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

marsbit2026-08-04 tarihinde yayınlandı2026-08-04 tarihinde güncellendi

Özet

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

Trend Kriptolar

CitreaCTR

wrapped stUSDTWSTUSDT

İlgili Sorular

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.

İlgili Okumalar

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.ru20 dk önce

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

cryptonews.ru20 dk önce

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.

cointelegraph31 dk önce

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

cointelegraph31 dk önce

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.

TheNewsCrypto50 dk önce

Flowra Launches Open Orderflow Auction for Solana Block Building

TheNewsCrypto50 dk önce

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.

TheNewsCrypto51 dk önce

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

TheNewsCrypto51 dk önce

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.

marsbit1 saat önce

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

marsbit1 saat önce

İşlemler

Spot

Popüler Makaleler

$S$ Nedir

SPERO'yu Anlamak: Kapsamlı Bir Genel Bakış SPERO'ya Giriş İnovasyonun manzarası gelişmeye devam ederken, web3 teknolojilerinin ve kripto para projelerinin ortaya çıkışı dijital geleceği şekillendirmede önemli bir rol oynamaktadır. Bu dinamik alanda dikkat çeken projelerden biri SPERO, $$s$$ olarak adlandırılmaktadır. Bu makale, SPERO hakkında ayrıntılı bilgi toplamak ve sunmak amacıyla, meraklılar ve yatırımcıların web3 ve kripto alanlarındaki temellerini, hedeflerini ve yeniliklerini anlamalarına yardımcı olmayı amaçlamaktadır. SPERO,$$s$$ Nedir? SPERO,$$s$$, kripto alanında merkeziyetsizlik ve blok zinciri teknolojisi ilkelerini kullanarak etkileşimi, faydayı ve finansal kapsayıcılığı teşvik eden bir ekosistem yaratmayı amaçlayan benzersiz bir projedir. Proje, kullanıcıların yenilikçi finansal çözümler ve hizmetler sunarak eşler arası etkileşimleri yeni yollarla kolaylaştırmayı hedeflemektedir. SPERO,$$s$$'nin temel amacı, bireyleri güçlendirmek ve kripto para alanındaki kullanıcı deneyimini artıran araçlar ve platformlar sağlamaktır. Bu, daha esnek işlem yöntemlerini mümkün kılmayı, topluluk odaklı girişimleri teşvik etmeyi ve merkeziyetsiz uygulamalar (dApp'ler) aracılığıyla finansal fırsatlar yaratmayı içermektedir. SPERO,$$s$$'nin temel vizyonu kapsayıcılık etrafında dönmekte olup, geleneksel finansal sistemlerdeki boşlukları kapatmayı ve blok zinciri teknolojisinin faydalarından yararlanmayı hedeflemektedir. SPERO,$$s$$'nin Yaratıcısı Kimdir? SPERO,$$s$$'nin yaratıcısının kimliği bir miktar belirsizdir, çünkü kurucusu(ları) hakkında ayrıntılı arka plan bilgisi sağlayan sınırlı kamuya açık kaynaklar bulunmaktadır. Bu şeffaflık eksikliği, projenin merkeziyetsizlik taahhüdünden kaynaklanabilir—birçok web3 projesinin paylaştığı bir etik anlayışı, bireysel tanınmanın yerine kolektif katkıları önceliklendirmektedir. Topluluk ve onun kolektif hedefleri etrafında tartışmaları merkezileştirerek, SPERO,$$s$$, belirli bireyleri öne çıkarmadan güçlendirme özünü taşımaktadır. Bu nedenle, SPERO'nun etik anlayışını ve misyonunu anlamak, tek bir yaratıcının kimliğini belirlemekten daha önemlidir. SPERO,$$s$$'nin Yatırımcıları Kimlerdir? SPERO,$$s$$, kripto sektöründe yeniliği teşvik etmeye adanmış girişim sermayedarlarından melek yatırımcılara kadar çeşitli yatırımcılar tarafından desteklenmektedir. Bu yatırımcıların odak noktası genellikle SPERO'nun misyonuyla uyumlu olup, toplumsal teknolojik ilerlemeyi, finansal kapsayıcılığı ve merkeziyetsiz yönetimi vaat eden projeleri önceliklendirmektedir. Bu yatırımcı temelleri, yalnızca yenilikçi ürünler sunan projelere değil, aynı zamanda blok zinciri topluluğuna ve ekosistemlerine olumlu katkılarda bulunan projelere de ilgi duymaktadır. Bu yatırımcıların desteği, SPERO,$$s$$'yi hızla gelişen kripto projeleri alanında dikkate değer bir rakip haline getirmektedir. SPERO,$$s$$ Nasıl Çalışır? SPERO,$$s$$, onu geleneksel kripto para projelerinden ayıran çok yönlü bir çerçeve kullanmaktadır. İşte benzersizliğini ve yeniliğini vurgulayan bazı temel özellikler: Merkeziyetsiz Yönetim: SPERO,$$s$$, kullanıcıların projenin geleceğiyle ilgili karar alma süreçlerine aktif olarak katılmalarını sağlayan merkeziyetsiz yönetim modellerini entegre etmektedir. Bu yaklaşım, topluluk üyeleri arasında sahiplik ve hesap verebilirlik duygusunu teşvik etmektedir. Token Kullanımı: SPERO,$$s$$, ekosistem içinde çeşitli işlevler sunmak üzere tasarlanmış kendi kripto para token'ını kullanmaktadır. Bu token'lar, işlemleri, ödülleri ve platformda sunulan hizmetlerin kolaylaştırılmasını sağlayarak genel etkileşimi ve faydayı artırmaktadır. Katmanlı Mimari: SPERO,$$s$$'nin teknik mimarisi, modülerlik ve ölçeklenebilirliği destekleyerek projenin evrimi sırasında ek özelliklerin ve uygulamaların sorunsuz bir şekilde entegrasyonuna olanak tanımaktadır. Bu uyum sağlama yeteneği, sürekli değişen kripto manzarasında geçerliliği sürdürmek için hayati öneme sahiptir. Topluluk Katılımı: Proje, işbirliği ve geri bildirim teşvik eden mekanizmalar kullanarak topluluk odaklı girişimlere vurgu yapmaktadır. Güçlü bir topluluk oluşturarak, SPERO,$$s$$, kullanıcı ihtiyaçlarını daha iyi karşılayabilir ve piyasa trendlerine uyum sağlayabilir. Kapsayıcılığa Odaklanma: Düşük işlem ücretleri ve kullanıcı dostu arayüzler sunarak, SPERO,$$s$$, daha önce kripto alanında yer almamış bireyler de dahil olmak üzere çeşitli bir kullanıcı tabanını çekmeyi hedeflemektedir. Bu kapsayıcılık taahhüdü, erişilebilirlik yoluyla güçlendirme misyonuyla uyumludur. SPERO,$$s$$ Zaman Çizelgesi Bir projenin tarihini anlamak, gelişim yolculuğu ve kilometre taşları hakkında kritik bilgiler sağlar. Aşağıda, SPERO,$$s$$'nin evriminde önemli olayları haritalayan önerilen bir zaman çizelgesi bulunmaktadır: Kavram Geliştirme ve Fikir Aşaması: SPERO,$$s$$'nin temelini oluşturan ilk fikirler, blok zinciri endüstrisindeki merkeziyetsizlik ve topluluk odaklılık ilkeleriyle yakından uyumlu olarak geliştirildi. Proje Beyaz Kağıdının Yayınlanması: Kavramsal aşamayı takiben, SPERO,$$s$$'nin vizyonunu, hedeflerini ve teknolojik altyapısını ayrıntılı bir şekilde açıklayan kapsamlı bir beyaz kağıt yayımlandı ve topluluk ilgisini ve geri bildirimini toplamak amacıyla sunuldu. Topluluk Oluşturma ve Erken Katılımlar: Projenin hedefleri etrafında tartışmalar yürüterek destek toplamak ve erken benimseyenler ile potansiyel yatırımcılar için bir topluluk oluşturmak amacıyla aktif iletişim çabaları gerçekleştirildi. Token Üretim Etkinliği: SPERO,$$s$$, yerel token'larını erken destekçilere dağıtmak ve ekosistem içinde başlangıç likiditesini sağlamak amacıyla bir token üretim etkinliği (TGE) gerçekleştirdi. İlk dApp'in Yayınlanması: SPERO,$$s$$ ile ilişkili ilk merkeziyetsiz uygulama (dApp) faaliyete geçti ve kullanıcıların platformun temel işlevleriyle etkileşimde bulunmalarını sağladı. Sürekli Gelişim ve Ortaklıklar: Projenin tekliflerine sürekli güncellemeler ve iyileştirmeler yapılmakta olup, blok zinciri alanındaki diğer oyuncularla stratejik ortaklıklar, SPERO,$$s$$'yi rekabetçi ve gelişen bir oyuncu haline getirmiştir. Sonuç SPERO,$$s$$, web3 ve kripto paranın finansal sistemleri devrim niteliğinde dönüştürme ve bireyleri güçlendirme potansiyelinin bir kanıtıdır. Merkeziyetsiz yönetime, topluluk katılımına ve yenilikçi tasarlanmış işlevselliğe olan bağlılığıyla, daha kapsayıcı bir finansal manzaraya doğru bir yol açmaktadır. Hızla gelişen kripto alanındaki herhangi bir yatırımda olduğu gibi, potansiyel yatırımcılar ve kullanıcılar, SPERO,$$s$$ içindeki devam eden gelişmelerle ilgili olarak kapsamlı bir araştırma yapmaları ve düşünceli bir şekilde katılmaları teşvik edilmektedir. Proje, kripto endüstrisinin yenilikçi ruhunu sergileyerek, sayısız olasılığını keşfetmeye davet etmektedir. SPERO,$$s$$'nin yolculuğu hala devam ederken, temel ilkeleri, teknoloji, finans ve birbirimizle etkileşim biçimimizi etkileyebilir.

413 Toplam GörüntülenmeYayınlanma 2024.12.17Güncellenme 2024.12.17

AGENT S Nedir

Agent S: Web3'te Otonom Etkileşimin Geleceği Giriş Web3 ve kripto para dünyasında sürekli gelişen manzarada, yenilikler bireylerin dijital platformlarla etkileşim biçimlerini sürekli olarak yeniden tanımlıyor. Bu tür öncü projelerden biri olan Agent S, açık ajans çerçevesi aracılığıyla insan-bilgisayar etkileşimini devrim niteliğinde değiştirmeyi vaat ediyor. Otonom etkileşimlerin yolunu açarak, Agent S karmaşık görevleri basitleştirmeyi ve yapay zeka (AI) alanında dönüştürücü uygulamalar sunmayı hedefliyor. Bu detaylı inceleme, projenin karmaşıklıklarına, benzersiz özelliklerine ve kripto para alanındaki etkilerine dalacaktır. Agent S Nedir? Agent S, bilgisayar görevlerinin otomasyonunda üç temel zorluğu ele almak üzere özel olarak tasarlanmış çığır açıcı bir açık ajans çerçevesidir: Alan Spesifik Bilgi Edinimi: Çerçeve, çeşitli dış bilgi kaynaklarından ve iç deneyimlerden akıllıca öğrenir. Bu çift yönlü yaklaşım, alan spesifik bilgi açısından zengin bir veri havuzu oluşturmasını sağlar ve görev yürütmedeki performansını artırır. Uzun Görev Ufukları Üzerinde Planlama: Agent S, karmaşık görevlerin verimli bir şekilde parçalanmasını ve yürütülmesini kolaylaştıran deneyim artırımlı hiyerarşik planlama kullanır. Bu özellik, çoklu alt görevleri etkili ve verimli bir şekilde yönetme yeteneğini önemli ölçüde artırır. Dinamik, Homojen Olmayan Arayüzlerle Başlama: Proje, ajanlar ve kullanıcılar arasındaki etkileşimi geliştiren yenilikçi bir çözüm olan Ajan-Bilgisayar Arayüzü'ni (ACI) tanıtmaktadır. Çok Modlu Büyük Dil Modellerini (MLLM'ler) kullanarak, Agent S çeşitli grafik kullanıcı arayüzlerini sorunsuz bir şekilde gezinebilir ve manipüle edebilir. Bu öncü özellikler aracılığıyla, Agent S, makinelerle insan etkileşimini otomatikleştirmede karşılaşılan karmaşıklıkları ele alan sağlam bir çerçeve sunarak, AI ve ötesinde birçok uygulama için zemin hazırlıyor. Agent S'nin Yaratıcısı Kimdir? Agent S'nin kavramı temelde yenilikçi olsa da, yaratıcısı hakkında spesifik bilgiler belirsizliğini koruyor. Yaratıcı şu anda bilinmiyor, bu da projenin yeni aşamasını veya kurucu üyeleri gizli tutma stratejik tercihini vurguluyor. Anonimlikten bağımsız olarak, odak çerçevenin yetenekleri ve potansiyeli üzerinde kalıyor. Agent S'nin Yatırımcıları Kimlerdir? Agent S, kriptografik ekosistemde oldukça yeni olduğundan, yatırımcıları ve finansal destekçileri hakkında ayrıntılı bilgiler açıkça belgelenmemiştir. Projeyi destekleyen yatırım temelleri veya organizasyonları hakkında kamuya açık bilgilerdeki eksiklik, finansman yapısı ve gelişim yol haritası hakkında sorular doğuruyor. Destekleyicilerin anlaşılması, projenin sürdürülebilirliğini ve potansiyel pazar etkisini değerlendirmek için kritik öneme sahiptir. Agent S Nasıl Çalışır? Agent S'nin temelinde, çeşitli ortamlarda etkili bir şekilde çalışmasını sağlayan son teknoloji bir sistem yatmaktadır. İşleyiş modeli birkaç ana özellik etrafında inşa edilmiştir: İnsan Benzeri Bilgisayar Etkileşimi: Çerçeve, bilgisayarlarla etkileşimleri daha sezgisel hale getirmeyi amaçlayan gelişmiş AI planlaması sunar. Görev yürütmedeki insan davranışını taklit ederek, kullanıcı deneyimlerini yükseltmeyi vaat eder. Anlatı Belleği: Yüksek düzeyde deneyimlerden yararlanmak için kullanılan Agent S, görev geçmişlerini takip etmek amacıyla anlatı belleğini kullanarak karar verme süreçlerini geliştirir. Episodik Bellek: Bu özellik, kullanıcılara adım adım rehberlik sağlayarak, çerçevenin görevler gelişirken bağlamsal destek sunmasına olanak tanır. OpenACI Desteği: Yerel olarak çalışabilme yeteneği ile Agent S, kullanıcıların etkileşimleri ve iş akışları üzerinde kontrol sağlamasına olanak tanır ve Web3'ün merkeziyetsiz felsefesiyle uyumlu hale gelir. Dış API'lerle Kolay Entegrasyon: Çeşitli AI platformlarıyla uyumluluğu ve çok yönlülüğü, Agent S'nin mevcut teknolojik ekosistemlere sorunsuz bir şekilde entegre olmasını sağlar ve geliştiriciler ile organizasyonlar için cazip bir seçenek haline getirir. Bu işlevsellikler, Agent S'nin kripto alanındaki benzersiz konumuna katkıda bulunarak, karmaşık, çok aşamalı görevleri minimum insan müdahalesi ile otomatikleştirir. Proje geliştikçe, Web3'teki potansiyel uygulamaları dijital etkileşimlerin nasıl gelişeceğini yeniden tanımlayabilir. Agent S'nin Zaman Çizelgesi Agent S'nin gelişimi ve kilometre taşları, önemli olaylarını vurgulayan bir zaman çizelgesinde özetlenebilir: 27 Eylül 2024: Agent S'nin kavramı, “Bilgisayarları İnsan Gibi Kullanan Açık Bir Ajans Çerçevesi” başlıklı kapsamlı bir araştırma makalesi ile tanıtıldı ve projenin temelini sergiledi. 10 Ekim 2024: Araştırma makalesi arXiv'de kamuya açık olarak yayınlandı ve çerçevenin derinlemesine bir incelemesini ve OSWorld benchmark'ına dayalı performans değerlendirmesini sundu. 12 Ekim 2024: Agent S'nin yetenekleri ve özellikleri hakkında görsel bir içgörü sağlayan bir video sunumu yayımlandı ve potansiyel kullanıcılar ve yatırımcılarla daha fazla etkileşim sağlandı. Bu zaman çizelgesindeki işaretler, sadece Agent S'nin ilerlemesini değil, aynı zamanda şeffaflık ve topluluk katılımına olan bağlılığını da göstermektedir. Agent S Hakkında Ana Noktalar Agent S çerçevesi gelişmeye devam ederken, birkaç ana özellik öne çıkmakta ve yenilikçi doğasını ve potansiyelini vurgulamaktadır: Yenilikçi Çerçeve: İnsan etkileşimine benzer bir bilgisayar kullanımı sağlamak üzere tasarlanan Agent S, görev otomasyonuna yeni bir yaklaşım getiriyor. Otonom Etkileşim: GUI aracılığıyla bilgisayarlarla otonom olarak etkileşim kurabilme yeteneği, daha akıllı ve verimli hesaplama çözümlerine doğru bir sıçrama anlamına geliyor. Karmaşık Görev Otomasyonu: Sağlam metodolojisi ile karmaşık, çok aşamalı görevleri otomatikleştirerek süreçleri daha hızlı ve daha az hata payı ile gerçekleştirebilir. Sürekli İyileştirme: Öğrenme mekanizmaları, Agent S'nin geçmiş deneyimlerden öğrenmesini sağlar ve sürekli olarak performansını ve etkinliğini artırır. Çok Yönlülük: OSWorld ve WindowsAgentArena gibi farklı işletim ortamlarında uyumlu olması, geniş bir uygulama yelpazesine hizmet edebilmesini sağlar. Agent S, Web3 ve kripto alanında kendini konumlandırırken, etkileşim yeteneklerini artırma ve süreçleri otomatikleştirme potansiyeli, AI teknolojilerinde önemli bir ilerlemeyi temsil etmektedir. Yenilikçi çerçevesi aracılığıyla, Agent S dijital etkileşimlerin geleceğini örneklemekte ve çeşitli sektörlerde kullanıcılar için daha sorunsuz ve verimli bir deneyim vaat etmektedir. Sonuç Agent S, AI ve Web3'ün birleşiminde cesur bir sıçramayı temsil ediyor ve teknoloji ile etkileşim biçimimizi yeniden tanımlama kapasitesine sahip. Henüz erken aşamalarında olmasına rağmen, uygulama olanakları geniş ve çekici. Kritik zorlukları ele alan kapsamlı çerçevesi ile Agent S, otonom etkileşimleri dijital deneyimin ön plana çıkmasına taşımayı hedefliyor. Kripto para ve merkeziyetsizlik alanlarına daha derinlemesine girdikçe, Agent S gibi projelerin teknoloji ve insan-bilgisayar işbirliğinin geleceğini şekillendirmede önemli bir rol oynayacağı kesin.

869 Toplam GörüntülenmeYayınlanma 2025.01.14Güncellenme 2025.01.14

S Nasıl Satın Alınır

HTX.com’a hoş geldiniz! Sonic (S) satın alma işlemlerini basit ve kullanışlı bir hâle getirdik. Adım adım açıkladığımız rehberimizi takip ederek kripto yolculuğunuza başlayın. 1. Adım: HTX Hesabınızı OluşturunHTX'te ücretsiz bir hesap açmak için e-posta adresinizi veya telefon numaranızı kullanın. Sorunsuzca kaydolun ve tüm özelliklerin kilidini açın. Hesabımı Aç2. Adım: Kripto Satın Al Bölümüne Gidin ve Ödeme Yönteminizi SeçinKredi/Banka Kartı: Visa veya Mastercard'ınızı kullanarak anında Sonic (S) satın alın.Bakiye: Sorunsuz bir şekilde işlem yapmak için HTX hesap bakiyenizdeki fonları kullanın.Üçüncü Taraflar: Kullanımı kolaylaştırmak için Google Pay ve Apple Pay gibi popüler ödeme yöntemlerini ekledik.P2P: HTX'teki diğer kullanıcılarla doğrudan işlem yapın.Borsa Dışı (OTC): Yatırımcılar için kişiye özel hizmetler ve rekabetçi döviz kurları sunuyoruz.3. Adım: Sonic (S) Varlıklarınızı SaklayınSonic (S) satın aldıktan sonra HTX hesabınızda saklayın. Alternatif olarak, blok zinciri transferi yoluyla başka bir yere gönderebilir veya diğer kripto para birimlerini takas etmek için kullanabilirsiniz.4. Adım: Sonic (S) Varlıklarınızla İşlem YapınHTX'in spot piyasasında Sonic (S) ile kolayca işlemler yapın.Hesabınıza erişin, işlem çiftinizi seçin, işlemlerinizi gerçekleştirin ve gerçek zamanlı olarak izleyin. Hem yeni başlayanlar hem de deneyimli yatırımcılar için kullanıcı dostu bir deneyim sunuyoruz.

2.2k Toplam GörüntülenmeYayınlanma 2025.01.15Güncellenme 2026.06.02

Tartışmalar

HTX Topluluğuna hoş geldiniz. Burada, en son platform gelişmeleri hakkında bilgi sahibi olabilir ve profesyonel piyasa görüşlerine erişebilirsiniz. Kullanıcıların S (S) fiyatı hakkındaki görüşleri aşağıda sunulmaktadır.