuật như phòng thí nghiệm đỉnh cao Oxford, "Độ" ý ở độ nhân, đó là điểm đến mà họ cho rằng AI for Science nên chạm tới.

Hiện tại, nền tảng nghiên cứu AI vật lý BioFord Agent của Tân Độ Sinh Khoa đã được triển khai tại một số trường đại học nổi tiếng trong nước, hiệu quả rõ rệt, rút ngắn chu kỳ nghiên cứu từ hàng tháng xuống còn một tuần.

Cơn gió nổi lên: 4 vòng gọi vốn trong 1 năm, hiện trường "thơm thật" của vốn

Tuy nhiên, đi một con đường "chưa từng có người đi trước", tất nhiên đi kèm với sự cô đơn.

Giai đoạn đầu khởi nghiệp, khó khăn chồng chất. Lúc đó, khởi nghiệp AI sôi động, nhưng thử nghiệm "AI+" trong lĩnh vực Khoa học Sự sống thì hiếm hoi. "Người hiểu AI chưa chắc đã hiểu Khoa học Sự sống, người hiểu Khoa học Sự sống phần lớn không hiểu AI."

Kim Vịnh Thành thừa nhận: "Các bên đầu tư từng không thể hiểu chúng tôi đang làm gì."

Đội ngũ chọn một con đường "khó nhất": bắt đầu từ mô hình lớn cơ bản sinh học, số công ty làm hướng này trên toàn cầu đếm trên đầu ngón tay.

Năm 2025, bước ngoặt xuất hiện.

Lúc đó, Quốc vụ viện ban hành "Ý kiến về việc thực hiện sâu sắc hành động 'Trí tuệ nhân tạo +'", AI for Science nằm trong đó, đường đua nổi gió.

Tân Độ Sinh Khoa lập thành tích "hoàn thành 4 vòng gọi vốn trong một năm". Dòng thời gian gọi vốn chính của công ty xứng đáng là hình mẫu ngành.

Vòng Thiên thần+: Nhận Sequoia Capital China Seed Fund dẫn đầu đầu tư;

Vòng Pre-A+: Nhận Chuangdongfang Investment dẫn đầu đầu tư cấp chục triệu;

Vòng Pre-A+: Nhận Nanshan Zhanxintou đầu tư cấp chục triệu;

Vòng A: Nhận Gaotegia Investment gần trăm triệu nhân dân tệ dẫn đầu đầu tư.

Đằng Vũ Hàng, Đối tác Điều hành Gaotegia Investment cho biết: "Tân Độ Sinh Khoa biến nghiên cứu cơ bản Khoa học Sự sống thành cơ sở hạ tầng 'sức mạnh tính toán + thí nghiệm' có thể đăng ký, có thể mở rộng."

Trong khi mục tiêu của Kim Vịnh Thành còn xa hơn: "Chúng tôi không bằng lòng với việc bán phần mềm, muốn xây dựng hệ điều hành thông minh trong lĩnh vực Khoa học Sự sống. Giống như Intel định nghĩa sức mạnh tính toán thời đại PC, chúng tôi hy vọng định nghĩa mô hình nghiên cứu mới của Khoa học Sự sống trong thời đại AI."

Từ phòng thí nghiệm Oxford đến Thâm Quyến, từ không ai hiểu đến được vốn hạng nhất rót mạnh, câu chuyện của bốn người Oxford, không chỉ là truyền kỳ khởi nghiệp, mà còn là một sự tra vấn tâm hồn về "chúng ta có thể làm gì cho nhân loại".

Khi AI học cách tự mình nghiên cứu khoa học "thâu đêm", khám phá khoa học có lẽ sẽ không còn dựa vào linh cảm ngẫu nhiên của thiên tài, mà trở thành điều tất yếu có thể dự đoán. Con đường này, họ mới chỉ bắt đầu.

Bản đồ ngành: Tân Độ đi theo đường AI vật lý nhẹ hóa

Trên bản đồ AI for BioScience lớn hơn, Tân Độ không đơn độc, nhưng điểm tiếp cận hoàn toàn khác biệt.

Loại thứ nhất, là nhà khoa học AI đầu số.

Biomni ấp ủ từ Stanford (đã thương mại hóa thành Phylo) sở hữu hơn 150 công cụ chuyên nghiệp, có thể tự động thực hiện đánh giá tài liệu, tạo giả thuyết và phân tích tin sinh học.

FutureHouse được Eric Schmidt hỗ trợ, nỗ lực xây dựng nhà khoa học AI có thể tự chủ tạo giả thuyết, viết luận văn.

Tuy nhiên, dù mạnh mẽ, chúng vẫn bị giới hạn trong thế giới số.

Loại thứ hai, là đường tự chủ toàn stack.

Công ty Trinh Thái Khoa Kỹ (Jingtai) với "AI + robot" đã triển khai hơn 300 trạm làm việc trên toàn cầu.

Lila Sciences ấp ủ từ Flagship Pioneering, với 550 triệu USD gọi vốn, cố gắng để AI hoàn toàn tiếp quản thiết kế, thực thi và thiết kế lại thí nghiệm, mục tiêu là "siêu trí tuệ khoa học".

Nhưng những cái này đều quá đốt tiền.

Loại thứ ba, là đường pipeline end-to-end.

Insilico Medicine (Anh Ma Thông Minh) đẩy AI trực tiếp vào pipeline thuốc sáng tạo riêng, loại thuốc AI đầu tiên đã vào giai đoạn lâm sàng III, nhưng họ là "người chế tạo xe" chứ không phải "người sửa đường".

Còn sự lựa chọn của Tân Độ Sinh Khoa là: tập trung xây dựng Harness vật lý, làm cơ sở hạ tầng "kilômét cuối cùng" giữa mô hình và hệ thống thí nghiệm thực thể.

Không thi đấu làm nền tảng, không làm pipeline end-to-end, không làm nhà khoa học AI thuần thế giới số. Chỉ làm kilômét đó, rõ ràng là cách đánh nhẹ hơn.

Kim Vịnh Thành nói rõ phán đoán này: "Đường phân thủy thực sự của AI for Science, không phải là mô hình trả lời giống nhà khoa học đến mức nào, mà là phòng thí nghiệm có thể bắt đầu giống như một hệ thống học tập liên tục hay không."

Hơn nữa, trong lĩnh vực AI for Science toàn cầu, Tân Độ không đơn giản là "chỉ làm kilômét cuối cùng".

Nói chính xác hơn, nó lấy kilômét cuối cùng làm lối vào, tranh giành quyền biên đạo toàn bộ luồng công việc nghiên cứu.

So với nhà khoa học AI thuần số, nó có thể chạm vào thế giới vật lý; so với nhà máy khoa học tự xây tài sản nặng, nó có cơ hội tiếp quản phòng thí nghiệm sẵn có của khách hàng; so với công ty AI dược end-to-end, nó không cần đặt số phận vào một pipeline lâm sàng nào đó.

Hào rào thực sự của nó, sẽ không phải là số lượng tham số, mà là mạng lưới thực thi liên phòng thí nghiệm, giao diện thiết bị, kinh nghiệm thất bại và quỹ đạo thí nghiệm tích lũy không ngừng.

Như Kim Vịnh Thành nói, hàng vạn con đường truyền tín hiệu trong cơ thể sinh vật và cơ chế phản ứng đầy ẩn số khiến người ta mê đắm. "Sinh học phong phú đến đâu, triển vọng của AI for Science đẹp đến đó."

Dùng trí tuệ AI khám phá bí ẩn sự sống, biển sao vũ trụ của nhóm học bá Oxford này, mới chỉ vừa mở màn.

Bài viết này đến từ tài khoản công chúng WeChat "Tân Trí Nguyên", tác giả: Tân Trí Nguyên; Biên tập: Aeneas KingHZ

Trending Cryptos

CitreaCTR

wrapped stUSDTWSTUSDT

South Korean Investors Return to the Market! Trading Volume Hits Records, and This Altcoin Reached the Top!

Driven by the surging cryptocurrency market, South Korean investors are returning. Major exchanges Upbit and Bithumb saw trading volumes soar by 273% and 132.9%, respectively, hitting $1.84 billion and $934.9 million. XRP became the most-traded cryptocurrency on both platforms. According to researcher Min Jeong from Presto Research, the prolonged bear market from late 2025 to 2026 had initially driven investors away, but the recent Bitcoin rally has reignited their interest. He noted that South Korean investors are profit-driven and will likely increase their market participation if Bitcoin's upward trend continues, potentially amplifying the market surge.

cryptonews.ru20m ago

South Korean Investors Return to the Market! Trading Volume Hits Records, and This Altcoin Reached the Top!

cryptonews.ru20m ago

Bitcoin.com wallet adds native support for TRON, bringing TRX and USDT-TRC20 to millions of users

Bitcoin.com Wallet, a leading self-custody crypto wallet, has announced native integration of the TRON network. This enables millions of users to directly hold, send, swap, and buy TRX and USDT-TRC20 tokens within the mobile app, without needing external bridges or separate wallets. The move addresses widespread user demand, as TRON is a dominant network for USDT settlements, commonly requested for transfers and payments. Bitcoin.com CEO Corbin Fraser stated this closes a key gap for users who need to send USDT on TRON. TRON Founder Justin Sun highlighted the network's scale, with over $90 billion in USDT and significant daily volume. The integration is now live on iOS, Android, and web, simplifying stablecoin transactions for Bitcoin.com Wallet's global user base.

cointelegraph31m ago

Bitcoin.com wallet adds native support for TRON, bringing TRX and USDT-TRC20 to millions of users

cointelegraph31m ago

Flowra Launches Open Orderflow Auction for Solana Block Building

Solana's block building and MEV landscape is seeing a significant shift with Flowra's launch of the Open Orderflow Auction (OOA). This new system aims to decentralize transaction ordering, which is currently concentrated, by replacing reliance on private channels with an open auction where registered searchers compete. The goal is to improve competition and price discovery, allowing validators to capture more value from MEV. Early tests showed positive outcomes, including a 20.6% increase in compute units per block for one validator and reports of higher fees and robust uptime. Flowra also introduced a Programmable Block Policy, giving validators greater control over transaction inclusion for compliance needs, and partnered with Honeypot for sanctions screening. Inspired by Ethereum's successful model, Flowra believes Solana's high throughput is well-suited for open block-building auctions. The system is now available, with an institutional onboarding phase underway ahead of a broader rollout.

TheNewsCrypto50m ago

Flowra Launches Open Orderflow Auction for Solana Block Building

TheNewsCrypto50m ago

Besu Discloses Five CertiK-Identified Vulnerabilities Fixed in Latest Security Update

Ethereum client Besu has detailed five security vulnerabilities, ranging from Minor to Major severity, identified by blockchain security firm CertiK. All issues were fixed in the patched version 26.7.1, released on July 27. The vulnerabilities involved block-announcement processing, future-height consensus proposal buffering, WebSocket subscriptions, and JSON-RPC filter creation, which could under certain configurations exhaust node memory or thread capacity, affecting availability or consensus. CertiK discovered the vulnerabilities through independent adversarial testing on a private multi-node network. The 26.7.1 update introduced new configurable controls, including limits on active JSON-RPC filters and WebSocket subscriptions, along with a filter timeout. Besu urged node operators to upgrade promptly. Technical details were withheld until August 14 to provide a responsible disclosure window. The public security advisories now provide full remediation details.

TheNewsCrypto51m ago

Besu Discloses Five CertiK-Identified Vulnerabilities Fixed in Latest Security Update

TheNewsCrypto51m ago

Robotic GPT-3 Moment Shakes Silicon Valley: Zero Lines of Code, Learns Instantly, with Investments from Jensen Huang and Fei-Fei Li

Generalist AI's newly released robot foundation model GEN-1.5 is being hailed as the "GPT-3 moment" for embodied AI. The model demonstrates remarkable one-shot and few-shot learning capabilities in physical manipulation tasks. By watching a single 3-12 second demonstration video (physical prompting) without any training or code, the robot can attempt the task with a 59% average success rate across 10 tasks. With just 5 minutes of demonstration data and minimal fine-tuning (10 gradient steps), the success rate jumps to 83%. The most significant breakthrough is the emergence of spontaneous, improvisational problem-solving abilities not present in the training data. For instance, after learning to sweep blocks with a brush, the robot can adapt to use a banana similarly or switch to a completely new "scoop-and-pour" strategy when given a dustpan. Other emergent behaviors include removing obstacles, correcting errors, and spontaneously sorting objects. These capabilities stem from over 8 months of large-scale pre-training on physical interaction data, suggesting the existence of a Scaling Law for embodied intelligence—where model generalization improves with more data and training time. This approach drastically reduces the cost and expertise needed to teach robots new skills, potentially democratizing robot programming. The release coincides with a surge in the humanoid robotics sector, marked by events like the World Robot Conference and significant investments. While the demonstrated tasks are still relatively simple, the scaling trend and emergent behaviors point toward a future where general-purpose robot "brains" could be easily adapted to various hardware "bodies," reshaping the industry's competitive landscape.

marsbit1h ago

Robotic GPT-3 Moment Shakes Silicon Valley: Zero Lines of Code, Learns Instantly, with Investments from Jensen Huang and Fei-Fei Li

marsbit1h ago

Trading

Spot

Hot Articles

What is SONIC

Sonic: Pioneering the Future of Gaming in Web3 Introduction to Sonic In the ever-evolving landscape of Web3, the gaming industry stands out as one of the most dynamic and promising sectors. At the forefront of this revolution is Sonic, a project designed to amplify the gaming ecosystem on the Solana blockchain. Leveraging cutting-edge technology, Sonic aims to deliver an unparalleled gaming experience by efficiently processing millions of requests per second, ensuring that players enjoy seamless gameplay while maintaining low transaction costs. This article delves into the intricate details of Sonic, exploring its creators, funding sources, operational mechanics, and the timeline of significant events that have shaped its journey. What is Sonic? Sonic is an innovative layer-2 network that operates atop the Solana blockchain, specifically tailored to enhance the existing Solana gaming ecosystem. It accomplishes this through a customised, VM-agnostic game engine paired with a HyperGrid interpreter, facilitating sovereign game economies that roll up back to the Solana platform. The primary goals of Sonic include: Enhanced Gaming Experiences: Sonic is committed to offering lightning-fast on-chain gameplay, allowing players and developers to engage with games at previously unattainable speeds. Atomic Interoperability: This feature enables transactions to be executed within Sonic without the need to redeploy Solana programmes and accounts. This makes the process more efficient and directly benefits from Solana Layer1 services and liquidity. Seamless Deployment: Sonic allows developers to write for Ethereum Virtual Machine (EVM) based systems and execute them on Solana’s SVM infrastructure. This interoperability is crucial for attracting a broader range of dApps and decentralised applications to the platform. Support for Developers: By offering native composable gaming primitives and extensible data types - dining within the Entity-Component-System (ECS) framework - game creators can craft intricate business logic with ease. Overall, Sonic's unique approach not only caters to players but also provides an accessible and low-cost environment for developers to innovate and thrive. Creator of Sonic The information regarding the creator of Sonic is somewhat ambiguous. However, it is known that Sonic's SVM is owned by the company Mirror World. The absence of detailed information about the individuals behind Sonic reflects a common trend in several Web3 projects, where collective efforts and partnerships often overshadow individual contributions. Investors of Sonic Sonic has garnered considerable attention and support from various investors within the crypto and gaming sectors. Notably, the project raised an impressive $12 million during its Series A funding round. The round was led by BITKRAFT Ventures, with other notable investors including Galaxy, Okx Ventures, Interactive, Big Brain Holdings, and Mirana. This financial backing signifies the confidence that investment foundations have in Sonic’s potential to revolutionise the Web3 gaming landscape, further validating its innovative approaches and technologies. How Does Sonic Work? Sonic utilises the HyperGrid framework, a sophisticated parallel processing mechanism that enhances its scalability and customisability. Here are the core features that set Sonic apart: Lightning Speed at Low Costs: Sonic offers one of the fastest on-chain gaming experiences compared to other Layer-1 solutions, powered by the scalability of Solana’s virtual machine (SVM). Atomic Interoperability: Sonic enables transaction execution without redeployment of Solana programmes and accounts, effectively streamlining the interaction between users and the blockchain. EVM Compatibility: Developers can effortlessly migrate decentralised applications from EVM chains to the Solana environment using Sonic’s HyperGrid interpreter, increasing the accessibility and integration of various dApps. Ecosystem Support for Developers: By exposing native composable gaming primitives, Sonic facilitates a sandbox-like environment where developers can experiment and implement business logic, greatly enhancing the overall development experience. Monetisation Infrastructure: Sonic natively supports growth and monetisation efforts, providing frameworks for traffic generation, payments, and settlements, thereby ensuring that gaming projects are not only viable but also sustainable financially. Timeline of Sonic The evolution of Sonic has been marked by several key milestones. Below is a brief timeline highlighting critical events in the project's history: 2022: The Sonic cryptocurrency was officially launched, marking the beginning of its journey in the Web3 gaming arena. 2024: June: Sonic SVM successfully raised $12 million in a Series A funding round. This investment allowed Sonic to further develop its platform and expand its offerings. August: The launch of the Sonic Odyssey testnet provided users with the first opportunity to engage with the platform, offering interactive activities such as collecting rings—a nod to gaming nostalgia. October: SonicX, an innovative crypto game integrated with Solana, made its debut on TikTok, capturing the attention of over 120,000 users within a short span. This integration illustrated Sonic’s commitment to reaching a broader, global audience and showcased the potential of blockchain gaming. Key Points Sonic SVM is a revolutionary layer-2 network on Solana explicitly designed to enhance the GameFi landscape, demonstrating great potential for future development. HyperGrid Framework empowers Sonic by introducing horizontal scaling capabilities, ensuring that the network can handle the demands of Web3 gaming. Integration with Social Platforms: The successful launch of SonicX on TikTok displays Sonic’s strategy to leverage social media platforms to engage users, exponentially increasing the exposure and reach of its projects. Investment Confidence: The substantial funding from BITKRAFT Ventures, among others, emphasizes the robust backing Sonic has, paving the way for its ambitious future. In conclusion, Sonic encapsulates the essence of Web3 gaming innovation, striking a balance between cutting-edge technology, developer-centric tools, and community engagement. As the project continues to evolve, it is poised to redefine the gaming landscape, making it a notable entity for gamers and developers alike. As Sonic moves forward, it will undoubtedly attract greater interest and participation, solidifying its place within the broader narrative of blockchain gaming.

2.4k Total ViewsPublished 2024.04.04Updated 2024.12.03

What is $S$

Understanding SPERO: A Comprehensive Overview Introduction to SPERO As the landscape of innovation continues to evolve, the emergence of web3 technologies and cryptocurrency projects plays a pivotal role in shaping the digital future. One project that has garnered attention in this dynamic field is SPERO, denoted as SPERO,$$s$. This article aims to gather and present detailed information about SPERO, to help enthusiasts and investors understand its foundations, objectives, and innovations within the web3 and crypto domains. What is SPERO,$$s$? SPERO,$$s$ is a unique project within the crypto space that seeks to leverage the principles of decentralisation and blockchain technology to create an ecosystem that promotes engagement, utility, and financial inclusion. The project is tailored to facilitate peer-to-peer interactions in new ways, providing users with innovative financial solutions and services. At its core, SPERO,$$s$ aims to empower individuals by providing tools and platforms that enhance user experience in the cryptocurrency space. This includes enabling more flexible transaction methods, fostering community-driven initiatives, and creating pathways for financial opportunities through decentralised applications (dApps). The underlying vision of SPERO,$$s$ revolves around inclusiveness, aiming to bridge gaps within traditional finance while harnessing the benefits of blockchain technology. Who is the Creator of SPERO,$$s$? The identity of the creator of SPERO,$$s$ remains somewhat obscure, as there are limited publicly available resources providing detailed background information on its founder(s). This lack of transparency can stem from the project's commitment to decentralisation—an ethos that many web3 projects share, prioritising collective contributions over individual recognition. By centring discussions around the community and its collective goals, SPERO,$$s$ embodies the essence of empowerment without singling out specific individuals. As such, understanding the ethos and mission of SPERO remains more important than identifying a singular creator. Who are the Investors of SPERO,$$s$? SPERO,$$s$ is supported by a diverse array of investors ranging from venture capitalists to angel investors dedicated to fostering innovation in the crypto sector. The focus of these investors generally aligns with SPERO's mission—prioritising projects that promise societal technological advancement, financial inclusivity, and decentralised governance. These investor foundations are typically interested in projects that not only offer innovative products but also contribute positively to the blockchain community and its ecosystems. The backing from these investors reinforces SPERO,$$s$ as a noteworthy contender in the rapidly evolving domain of crypto projects. How Does SPERO,$$s$ Work? SPERO,$$s$ employs a multi-faceted framework that distinguishes it from conventional cryptocurrency projects. Here are some of the key features that underline its uniqueness and innovation: Decentralised Governance: SPERO,$$s$ integrates decentralised governance models, empowering users to participate actively in decision-making processes regarding the project’s future. This approach fosters a sense of ownership and accountability among community members. Token Utility: SPERO,$$s$ utilises its own cryptocurrency token, designed to serve various functions within the ecosystem. These tokens enable transactions, rewards, and the facilitation of services offered on the platform, enhancing overall engagement and utility. Layered Architecture: The technical architecture of SPERO,$$s$ supports modularity and scalability, allowing for seamless integration of additional features and applications as the project evolves. This adaptability is paramount for sustaining relevance in the ever-changing crypto landscape. Community Engagement: The project emphasises community-driven initiatives, employing mechanisms that incentivise collaboration and feedback. By nurturing a strong community, SPERO,$$s$ can better address user needs and adapt to market trends. Focus on Inclusion: By offering low transaction fees and user-friendly interfaces, SPERO,$$s$ aims to attract a diverse user base, including individuals who may not previously have engaged in the crypto space. This commitment to inclusion aligns with its overarching mission of empowerment through accessibility. Timeline of SPERO,$$s$ Understanding a project's history provides crucial insights into its development trajectory and milestones. Below is a suggested timeline mapping significant events in the evolution of SPERO,$$s$: Conceptualisation and Ideation Phase: The initial ideas forming the basis of SPERO,$$s$ were conceived, aligning closely with the principles of decentralisation and community focus within the blockchain industry. Launch of Project Whitepaper: Following the conceptual phase, a comprehensive whitepaper detailing the vision, goals, and technological infrastructure of SPERO,$$s$ was released to garner community interest and feedback. Community Building and Early Engagements: Active outreach efforts were made to build a community of early adopters and potential investors, facilitating discussions around the project’s goals and garnering support. Token Generation Event: SPERO,$$s$ conducted a token generation event (TGE) to distribute its native tokens to early supporters and establish initial liquidity within the ecosystem. Launch of Initial dApp: The first decentralised application (dApp) associated with SPERO,$$s$ went live, allowing users to engage with the platform's core functionalities. Ongoing Development and Partnerships: Continuous updates and enhancements to the project's offerings, including strategic partnerships with other players in the blockchain space, have shaped SPERO,$$s$ into a competitive and evolving player in the crypto market. Conclusion SPERO,$$s$ stands as a testament to the potential of web3 and cryptocurrency to revolutionise financial systems and empower individuals. With a commitment to decentralised governance, community engagement, and innovatively designed functionalities, it paves the way toward a more inclusive financial landscape. As with any investment in the rapidly evolving crypto space, potential investors and users are encouraged to research thoroughly and engage thoughtfully with the ongoing developments within SPERO,$$s$. The project showcases the innovative spirit of the crypto industry, inviting further exploration into its myriad possibilities. While the journey of SPERO,$$s$ is still unfolding, its foundational principles may indeed influence the future of how we interact with technology, finance, and each other in interconnected digital ecosystems.

429 Total ViewsPublished 2024.12.17Updated 2024.12.17

What is AGENT S

Agent S: The Future of Autonomous Interaction in Web3 Introduction In the ever-evolving landscape of Web3 and cryptocurrency, innovations are constantly redefining how individuals interact with digital platforms. One such pioneering project, Agent S, promises to revolutionise human-computer interaction through its open agentic framework. By paving the way for autonomous interactions, Agent S aims to simplify complex tasks, offering transformative applications in artificial intelligence (AI). This detailed exploration will delve into the project's intricacies, its unique features, and the implications for the cryptocurrency domain. What is Agent S? Agent S stands as a groundbreaking open agentic framework, specifically designed to tackle three fundamental challenges in the automation of computer tasks: Acquiring Domain-Specific Knowledge: The framework intelligently learns from various external knowledge sources and internal experiences. This dual approach empowers it to build a rich repository of domain-specific knowledge, enhancing its performance in task execution. Planning Over Long Task Horizons: Agent S employs experience-augmented hierarchical planning, a strategic approach that facilitates efficient breakdown and execution of intricate tasks. This feature significantly enhances its ability to manage multiple subtasks efficiently and effectively. Handling Dynamic, Non-Uniform Interfaces: The project introduces the Agent-Computer Interface (ACI), an innovative solution that enhances the interaction between agents and users. Utilizing Multimodal Large Language Models (MLLMs), Agent S can navigate and manipulate diverse graphical user interfaces seamlessly. Through these pioneering features, Agent S provides a robust framework that addresses the complexities involved in automating human interaction with machines, setting the stage for myriad applications in AI and beyond. Who is the Creator of Agent S? While the concept of Agent S is fundamentally innovative, specific information about its creator remains elusive. The creator is currently unknown, which highlights either the nascent stage of the project or the strategic choice to keep founding members under wraps. Regardless of anonymity, the focus remains on the framework's capabilities and potential. Who are the Investors of Agent S? As Agent S is relatively new in the cryptographic ecosystem, detailed information regarding its investors and financial backers is not explicitly documented. The lack of publicly available insights into the investment foundations or organisations supporting the project raises questions about its funding structure and development roadmap. Understanding the backing is crucial for gauging the project's sustainability and potential market impact. How Does Agent S Work? At the core of Agent S lies cutting-edge technology that enables it to function effectively in diverse settings. Its operational model is built around several key features: Human-like Computer Interaction: The framework offers advanced AI planning, striving to make interactions with computers more intuitive. By mimicking human behaviour in tasks execution, it promises to elevate user experiences. Narrative Memory: Employed to leverage high-level experiences, Agent S utilises narrative memory to keep track of task histories, thereby enhancing its decision-making processes. Episodic Memory: This feature provides users with step-by-step guidance, allowing the framework to offer contextual support as tasks unfold. Support for OpenACI: With the ability to run locally, Agent S allows users to maintain control over their interactions and workflows, aligning with the decentralised ethos of Web3. Easy Integration with External APIs: Its versatility and compatibility with various AI platforms ensure that Agent S can fit seamlessly into existing technological ecosystems, making it an appealing choice for developers and organisations. These functionalities collectively contribute to Agent S's unique position within the crypto space, as it automates complex, multi-step tasks with minimal human intervention. As the project evolves, its potential applications in Web3 could redefine how digital interactions unfold. Timeline of Agent S The development and milestones of Agent S can be encapsulated in a timeline that highlights its significant events: September 27, 2024: The concept of Agent S was launched in a comprehensive research paper titled “An Open Agentic Framework that Uses Computers Like a Human,” showcasing the groundwork for the project. October 10, 2024: The research paper was made publicly available on arXiv, offering an in-depth exploration of the framework and its performance evaluation based on the OSWorld benchmark. October 12, 2024: A video presentation was released, providing a visual insight into the capabilities and features of Agent S, further engaging potential users and investors. These markers in the timeline not only illustrate the progress of Agent S but also indicate its commitment to transparency and community engagement. Key Points About Agent S As the Agent S framework continues to evolve, several key attributes stand out, underscoring its innovative nature and potential: Innovative Framework: Designed to provide an intuitive use of computers akin to human interaction, Agent S brings a novel approach to task automation. Autonomous Interaction: The ability to interact autonomously with computers through GUI signifies a leap towards more intelligent and efficient computing solutions. Complex Task Automation: With its robust methodology, it can automate complex, multi-step tasks, making processes faster and less error-prone. Continuous Improvement: The learning mechanisms enable Agent S to improve from past experiences, continually enhancing its performance and efficacy. Versatility: Its adaptability across different operating environments like OSWorld and WindowsAgentArena ensures that it can serve a broad range of applications. As Agent S positions itself in the Web3 and crypto landscape, its potential to enhance interaction capabilities and automate processes signifies a significant advancement in AI technologies. Through its innovative framework, Agent S exemplifies the future of digital interactions, promising a more seamless and efficient experience for users across various industries. Conclusion Agent S represents a bold leap forward in the marriage of AI and Web3, with the capacity to redefine how we interact with technology. While still in its early stages, the possibilities for its application are vast and compelling. Through its comprehensive framework addressing critical challenges, Agent S aims to bring autonomous interactions to the forefront of the digital experience. As we move deeper into the realms of cryptocurrency and decentralisation, projects like Agent S will undoubtedly play a crucial role in shaping the future of technology and human-computer collaboration.

1.1k Total ViewsPublished 2025.01.14Updated 2025.01.14

Discussions

Welcome to the HTX Community. Here, you can stay informed about the latest platform developments and gain access to professional market insights. Users' opinions on the price of S (S) are presented below.