# Bài viết Liên quan Nghiên cứu

Trung tâm Tin tức HTX cung cấp những bài viết mới nhất và phân tích chuyên sâu về "Nghiên cứu", bao gồm xu hướng thị trường, cập nhật dự án, phát triển công nghệ và chính sách quản lý trong ngành tiền kỹ thuật số.

Quản lý công ty định giá gần nghìn tỷ đô, nhưng CEO Anthropic chỉ có một cấp dưới trực tiếp

Bloomberg phỏng vấn CEO Anthropic Dario Amodei và tiết lộ một chi tiết thú vị: dù lãnh đạo một công ty định giá gần 1 nghìn tỷ USD, ông chỉ có một cấp dưới trực tiếp duy nhất - trợ lý Avital Balwit. Toàn bộ đội ngũ lãnh đạo cấp cao (CFO, CCO...) không báo cáo với ông, mà báo cáo với chị gái ông, Chủ tịch Daniela Amodei, người phụ trách hoạt động hàng ngày và chịu trách nhiệm trước Hội đồng quản trị. Điều này trái ngược với xu hướng "phẳng hóa" và mở rộng phạm vi quản lý trực tiếp của CEO trong ngành công nghệ. Lý do là xuất thân từ nghiên cứu học thuật, Dario tin rằng giá trị lớn nhất của CEO nằm ở những việc "zoom out": định hướng chiến lược, đánh giá nghiên cứu, văn hóa tổ chức và suy nghĩ về tác động của AI. Việc quản lý hàng ngày ("zoom in") sẽ chia nhỏ thời gian, cản trở suy nghĩ chiến lược. Vì vậy, ông giao toàn bộ phần sau cho Daniela. Ông dành khoảng một nửa thời gian để củng cố văn hóa công ty, thông qua các cuộc họp toàn công ty hai tuần một lần, lo ngại rằng sự tăng trưởng nhanh và nhân viên mới từ các tập đoàn công nghệ lớn sẽ làm loãng văn hóa độc đáo của Anthropic. Thời gian còn lại dành cho định hướng nghiên cứu, chiến lược và viết các bài luận công khai. Sự phân công này dựa trên nền tảng bổ sung của hai chị em: Dario thuần túy về nghiên cứu, còn Daniela có kinh nghiệm vận hành và quản lý con người. Giáo sư Harvard Raffaella Sadun giải thích rằng phạm vi quản lý của CEO phản ánh bản chất công việc của tổ chức. Đối với những công ty như Anthropic, liên tục đối mặt với các vấn đề mới, rủi ro cao cần phán đoán cấp cao, CEO cần phạm vi quản lý hẹp hơn để tập trung thời gian quý giá vào những vấn đề then chốt. Thiết kế tổ chức là để bảo vệ nguồn lực khan hiếm nhất: thời gian của nhà lãnh đạo.

marsbit06/12 05:13

Quản lý công ty định giá gần nghìn tỷ đô, nhưng CEO Anthropic chỉ có một cấp dưới trực tiếp

marsbit06/12 05:13

Cảnh báo về AI đệ quy của Anthropic, công ty mới của Tian Yuandong vừa thực hiện 'bước đầu tiên'

Anthropic gần đây đã công bố bài viết "Khi AI tự xây dựng chính mình", cảnh báo về tương lai của việc AI có thể tự cải thiện một cách đệ quy. Trong bối cảnh này, công ty Recursive Superintelligence do Tian Yandong đồng sáng lập đã công bố bước đầu tiên về nghiên cứu AI tự động, mang tên "First Steps Toward Automated AI Research". Hệ thống này nhằm mục đích tự động hóa vòng lặp nghiên cứu AI truyền thống: đề xuất ý tưởng, viết mã, chạy thử nghiệm, phân tích và học hỏi để quyết định bước tiếp theo. Nó được thử nghiệm trên ba lĩnh vực khác nhau và đều đạt kết quả tốt nhất hiện tại (SOTA): 1. **NanoChat Autoresearch:** Huấn luyện mô hình ngôn ngữ nhỏ với ngân sách tính toán cố định, giảm tổn thất kiểm chứng xuống 0.9109 BPB. 2. **NanoGPT Speedrun:** Rút ngắn thời gian huấn luyện mô hình GPT xuống mức kỷ lục 77,5 giây thông qua các kỹ thuật như tính toán chú ý FP8 và tối ưu kernel GPU. 3. **SOL-ExecBench:** Tối ưu hóa kernel GPU, nâng điểm số SOL lên 0,754, thu hẹp 18% khoảng cách với giới hạn lý thuyết phần cứng. Recursive Superintelligence, với đội ngũ toàn sao và số vốn huy động lớn, theo đuổi sứ mệnh xây dựng hệ thống AI có khả năng tự cải thiện đệ quy. Thành công bước đầu này đánh dấu sự xuất hiện của một mô hình phát triển AI mới, nơi AI đóng vai trò chủ thể trong nghiên cứu. Điều này có thể thay đổi tốc độ và chi phí tiến bộ AI, đồng thời làm dấy lên những thảo luận về sự cần thiết phải điều phối và quản trị toàn cầu, như lời cảnh báo từ Anthropic.

marsbit06/12 04:14

Cảnh báo về AI đệ quy của Anthropic, công ty mới của Tian Yuandong vừa thực hiện 'bước đầu tiên'

marsbit06/12 04:14

Vừa mới, Claude Mythos 5 ra mắt, xử lý 50 triệu dòng code trong 1 ngày

Anthropic đã chính thức công bố Claude Fable 5 và Claude Mythos 5, hai phiên bản mạnh mẽ nhất từ trước đến nay của họ. Fable 5 là phiên bản có "lưới bảo vệ", tự động chuyển sang Claude Opus 4.8 khi phát hiện câu hỏi rủi ro (như viết phần mềm độc hại), và được mở cho tất cả người dùng. Mythos 5 là phiên bản đầy đủ năng lực, tập trung vào an ninh mạng và nghiên cứu sinh học, nhưng chỉ dành cho một số ít người dùng được tin cậy. Về hiệu suất, Fable 5 thể hiện sự vượt trội trong nhiều lĩnh vực: * **Kỹ thuật phần mềm:** Đạt điểm cao trong các bài kiểm tra SWE-bench Pro và Frontier Code. Đáng chú ý, nó hoàn thành việc di chuyển kho code Ruby 50 triệu dòng chỉ trong 1 ngày. * **Thị giác máy tính:** Có thể tự chơi và hoàn thành game "Pokémon" chỉ dựa trên ảnh chụp màn hình mà không cần công cụ hỗ trợ. * **Bộ nhớ dài hạn & Ngữ cảnh dài:** Khả năng duy trì tập trung và sử dụng ghi chú trong các nhiệm vụ kéo dài được cải thiện, nâng cao hiệu quả hoạt động tự chủ (Agent). * **Tài chính & Phân tích:** Là mô hình đầu tiên đạt trên 90% trong một bài benchmark phân tích phức tạp, cho thấy khả năng suy luận ở cấp độ chuyên gia. * **Nghiên cứu khoa học:** Mythos 5 có thể tự động hóa toàn bộ quy trình nghiên cứu sinh học. 9 trong số 14 hợp chất do nó thiết kế đã được đưa vào quy trình phát triển thuốc thực tế. Một điểm đáng chú ý là cơ chế an toàn mới: thay vì từ chối trả lời, Fable 5 sẽ chuyển hướng câu hỏi nhạy cảm sang Opus 4.8. Tuy nhiên, cơ chế này đôi khi có thể "bắt nhầm" các yêu cầu hợp pháp. Anthropic cũng áp dụng chính sách lưu giữ dữ liệu 30 ngày cho lưu lượng truy cập của các mô hình cấp Mythos. Giá API cho cả hai mô hình là 10 USD/token đầu vào và 50 USD/token đầu ra (tính theo triệu). Giáo sư Ethan Mollick, người dùng thử nghiệm, nhận xét rằng với Fable 5, con người giống như "khách hàng" (patron) đưa ra yêu cầu tổng thể, trong khi AI tự động phân chia công việc và hoàn thành mà ít cần can thiệp, đánh dấu sự thay đổi lớn trong hình thức hợp tác giữa người và máy.

marsbit06/10 00:27

Vừa mới, Claude Mythos 5 ra mắt, xử lý 50 triệu dòng code trong 1 ngày

marsbit06/10 00:27

Cách thực hiện nghiên cứu sâu với Dynamic Workflows của Claude

Công việc nghiên cứu kỹ thuật chứa đầy cạm bẫy, dễ bị chìm trong biển thông tin và mất tập trung vào mục tiêu ban đầu. Claude mới giới thiệu tính năng **Dynamic Workflows** (Quy trình làm việc động), một bước tiến vượt bậc so với các phương pháp AI truyền thống bằng cách tự động thiết kế và điều phối quy trình tối ưu cho từng nhiệm vụ cụ thể, đặc biệt hiệu quả cho nghiên cứu sâu (**deep-research**). Dynamic Workflows hoạt động dựa trên sáu mẫu điều phối lõi, giải quyết hai vấn đề cốt lõi: **cách chia nhỏ nhiệm vụ** và **cách hợp nhất kết quả**: 1. **Định tuyến (Classify-And-Act)**: Phân loại nhiệm vụ và định tuyến đến chuyên gia phù hợp nhất. 2. **Chia tách & Hợp nhất (Fan-out & Merge)**: Chia thành các nhiệm vụ con chạy song song, sau đó tổng hợp kết quả. 3. **Xác minh đối kháng (Adversarial Verification)**: Sử dụng nhiều agent độc lập để thách thức và biểu quyết cho một kết luận, chống lại thiên kiến xác nhận. 4. **Tạo & Lọc (Generate & Filter)**: Tạo ra nhiều phương án, sau đó lọc để giữ lại những phương án tốt nhất. 5. **Giải đấu (Tournament)**: Các agent cạnh tranh từng cặp qua nhiều vòng để chọn ra giải pháp tối ưu. 6. **Vòng lặp (Loop)**: Lặp lại nhiệm vụ một cách thích ứng cho đến khi đạt tiêu chí hoàn thành. So sánh với hệ thống deep-research tự xây dựng trước đây, Dynamic Workflows của Claude bổ sung các cơ chế then chốt giúp nghiên cứu **định hướng mục tiêu** và **chắc chắn** hơn: * **Phân tách vấn đề**: Phân tích câu hỏi ban đầu thành các khía cạnh phụ trước khi hành động. * **Đánh giá độ tin cậy**: Xếp hạng độ tin cậy của từng nguồn thông tin. * **Hợp nhất chọn lọc**: Sử dụng biểu quyết đa agent để loại bỏ thông tin không đủ ủng hộ, thay vì gộp chung mọi thứ. * **Đầu ra tập trung vào quyết định**: Báo cáo cuối cùng đưa ra đánh giá và khuyến nghị hành động rõ ràng, phục vụ cho việc ra quyết định. Những cải tiến này giải quyết hiệu quả các vấn đề phổ biến của AI trong các nhiệm vụ dài như: **trôi dạt mục tiêu**, **dừng sớm**, **nhiễm ngữ cảnh** và **thiên kiến đầu ra**. Dynamic Workflows không chỉ là một cuộc đối thoại thông minh hơn, mà là **cơ cấu hóa chính quy trình nghiên cứu**, giúp rút ngắn đáng kể số lần tương tác cần thiết (từ hơn chục lần xuống còn 3-4 lần), dù tiêu tốn token nhiều hơn. Tuy vẫn còn một số thách thức như cơ chế xác minh cần khắt khe hơn với dữ kiện thực tế (ví dụ trong blockchain), khả năng tư duy liên ngành sâu cho các lĩnh vực mới, và việc thiết kế-xác thực giải pháp dựa trên ràng buộc thực tế, Dynamic Workflows đã đánh dấu một bước nhảy vọt về **tính linh hoạt và khả năng thích ứng** của AI, chuyển từ việc giải quyết các vấn đề tĩnh sang xử lý các nhiệm vụ mở với quy trình được tối ưu hóa tự động.

marsbit06/09 03:10

Cách thực hiện nghiên cứu sâu với Dynamic Workflows của Claude

marsbit06/09 03:10

Bị Google 'sa thải' vì một bài báo 14 trang, hơn 4000 người lên tiếng ủng hộ, 6 năm sau nhìn lại: Khi ấy bà ấy gần như đã dự đoán toàn bộ kỷ nguyên AI

Năm 2020, Timnit Gebru, trưởng nhóm AI đạo đức tại Google, đã bị sa thải sau một cuộc tranh cãi về bài báo học thuật “On the Dangers of Stochastic Parrots” do bà đồng tác giả. Bài báo cảnh báo về những rủi ro của mô hình ngôn ngữ lớn (LLM) vào thời điểm GPT-3 vừa ra mắt, và giờ đây nhiều cảnh báo đó đã thành hiện thực. Bài báo dài 14 trang đã dự báo chính xác hàng loạt vấn đề mà ngành AI hiện đang đối mặt: “Ảo giác” (Hallucination) khi mô hình tạo ra thông tin sai lệch; việc khuếch đại thành kiến xã hội có sẵn trong dữ liệu huấn luyện; tác động môi trường lớn từ việc tiêu thụ năng lượng; sự thiếu minh bạch về nội dung trong dữ liệu huấn luyện; và nguy cơ “sụp đổ mô hình” (Model Collapse) khi nội dung do AI tạo ra tràn ngập internet và lại trở thành dữ liệu đầu vào cho thế hệ AI tiếp theo. Vụ việc dẫn đến làn sóng phản đối từ hơn 4000 nhân viên và chuyên gia. Sau khi rời Google, Gebru thành lập Viện Nghiên cứu AI Phân tán (DAIR) để tiếp tục điều tra các vấn đề về công bằng, đạo đức và quyền lực tập trung trong AI. Sáu năm sau, bài báo từng gây tranh cãi của bà được ghi nhận vì đã tiên tri chính xác những thách thức cốt lõi của kỷ nguyên AI ngày nay.

marsbit06/08 10:32

Bị Google 'sa thải' vì một bài báo 14 trang, hơn 4000 người lên tiếng ủng hộ, 6 năm sau nhìn lại: Khi ấy bà ấy gần như đã dự đoán toàn bộ kỷ nguyên AI

marsbit06/08 10:32

RSI - Khi AI tự xây dựng chính mình đang nổi lên, Google dội nước lạnh, DeepSeek đã chạm đến mép giới hạn

Gần đây, thuật ngữ "RSI" (Recursive Self-Improvement – Tự cải tiến đệ quy) đang trở thành tâm điểm chú ý trong ngành AI. Khái niệm này đề cập đến việc để AI tự huấn luyện và cải thiện chính mình, hướng tới một hệ thống có thể tự động hóa toàn bộ quá trình nghiên cứu và phát triển, từ đó tạo ra sự tiến bộ vượt bậc. Một số công ty khởi nghiệp như Recursive Superintelligence và dự án Auto-Research của Andrej Karpathy đang tích cực theo đuổi hướng đi này. Tuy nhiên, CEO Google Sundar Pichai tỏ ra thận trọng, cho rằng ngành công nghiệp vẫn chưa đạt đến cột mốc tăng tốc đột biến mà RSI hứa hẹn. Trong khi đó, các công ty AI Trung Quốc như DeepSeek và Baidu mặc dù ít công khai nhắc đến RSI, nhưng trên thực tế đã áp dụng các nguyên lý tương tự – như tối ưu hóa thuật toán cực độ hay sử dụng vòng lặp phản hồi tự động – để cải thiện mô hình của họ một cách hiệu quả. Dù vậy, RSI vẫn đối mặt với nhiều thách thức lớn: hiện tượng "sụp đổ mô hình" khi dữ liệu do AI tạo ra bị suy giảm chất lượng qua mỗi vòng lặp, yêu cầu về nguồn lực tính toán khổng lồ, và môi trường nghiên cứu toàn cầu đang ngày càng bị phân mảnh. Về cơ bản, RSI đại diện cho xu hướng tự động hóa ngày càng sâu trong phát triển AI, dần đẩy con người ra khỏi chuỗi quyết định trực tiếp. Đây là một quá trình có thể mang lại bước nhảy vọt về công nghệ, nhưng cũng tiềm ẩn rủi ro và sự thay đổi khó lường.

marsbit06/06 23:27

RSI - Khi AI tự xây dựng chính mình đang nổi lên, Google dội nước lạnh, DeepSeek đã chạm đến mép giới hạn

marsbit06/06 23:27

Anthropic cảnh báo toàn cầu, OpenAI đã vượt qua 'ngưỡng tin cậy': AI tự kích hoạt tăng tốc

Cộng đồng AI đang chấn động bởi cảnh báo từ Anthropic: nghiên cứu AI cần dừng lại! Hãng này lo ngại AI đang tiến gần đến điểm "tự tạo ra chính mình", với quá trình tự cải tiến đệ quy diễn ra nhanh hơn dự kiến. Đồng thời, Yann Dubois của OpenAI chia sẻ một quan điểm then chốt: sự phát triển của AI là liên tục, nhưng người dùng cảm nhận một bước nhảy vọt khi nó vượt qua "ngưỡng độ tin cậy". OpenAI đã đạt được ngưỡng này vào khoảng tháng 12 năm ngoái. Khi AI đủ tin cậy, nó từ một "thực tập sinh" trở thành một "nhân viên" thực thụ và bắt đầu tự gia tốc, đặc biệt trong việc hỗ trợ lập trình, tạo ra một vòng lặp phát triển ngày càng nhanh. Dubois nhấn mạnh việc xây dựng AI giống "nghề thủ công" hơn là khoa học thuần túy, dựa nhiều vào thử nghiệm và trực giác. Ông cũng đưa ra một tuyên bố gây chú ý: nếu đóng băng các mô hình hiện tại và chỉ tập trung vào hệ thống điều phối (Harness) cho các lĩnh vực chuyên sâu, chúng ta có thể đã đạt được cảm giác của AGI (Trí tuệ nhân tạo phổ quát). Rào cản thực sự không nằm ở bộ não mô hình, mà ở "quyền truy cập, kết nối và dữ liệu" – công việc khó khăn của "chặng đường cuối cùng" để đưa AI vào thực tế. Tuy vậy, một thách thức lớn vẫn tồn tại: khả năng học liên tục (continual learning). Hiện tại, AI thường đạt hiệu suất cao ban đầu nhưng sau đó không cải thiện nhiều trong môi trường cụ thể. Giải quyết vấn đề này là chìa khóa quan trọng cho tương lai. Dubois kết luận rằng vẫn có không gian rộng lớn cho các công ty khởi nghiệp trong việc tạo ra các ứng dụng chuyên sâu, tập trung vào tích hợp và giải quyết các vấn đề thực tế.

marsbit06/06 23:27

Anthropic cảnh báo toàn cầu, OpenAI đã vượt qua 'ngưỡng tin cậy': AI tự kích hoạt tăng tốc

marsbit06/06 23:27

Claude Code Ra Mắt Luồng Công Việc Động: Giúp AI Tự Biết Tổ Chức Đội Nhóm Làm Việc

Claude Code đã giới thiệu "Workflows động", một tính năng cho phép AI tự động tổ chức và điều phối nhiều agent (tác nhân) con để cùng hợp tác xử lý các nhiệm vụ phức tạp. Thay vì một agent duy nhất xử lý toàn bộ công việc trong một ngữ cảnh dài, workflow động sẽ tạo ra một khuôn khổ thực thi linh hoạt: chia nhỏ nhiệm vụ, phân phối cho các agent con chạy song song, kiểm tra chéo, lặp lại và thậm chí cho các agent cạnh tranh nhau, trước khi tổng hợp kết quả cuối cùng. Tính năng này nhằm khắc phục các hạn chế của mô hình đơn agent như: "tính lười biếng" (dừng sớm), "thiên vị tự tham chiếu" (ưu tiên kết quả của chính mình) và "trôi mục tiêu" (sai lệch so với yêu cầu ban đầu sau nhiều lượt xử lý). Workflow động mở rộng phạm vi ứng dụng của Claude Code từ các tác vụ lập trình thuần túy (di chuyển mã, tái cấu trúc, review) sang các công việc phi kỹ thuật như nghiên cứu sâu, xác minh sự kiện, sàng lọc hồ sơ, phân tích nguyên nhân gốc rễ hay động não đặt tên. Bài viết giới thiệu các mẫu prompt ví dụ và các mô hình phổ biến khi thiết kế workflow, như: phân loại & định tuyến, phân tách & tổng hợp, xác minh đối kháng, tạo & sàng lọc, giải đấu loại trực tiếp và vòng lặp cho đến khi hoàn thành. Tuy workflow động tiêu thụ nhiều token hơn và không phải lúc nào cũng cần thiết cho các tác vụ thông thường, nhưng nó đánh dấu một hướng phát triển quan trọng: tương lai của công cụ AI không chỉ nằm ở trí thông minh của một mô hình đơn lẻ, mà còn ở khả năng tổ chức các quy trình thực thi phức tạp, đáng tin cậy, có thể tái sử dụng và kiểm tra được.

marsbit06/04 02:18

Claude Code Ra Mắt Luồng Công Việc Động: Giúp AI Tự Biết Tổ Chức Đội Nhóm Làm Việc

marsbit06/04 02:18

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

Tuần cuối tháng 5, hai sự kiện AI liền kề đã phơi bày hai cách tiếp cận khác biệt của các gã khổng lồ công nghệ Trung Quốc. Alibaba tập trung vào tích hợp và thương mại hóa AI. Họ kết nối ứng dụng Qwen với Taobao, cho phép mua sắm và sử dụng các tính năng AI như thử đồ, so giá. Tổ chức được tái cấu trúc để tập trung vào AI, với động lực rõ ràng từ thị trường vốn. Doanh thu bên ngoài của Alibaba Cloud tăng 40%, cho thấy chiến lược "lắp AI vào quầy thu ngân" đang tạo ra dòng tiền. Tuy nhiên, cách tiếp cận thực dụng này có thể đi kèm rủi ro nếu có sự chênh lệch lớn về năng lực mô hình nền trong tương lai. Ngược lại, ByteDance theo đuổi giới hạn công nghệ thông qua bộ phận Seed. Họ đạt được thành tích đỉnh cao với mô hình tạo video Seedance 2.0 và đầu tư mạnh vào nghiên cứu cơ bản, thu hút nhân tài với các mục tiêu thuần túy học thuật. Ngân sách vốn (capex) của ByteDance được báo cáo là tăng vọt, lên tới 4700 tỷ NDT vào năm 2026, được tài trợ chủ yếu từ lợi nhuận. Lợi thế lớn của họ là không bị áp lực thị trường công khai, cho phép tập trung vào nghiên cứu dài hạn. Bài viết chỉ ra rằng sự khác biệt chiến lược này không chỉ là triết lý, mà chủ yếu bị chi phối bởi việc công ty có niêm yết hay không. Các công ty đại chúng như Alibaba chịu áp lực phải thể hiện kết quả tài chính ngắn hạn, dẫn đến chiến lược "bán AI". Các công ty chưa niêm yết như ByteDance có "sự xa xỉ" để "làm AI" và tập trung vào đột phá công nghệ. Tương lai của con đường nghiên cứu dài hạn tại ByteDance có thể được kiểm chứng nếu công ty này tiến hành IPO.

marsbit06/01 00:10

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

marsbit06/01 00:10

Sinh học thay đổi lớn: Mô hình nguồn mở mới của Mark Zuckerberg hoàn toàn lật đổ vương vị AlphaFold của Google

Ngai vàng AlphaFold đang lung lay! Biohub, tổ chức do vợ chồng Mark Zuckerberg sáng lập, vừa công bố cơ sở dữ liệu cấu trúc protein ESM Atlas với **11 tỷ dự đoán cấu trúc**, nhiều hơn 8 tỷ so với AlphaFold DB. Mô hình AI đằng sau là **ESMFold2**, được cho là vượt trội hơn AlphaFold3 về hiệu suất, đặc biệt trong dự đoán cấu trúc phức hợp protein. Điểm then chốt: nó **hoàn toàn mã nguồn mở và không giới hạn thương mại**. ESMFold2 đi theo hướng tiếp cận khác, dựa trên "mô hình ngôn ngữ protein", xem chuỗi protein như ngôn ngữ để học và dự đoán trực tiếp cấu trúc 3D. Nó được huấn luyện trên tập dữ liệu rộng hơn, bao gồm nhiều protein vi sinh vật từ môi trường chưa được AlphaFold phủ sóng. Nhóm nghiên cứu còn thử nghiệm thành công việc thiết kế protein mới dựa trên dự đoán của mô hình. Chiến lược mã nguồn mở này, tương tự Meta với Llama, có thể kích hoạt cộng đồng toàn cầu phát triển và ứng dụng, mở rộng phạm vi tiếp cận so với các mô hình độc quyền. Giới học thuật đánh giá cao tiềm năng của ESM Atlas như một nguồn tài nguyên phi thường, nhưng cũng nhấn mạnh nhu cầu xác thực độc lập các dự đoán và đặt câu hỏi về hiệu quả với các cấu trúc protein hoàn toàn mới. Một số chuyên gia xem đây là sự bổ sung cho AlphaFold, trong bối cảnh cuộc đua trong lĩnh vực AI protein đang trở nên cực kỳ cạnh tranh. Bước tiến này đẩy nhanh khả năng của AI trong việc "đọc hiểu" và thiết kế các khối xây dựng sự sống, biến những vấn đề sinh học phức tạp thành các bài toán kỹ thuật có thể giải quyết được.

marsbit05/29 12:34

Sinh học thay đổi lớn: Mô hình nguồn mở mới của Mark Zuckerberg hoàn toàn lật đổ vương vị AlphaFold của Google

marsbit05/29 12:34

活动图片

Danh mục Phổ biếnright-arrow

Thẻ Nổi bậtright-arrow

Nghiên cứu Chuyên sâuright-arrow