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

marsbitPublié le 2026-08-04Dernière mise à jour le 2026-08-04

Résumé

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

Cryptos en tendance

CitreaCTR

wrapped stUSDTWSTUSDT

Questions liées

QMô hình GeneLLM của Jindushengke được gọi là 'DeepSeek phiên bản sinh học' của Trung Quốc. Vậy thì, mục tiêu cốt lõi của GeneLLM là gì?

AMục tiêu cốt lõi của GeneLLM là trở thành 'Claude Code' trong lĩnh vực khoa học sự sống, nghĩa là xây dựng một mô hình nền tảng sinh học có thể hiểu được 'hệ thống' sự sống. Tương tự như cách mô hình ngôn ngữ lớn (LLM) dự đoán token văn bản tiếp theo, GeneLLM hướng tới việc dự đoán thông tin sinh học tiếp theo. Nó học trực tiếp từ dữ liệu gốc chưa qua xử lý (như dữ liệu trình tự RNA, protein, metabolome) để tự khám phá các quy luật và mô hình liên quan đến bệnh tật, từ đó ứng dụng trong nghiên cứu phát triển thuốc mới, y học chính xác, sinh học tổng hợp và nhiều lĩnh vực khác.

QĐiểm đột phá về phương pháp luận của GeneLLM so với phương pháp tin sinh học truyền thống là gì?

AĐột phá chính của GeneLLM nằm ở việc bỏ qua các bước phân tích truyền thống như chú thích gen, so sánh trình tự hay gán nhãn thủ công. Thay vào đó, nó sử dụng phương pháp học không giám sát để huấn luyện trực tiếp trên dữ liệu gốc từ trình tự RNA. Cụ thể, GeneLLM cắt các đoạn trình tự RNA dài khoảng 150bp thành các 'token sinh học' bằng cửa sổ trượt 7-mer (7 base), sau đó sử dụng kiến trúc Transformer để dự đoán base tiếp theo. Cách tiếp cận này cho phép AI học trực tiếp từ tín hiệu nguyên thủy của sự sống mà không bị giới hạn bởi kiến thức đã biết trước của con người, từ đó có thể phát hiện ra các tín hiệu sinh học ẩn chưa từng được biết đến.

QHệ thống BioFord Harness của Jindushengke nhằm giải quyết vấn đề then chốt nào trong việc áp dụng AI vào phòng thí nghiệm vật lý?

ABioFord Harness giải quyết 'cây số cuối cùng' trong AI for Science (AI4S) - đó là khoảng cách giữa thế giới số (mô hình AI) và thế giới vật lý (phòng thí nghiệm). Nó là một cơ sở hạ tầng biến phòng thí nghiệm thành một 'hệ thống có thể biên dịch, lập lịch trình, quan sát và truy xuất'. Hệ thống này thực hiện ba nhiệm vụ chính: 1) Biên dịch ý định khoa học hoặc kịch bản thí nghiệm thành các lệnh mà thiết bị có thể thực thi; 2) Quản lý việc lập lịch trình, tài nguyên và các ràng buộc an toàn giữa nhiều thiết bị khác nhau, đồng thời xử lý các ngoại lệ; 3) Thu thập dữ liệu kết quả thí nghiệm, nhật ký thiết bị và thông số môi trường để làm đầu vào cho việc tối ưu hóa mô hình và thiết kế thí nghiệm trong tương lai, từ đó tạo thành một vòng lặp học tập khép kín DBTL (Design-Build-Test-Learn).

QTại sao người sáng lập Jindushengke, Jin Yongcheng, lại tin rằng 'dữ liệu thất bại có thể quý giá hơn dữ liệu thành công'?

ABởi vì trong hệ thống AI4S hoàn chỉnh như BioFord Agent, mọi thí nghiệm - dù thành công hay thất bại - đều trở thành dữ liệu có thể được hệ thống hấp thụ và học hỏi. Trong phòng thí nghiệm truyền thống, hồ sơ về một thí nghiệm thất bại thường chỉ đơn giản là 'kết quả không như mong đợi', và kinh nghiệm thường chỉ tồn tại trong đầu các nhà nghiên cứu. Trong khi đó, hệ thống của Jindushengke ghi lại đầy đủ logic lựa chọn tham số, điều kiện môi trường, bằng chứng về con đường sai... Tất cả những dữ liệu 'thất bại' này đều được lưu trữ, trở thành một phần 'kinh nghiệm' của hệ thống, giúp AI tránh lặp lại những lối đi không hiệu quả trong tương lai. Sự tích lũy liên tục của những dữ liệu quý giá và khó sao chép này chính là hào bảo vệ quan trọng của công ty trong lĩnh vực này.

QTrong bản đồ ngành AI for BioScience rộng lớn hơn, con đường và định vị chiến lược của Jindushengke có gì khác biệt so với các công ty khác?

AJindushengke chọn một con đường nhẹ nhàng và tập trung hơn: tập trung xây dựng cơ sở hạ tầng 'Physical Harness', tức là phần 'cây số cuối cùng' giữa mô hình và hệ thống thí nghiệm thực tế. Điều này khác biệt với: 1) 'Nhà khoa học AI thuần số' (như Biomni/Phylo, FutureHouse) chỉ hoạt động trong thế giới kỹ thuật số; 2) Lộ trình 'Toàn ngăn xếp tự chủ' đầy tốn kém (như Jingtai Technology, Lila Sciences) tự xây dựng cơ sở vật chất nặng; 3) Lộ trình 'Đường ống đầu cuối' (như Insilico Medicine) trực tiếp thúc đẩy các đường ống thuốc của riêng họ. Bằng cách tập trung vào việc kết nối và quản lý các phòng thí nghiệm hiện có của khách hàng, Jindushengke không tham gia vào cuộc đua mô hình nền tảng hay xây dựng tài sản nặng, mà nhắm tới việc giành quyền kiểm soát và sắp xếp toàn bộ quy trình công việc nghiên cứu, từ đó xây dựng hào bảo vệ thông qua việc tích lũy liên tục dữ liệu thí nghiệm, giao diện thiết bị và mạng lưới thực thi.

Lectures associées

Les investisseurs sud-coréens sont de retour sur le marché ! Le volume des échanges bat des records, et cet altcoin atteint son sommet !

Les investisseurs sud-coréens reviennent sur le marché des cryptomonnaies, stimulés par la forte hausse du Bitcoin. Le volume des échanges sur la plus grande plateforme sud-coréenne, Upbit, a explosé de 273% en 24 heures pour atteindre 1,84 milliard de dollars, un record depuis mi-mars. Sur Upbit et sur la seconde bourse du pays, Bithumb (dont le volume a augmenté de 132,9%), le jeton $XRP a été la cryptomonnaie la plus échangée. Selon Min Jeong, chercheur chez Presto Research, le marché baissier de fin 2025 à 2026 avait éloigné les investisseurs locaux, qui s'étaient recentrés sur les actions. Le récent rallye du Bitcoin a ravivé leur intérêt. Il note que ces investisseurs, généralement tournés vers la recherche de profits plutôt que fidèles à un actif spécifique, pourraient amplifier significativement la tendance haussière si elle se poursuit.

cryptonews.ruIl y a 19 mins

Les investisseurs sud-coréens sont de retour sur le marché ! Le volume des échanges bat des records, et cet altcoin atteint son sommet !

cryptonews.ruIl y a 19 mins

Le portefeuille Bitcoin.com ajoute le support natif de TRON, apportant TRX et USDT-TRC20 à des millions d'utilisateurs

Le portefeuille Bitcoin.com ajoute désormais la prise en charge native du réseau TRON, permettant à des millions d'utilisateurs de détenir, envoyer, échanger et acheter directement du TRX et de l'USDT-TRC20 dans l'application. Cette intégration répond à la demande croissante pour les transactions en stablecoins sur TRON, un réseau majeur pour les règlements en USDT avec plus de 90 milliards de dollars émis et un volume de transfert quotidien de 23 milliards de dollars. Les utilisateurs peuvent désormais effectuer des transactions avec des contreparties demandant une adresse TRC20 sans quitter le portefeuille ni installer de nouvelle application. Les fonctionnalités incluent la conservation, l'envoi, la réception et l'échange de TRX et de jetons TRC20, ainsi que l'achat direct par carte ou virement bancaire. Cette mise à jour, disponible sur iOS, Android et le web, simplifie l'accès aux paiements en stablecoins et renforce l'utilité du portefeuille Bitcoin.com pour les activités cryptos quotidiennes.

cointelegraphIl y a 29 mins

Le portefeuille Bitcoin.com ajoute le support natif de TRON, apportant TRX et USDT-TRC20 à des millions d'utilisateurs

cointelegraphIl y a 29 mins

Flowra Lance une Enchère de Flux d'Ordres Ouvert pour la Construction de Blocs Solana

L'infrastructure de Solana connaît une évolution majeure avec le lancement par Flowra de l'« Open Orderflow Auction » (OOA), un nouveau système de construction de blocs. Ce système vise à introduire plus de concurrence dans l'ordonnancement des transactions et à permettre aux validateurs de capter une plus grande part de la valeur générée par le MEV (Valeur Extractible Maximale). Actuellement, une grande partie du marché de l'ordonnancement et du MEV sur Solana reste très concentrée, de nombreux validateurs dépendant de canaux privés. L'OOA change ce paradigme en permettant aux « searchers » enregistrés de concourir pour l'inclusion des transactions via une enchère ouverte. Selon Flowra, cette approche améliore la découverte des prix et offre aux validateurs plus d'opportunités de revenus. Les premiers tests sont prometteurs : sur un validateur, la configuration avec Flowra a augmenté les unités de calcul par bloc de 20,6 %, dépassant la moyenne du réseau. Le système a également enregistré des frais de bloc plus élevés, une production complète et une disponibilité de 99,999 %. Parallèlement, Flowra introduit une « Politique de Bloc Programmable », donnant aux validateurs un contrôle accru sur les transactions incluses, utile pour des exigences réglementaires. Une collaboration avec Honeypot ajoute un filtrage des sanctions et des risques à cette couche. S'inspirant du marché compétitif de la construction de blocs sur Ethereum, Flowra estime que le débit élevé et la faible latence de Solana peuvent soutenir un modèle similaire. L'OOA est désormais disponible pour les validateurs et searchers de l'écosystème Solana, avec un déploiement plus large attendu.

TheNewsCryptoIl y a 48 mins

Flowra Lance une Enchère de Flux d'Ordres Ouvert pour la Construction de Blocs Solana

TheNewsCryptoIl y a 48 mins

Besu révèle cinq vulnérabilités identifiées par CertiK et corrigées dans la dernière mise à jour de sécurité

Le client Ethereum Besu a dévoilé les détails de cinq vulnérabilités de sécurité identifiées par la firme CertiK, toutes corrigées dans la version 26.7.1 publiée le 27 juillet. D'une gravité allant de mineure à majeure, ces failles concernaient le traitement des annonces de blocs, la mise en mémoire tampon des propositions de consensus, les abonnements WebSocket et la création de filtres JSON-RPC. Dans certaines configurations, elles pouvaient épuiser la mémoire ou la capacité des threads d'un nœud, risquant d'affecter sa disponibilité ou le traitement du consensus. Ces vulnérabilités ont été découvertes via la méthode de test adversarial "Chain Scan" de CertiK. La mise à jour 26.7.1 a introduit de nouveaux contrôles configurables, notamment un nombre maximum de filtres JSON-RPC actifs, un délai d'expiration pour ces filtres et une limite sur les abonnements WebSocket actifs. Besu avait recommandé aux opérateurs de mettre à jour leurs systèmes avant la divulgation publique des détails techniques le 14 août.

TheNewsCryptoIl y a 49 mins

Besu révèle cinq vulnérabilités identifiées par CertiK et corrigées dans la dernière mise à jour de sécurité

TheNewsCryptoIl y a 49 mins

Le moment GPT-3 des robots secoue la Silicon Valley : zéro ligne de code, compréhension instantanée, investissements de Jensen Huang et Fei-Fei Li

Le modèle GEN-1.5 de Generalist AI, comparé au moment GPT-3 pour l'intelligence incarnée, permet à un robot d'apprendre une nouvelle tâche physique après une simple démonstration de 3 à 12 secondes, sans code ni réentraînement. Cette « incitation physique » (Physical Prompting) atteint un taux de réussite moyen de 59% en one-shot et 83% en few-shot sur 10 tâches de manipulation. La capacité la plus frappante est l'improvisation : le modèle adapte sa stratégie à de nouveaux outils ou situations imprévues (comme utiliser une pelle au lieu d'un balai), sans y avoir été explicitement entraîné. Ces compétences émergent d'un pré-entraînement à grande échelle sur des données d'interaction physique, suivant une loi d'échelle (Scaling Law) similaire aux grands modèles de langage. Cette avancée survient dans un contexte d'effervescence pour la robotique, marqué par l'introduction en bourse d'Unitree et le World Robot Conference. Elle suggère que le coût d'adaptation à de nouvelles tâches pourrait tendre vers zéro, transformant l'accès à la robotique des experts vers le grand public. Cependant, les démonstrations actuelles restent sur des tâches simples et les résultats n'ont pas encore été validés de manière indépendante.

marsbitIl y a 1 h

Le moment GPT-3 des robots secoue la Silicon Valley : zéro ligne de code, compréhension instantanée, investissements de Jensen Huang et Fei-Fei Li

marsbitIl y a 1 h

Trading

Spot

Articles tendance

Qu'est ce que $S$

Comprendre SPERO : Un aperçu complet Introduction à SPERO Alors que le paysage de l'innovation continue d'évoluer, l'émergence des technologies web3 et des projets de cryptomonnaie joue un rôle central dans la façon dont se dessine l'avenir numérique. Un projet qui a attiré l'attention dans ce domaine dynamique est SPERO, désigné comme SPERO,$$s$. Cet article vise à rassembler et à présenter des informations détaillées sur SPERO, afin d'aider les passionnés et les investisseurs à comprendre ses fondations, ses objectifs et ses innovations dans les domaines du web3 et de la crypto. Qu'est-ce que SPERO,$$s$ ? SPERO,$$s$ est un projet unique dans l'espace crypto qui cherche à tirer parti des principes de décentralisation et de la technologie blockchain pour créer un écosystème qui favorise l'engagement, l'utilité et l'inclusion financière. Le projet est conçu pour faciliter les interactions entre pairs de nouvelles manières, offrant aux utilisateurs des solutions et des services financiers innovants. Au cœur de SPERO,$$s$, l'objectif est d'autonomiser les individus en fournissant des outils et des plateformes qui améliorent l'expérience utilisateur dans l'espace des cryptomonnaies. Cela inclut la possibilité de méthodes de transaction plus flexibles, la promotion d'initiatives dirigées par la communauté et la création de voies pour des opportunités financières via des applications décentralisées (dApps). La vision sous-jacente de SPERO,$$s$ tourne autour de l'inclusivité, visant à combler les lacunes au sein de la finance traditionnelle tout en exploitant les avantages de la technologie blockchain. Qui est le créateur de SPERO,$$s$ ? L'identité du créateur de SPERO,$$s$ reste quelque peu obscure, car il existe peu de ressources publiques fournissant des informations détaillées sur son ou ses fondateurs. Ce manque de transparence peut découler de l'engagement du projet envers la décentralisation—une éthique que de nombreux projets web3 partagent, privilégiant les contributions collectives plutôt que la reconnaissance individuelle. En centrant les discussions autour de la communauté et de ses objectifs collectifs, SPERO,$$s$ incarne l'essence de l'autonomisation sans désigner des individus spécifiques. Ainsi, comprendre l'éthique et la mission de SPERO reste plus important que d'identifier un créateur unique. Qui sont les investisseurs de SPERO,$$s$ ? SPERO,$$s$ est soutenu par une diversité d'investisseurs allant des capital-risqueurs aux investisseurs providentiels dédiés à favoriser l'innovation dans le secteur crypto. L'objectif de ces investisseurs s'aligne généralement avec la mission de SPERO—priorisant les projets qui promettent des avancées technologiques sociétales, l'inclusivité financière et la gouvernance décentralisée. Ces fondations d'investisseurs s'intéressent généralement à des projets qui non seulement offrent des produits innovants, mais qui contribuent également positivement à la communauté blockchain et à ses écosystèmes. Le soutien de ces investisseurs renforce SPERO,$$s$ en tant que concurrent notable dans le domaine en rapide évolution des projets crypto. Comment fonctionne SPERO,$$s$ ? SPERO,$$s$ utilise un cadre multifacette qui le distingue des projets de cryptomonnaie conventionnels. Voici quelques-unes des caractéristiques clés qui soulignent son unicité et son innovation : Gouvernance décentralisée : SPERO,$$s$ intègre des modèles de gouvernance décentralisée, permettant aux utilisateurs de participer activement aux processus de décision concernant l'avenir du projet. Cette approche favorise un sentiment de propriété et de responsabilité parmi les membres de la communauté. Utilité du token : SPERO,$$s$ utilise son propre token de cryptomonnaie, conçu pour servir diverses fonctions au sein de l'écosystème. Ces tokens permettent des transactions, des récompenses et la facilitation des services offerts sur la plateforme, améliorant ainsi l'engagement et l'utilité globaux. Architecture en couches : L'architecture technique de SPERO,$$s$ supporte la modularité et l'évolutivité, permettant une intégration fluide de fonctionnalités et d'applications supplémentaires à mesure que le projet évolue. Cette adaptabilité est primordiale pour maintenir la pertinence dans le paysage crypto en constante évolution. Engagement communautaire : Le projet met l'accent sur des initiatives dirigées par la communauté, utilisant des mécanismes qui incitent à la collaboration et aux retours d'expérience. En cultivant une communauté forte, SPERO,$$s$ peut mieux répondre aux besoins des utilisateurs et s'adapter aux tendances du marché. Accent sur l'inclusion : En proposant des frais de transaction bas et des interfaces conviviales, SPERO,$$s$ vise à attirer une base d'utilisateurs diversifiée, y compris des individus qui n'ont peut-être pas engagé auparavant dans l'espace crypto. Cet engagement envers l'inclusion s'aligne avec sa mission globale d'autonomisation par l'accessibilité. Chronologie de SPERO,$$s$ Comprendre l'histoire d'un projet fournit des aperçus cruciaux sur sa trajectoire de développement et ses jalons. Voici une chronologie suggérée cartographiant les événements significatifs dans l'évolution de SPERO,$$s$ : Phase de conceptualisation et d'idéation : Les idées initiales formant la base de SPERO,$$s$ ont été conçues, s'alignant étroitement avec les principes de décentralisation et de concentration sur la communauté au sein de l'industrie blockchain. Lancement du livre blanc du projet : Suite à la phase conceptuelle, un livre blanc complet détaillant la vision, les objectifs et l'infrastructure technologique de SPERO,$$s$ a été publié pour susciter l'intérêt et les retours de la communauté. Construction de la communauté et engagements précoces : Des efforts de sensibilisation actifs ont été entrepris pour construire une communauté d'adopteurs précoces et d'investisseurs potentiels, facilitant les discussions autour des objectifs du projet et recueillant du soutien. Événement de génération de tokens : SPERO,$$s$ a organisé un événement de génération de tokens (TGE) pour distribuer ses tokens natifs aux premiers soutiens et établir une liquidité initiale au sein de l'écosystème. Lancement de la première dApp : La première application décentralisée (dApp) associée à SPERO,$$s$ a été mise en ligne, permettant aux utilisateurs d'interagir avec les fonctionnalités principales de la plateforme. Développement continu et partenariats : Des mises à jour et des améliorations continues des offres du projet, y compris des partenariats stratégiques avec d'autres acteurs de l'espace blockchain, ont façonné SPERO,$$s$ en un acteur compétitif et évolutif sur le marché crypto. Conclusion SPERO,$$s$ se dresse comme un témoignage du potentiel du web3 et de la cryptomonnaie pour révolutionner les systèmes financiers et autonomiser les individus. Avec un engagement envers la gouvernance décentralisée, l'engagement communautaire et des fonctionnalités conçues de manière innovante, il ouvre la voie vers un paysage financier plus inclusif. Comme pour tout investissement dans l'espace crypto en rapide évolution, les investisseurs et utilisateurs potentiels sont encouragés à mener des recherches approfondies et à s'engager de manière réfléchie avec les développements en cours au sein de SPERO,$$s$. Le projet illustre l'esprit d'innovation de l'industrie crypto, invitant à une exploration plus approfondie de ses nombreuses possibilités. Bien que le parcours de SPERO,$$s$ soit encore en cours, ses principes fondamentaux pourraient en effet influencer l'avenir de nos interactions avec la technologie, la finance et entre nous dans des écosystèmes numériques interconnectés.

384 vues totalesPublié le 2024.12.17Mis à jour le 2024.12.17

Qu'est ce que AGENT S

Agent S : L'avenir de l'interaction autonome dans Web3 Introduction Dans le paysage en constante évolution de Web3 et des cryptomonnaies, les innovations redéfinissent constamment la manière dont les individus interagissent avec les plateformes numériques. Un projet pionnier, Agent S, promet de révolutionner l'interaction homme-machine grâce à son cadre agentique ouvert. En ouvrant la voie à des interactions autonomes, Agent S vise à simplifier des tâches complexes, offrant des applications transformantes dans l'intelligence artificielle (IA). Cette exploration détaillée plongera dans les subtilités du projet, ses caractéristiques uniques et les implications pour le domaine des cryptomonnaies. Qu'est-ce qu'Agent S ? Agent S se présente comme un cadre agentique ouvert révolutionnaire, spécifiquement conçu pour relever trois défis fondamentaux dans l'automatisation des tâches informatiques : Acquisition de connaissances spécifiques au domaine : Le cadre apprend intelligemment à partir de diverses sources de connaissances externes et d'expériences internes. Cette approche double lui permet de construire un riche répertoire de connaissances spécifiques au domaine, améliorant ainsi sa performance dans l'exécution des tâches. Planification sur de longs horizons de tâches : Agent S utilise une planification hiérarchique augmentée par l'expérience, une approche stratégique qui facilite la décomposition et l'exécution efficaces de tâches complexes. Cette fonctionnalité améliore considérablement sa capacité à gérer plusieurs sous-tâches de manière efficace et efficiente. Gestion d'interfaces dynamiques et non uniformes : Le projet introduit l'Interface Agent-Ordinateur (ACI), une solution innovante qui améliore l'interaction entre les agents et les utilisateurs. En utilisant des Modèles de Langage Multimodaux de Grande Taille (MLLMs), Agent S peut naviguer et manipuler sans effort diverses interfaces graphiques. Grâce à ces fonctionnalités pionnières, Agent S fournit un cadre robuste qui aborde les complexités impliquées dans l'automatisation de l'interaction humaine avec les machines, préparant le terrain pour d'innombrables applications en IA et au-delà. Qui est le créateur d'Agent S ? Bien que le concept d'Agent S soit fondamentalement innovant, des informations spécifiques sur son créateur restent insaisissables. Le créateur est actuellement inconnu, ce qui souligne soit le stade naissant du projet, soit le choix stratégique de garder les membres fondateurs sous le radar. Quoi qu'il en soit, l'accent reste mis sur les capacités et le potentiel du cadre. Qui sont les investisseurs d'Agent S ? Étant donné qu'Agent S est relativement nouveau dans l'écosystème cryptographique, des informations détaillées concernant ses investisseurs et soutiens financiers ne sont pas explicitement documentées. Le manque d'aperçus publiquement disponibles sur les fondations d'investissement ou les organisations soutenant le projet soulève des questions sur sa structure de financement et sa feuille de route de développement. Comprendre le soutien est crucial pour évaluer la durabilité du projet et son impact potentiel sur le marché. Comment fonctionne Agent S ? Au cœur d'Agent S se trouve une technologie de pointe qui lui permet de fonctionner efficacement dans divers environnements. Son modèle opérationnel est construit autour de plusieurs caractéristiques clés : Interaction homme-ordinateur semblable à l'humain : Le cadre offre une planification IA avancée, s'efforçant de rendre les interactions avec les ordinateurs plus intuitives. En imitant le comportement humain dans l'exécution des tâches, il promet d'élever l'expérience utilisateur. Mémoire narrative : Utilisée pour tirer parti des expériences de haut niveau, Agent S utilise la mémoire narrative pour suivre les historiques de tâches, améliorant ainsi ses processus de prise de décision. Mémoire épisodique : Cette fonctionnalité fournit aux utilisateurs un accompagnement étape par étape, permettant au cadre d'offrir un soutien contextuel au fur et à mesure que les tâches se déroulent. Support pour OpenACI : Avec la capacité de fonctionner localement, Agent S permet aux utilisateurs de garder le contrôle sur leurs interactions et flux de travail, s'alignant avec l'éthique décentralisée de Web3. Intégration facile avec des API externes : Sa polyvalence et sa compatibilité avec diverses plateformes IA garantissent qu'Agent S peut s'intégrer sans effort dans des écosystèmes technologiques existants, en faisant un choix attrayant pour les développeurs et les organisations. Ces fonctionnalités contribuent collectivement à la position unique d'Agent S dans l'espace crypto, alors qu'il automatise des tâches complexes en plusieurs étapes avec un minimum d'intervention humaine. À mesure que le projet évolue, ses applications potentielles dans Web3 pourraient redéfinir la manière dont les interactions numériques se déroulent. Chronologie d'Agent S Le développement et les jalons d'Agent S peuvent être encapsulés dans une chronologie qui met en évidence ses événements significatifs : 27 septembre 2024 : Le concept d'Agent S a été lancé dans un document de recherche complet intitulé “Un cadre agentique ouvert qui utilise les ordinateurs comme un humain”, présentant les bases du projet. 10 octobre 2024 : Le document de recherche a été rendu publiquement disponible sur arXiv, offrant une exploration approfondie du cadre et de son évaluation de performance basée sur le benchmark OSWorld. 12 octobre 2024 : Une présentation vidéo a été publiée, fournissant un aperçu visuel des capacités et des caractéristiques d'Agent S, engageant davantage les utilisateurs et investisseurs potentiels. Ces jalons dans la chronologie illustrent non seulement les progrès d'Agent S, mais indiquent également son engagement envers la transparence et l'engagement communautaire. Points clés sur Agent S Alors que le cadre Agent S continue d'évoluer, plusieurs attributs clés se distinguent, soulignant sa nature innovante et son potentiel : Cadre innovant : Conçu pour offrir une utilisation intuitive des ordinateurs semblable à l'interaction humaine, Agent S propose une approche nouvelle de l'automatisation des tâches. Interaction autonome : La capacité d'interagir de manière autonome avec les ordinateurs via une interface graphique signifie un bond vers des solutions informatiques plus intelligentes et efficaces. Automatisation des tâches complexes : Avec sa méthodologie robuste, il peut automatiser des tâches complexes en plusieurs étapes, rendant les processus plus rapides et moins sujets aux erreurs. Amélioration continue : Les mécanismes d'apprentissage permettent à Agent S de s'améliorer grâce à ses expériences passées, améliorant continuellement sa performance et son efficacité. Polyvalence : Son adaptabilité à travers différents environnements d'exploitation comme OSWorld et WindowsAgentArena garantit qu'il peut servir un large éventail d'applications. Alors qu'Agent S se positionne dans le paysage Web3 et crypto, son potentiel à améliorer les capacités d'interaction et à automatiser les processus représente une avancée significative dans les technologies IA. Grâce à son cadre innovant, Agent S incarne l'avenir des interactions numériques, promettant une expérience plus fluide et efficace pour les utilisateurs à travers divers secteurs. Conclusion Agent S représente un saut audacieux en avant dans le mariage de l'IA et de Web3, avec la capacité de redéfinir notre interaction avec la technologie. Bien qu'il soit encore à ses débuts, les possibilités de son application sont vastes et convaincantes. Grâce à son cadre complet abordant des défis critiques, Agent S vise à mettre les interactions autonomes au premier plan de l'expérience numérique. À mesure que nous plongeons plus profondément dans les domaines des cryptomonnaies et de la décentralisation, des projets comme Agent S joueront sans aucun doute un rôle crucial dans la façon dont la technologie et la collaboration homme-machine évolueront à l'avenir.

1.1k vues totalesPublié le 2025.01.14Mis à jour le 2025.01.14

Comment acheter S

Bienvenue sur HTX.com ! Nous vous permettons d'acheter Sonic (S) de manière simple et pratique. Suivez notre guide étape par étape pour commencer votre parcours crypto.Étape 1 : Création de votre compte HTXUtilisez votre adresse e-mail ou votre numéro de téléphone pour ouvrir un compte sur HTX gratuitement. L'inscription se fait en toute simplicité et débloque toutes les fonctionnalités.Créer mon compteÉtape 2 : Choix du mode de paiement (rubrique Acheter des cryptosCarte de crédit/débit : utilisez votre carte Visa ou Mastercard pour acheter instantanément Sonic (S).Solde ：utilisez les fonds du solde de votre compte HTX pour trader en toute simplicité.Prestataire tiers ：pour accroître la commodité d'utilisation, nous avons ajouté des modes de paiement populaires tels que Google Pay et Apple Pay.P2P ：tradez directement avec d'autres utilisateurs sur HTX.OTC (de gré à gré) : nous offrons des services personnalisés et des taux de change compétitifs aux traders.Étape 3 : stockage de vos Sonic (S)Après avoir acheté vos Sonic (S), stockez-les sur votre compte HTX. Vous pouvez également les envoyer ailleurs via un transfert sur la blockchain ou les utiliser pour trader d'autres cryptos.Étape 4 : tradez des Sonic (S)Tradez facilement Sonic (S) sur le marché Spot de HTX. Il vous suffit d'accéder à votre compte, de sélectionner la paire de trading, d'exécuter vos trades et de les suivre en temps réel. Nous offrons une expérience conviviale aux débutants comme aux traders chevronnés.

2.3k vues totalesPublié le 2025.01.15Mis à jour le 2026.06.02

Discussions

Bienvenue dans la Communauté HTX. Ici, vous pouvez vous tenir informé(e) des derniers développements de la plateforme et accéder à des analyses de marché professionnelles. Les opinions des utilisateurs sur le prix de S (S) sont présentées ci-dessous.