本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

(資料圖片)

生物醫(yī)藥研發(fā)領(lǐng)域，一個名為BioMedGPT-1.6B的輕量級科研版基礎(chǔ)模型剛剛開源。

參數(shù)16億，最大特點是跨模態(tài)與知識融合。

訓練數(shù)據(jù)中，包含分子、文獻、專利、知識庫等多尺度跨模態(tài)的生物醫(yī)藥大數(shù)據(jù)，并融合分子結(jié)構(gòu)、知識圖譜和文獻文本中的知識，用于增強模型的泛化能力和可解釋性。

應(yīng)用任務(wù)上，BioMedGPT-1.6B則展現(xiàn)出了通用能“打”的效果，可以處理藥物性質(zhì)預(yù)測、自然語言類、跨模態(tài)等多種任務(wù)。

打造這個BioMedGPT-1.6B生物醫(yī)藥基礎(chǔ)模型的團隊，來自清華智能產(chǎn)業(yè)研究院（AIR）。

項目負責人聶再清，清華大學國強教授、AIR首席研究員，主要研究領(lǐng)域是大數(shù)據(jù)與AI的前沿創(chuàng)新，以及在健康醫(yī)療領(lǐng)域的產(chǎn)業(yè)應(yīng)用，更早之前則以阿里達摩院大牛、天貓精靈首席科學家為人熟知。

△聶再清

此次開源的BioMedGPT-1.6B，其實是他和團隊正在做的BioMedGPT的單機輕量版，后者是一個適用于生物醫(yī)藥領(lǐng)域研發(fā)的通用大模型。

1.6B版本先行開源，目的是小試牛刀，同時讓行業(yè)相關(guān)科研人員有東西可用。

所以，這個BioMedGPT究竟是做什么的，團隊目前進展如何？在業(yè)界已有不少生物醫(yī)藥專業(yè)大模型的情況下，做通用大模型的考量是什么，又要如何去做？

聶再清教授向我們解答了背后的思考。

先來看看BioMedGPT究竟是個什么項目，進展到了哪一階段。

聶再清教授認為，就像ChatGPT成為了NLP領(lǐng)域的基礎(chǔ)大模型一樣，BioMedGPT也會成為生物醫(yī)藥領(lǐng)域的基礎(chǔ)大模型。

但在這里，“像ChatGPT”并不僅僅意味著BioMedGPT=生物醫(yī)學大模型+對話能力，而是和ChatGPT一樣，會出現(xiàn)智力涌現(xiàn)的情況。

只不過，這里的“智力”，指的是生物醫(yī)學領(lǐng)域方面知識的理解、規(guī)律的發(fā)現(xiàn)與靈感的啟迪。

這個基礎(chǔ)模型的底座能夠給藥物發(fā)現(xiàn)、分子/蛋白質(zhì)設(shè)計等應(yīng)用提供底層能力，同時能夠成為生物醫(yī)藥研究者的助手（Copilot）輔助研究者更高效的開展研究探索。

所以，能實現(xiàn)這種效果的BioMedGPT，架構(gòu)上究竟長啥樣？

整體來看，它是一個具備多個輸入Encoder的模型，這些Encoder會先分別處理不同模態(tài)的輸入，如分子、蛋白質(zhì)和文獻等。

然后，將這些不同模態(tài)的輸入，進行統(tǒng)一表示處理，這樣就能學習到不同模態(tài)之間的關(guān)聯(lián)知識。

這給了模型“融會貫通”的能力，既可以讀文獻、查專利，又可以讀分子序列、蛋白結(jié)構(gòu)、實驗數(shù)據(jù)。

不僅如此，BioMedGPT也是首個將多模態(tài)知識引入模型構(gòu)建的項目，通過知識圖譜的方式將生物醫(yī)藥領(lǐng)域的知識注入到模型中，以增強模型的泛化能力和可解釋性，同時能夠應(yīng)對科研領(lǐng)域知識的快速更迭，讓模型持續(xù)學習，變得更“聰明”。

基于這種融會貫通與知識增強的能力，BioMedGPT在下游的多項任務(wù)中表現(xiàn)出了整體的效果提升。

目前團隊已經(jīng)完成了實驗驗證階段，用一個比較小的端到端模型證明了這種思路的可行性。

那么最終能在生物醫(yī)藥方面表現(xiàn)出“智力涌現(xiàn)”的模型，預(yù)計在什么規(guī)模？

聶再清教授認為，模型參數(shù)量級預(yù)計在幾百億左右，而訓練這一模型達成“涌現(xiàn)”效果的數(shù)據(jù)量，幾十億到百億級應(yīng)該也就夠了。

事實上，在ChatGPT出現(xiàn)之前，也就是一年多以前，聶再清和團隊就已經(jīng)在籌備這一項目，目前清華AIR生命科學相關(guān)團隊規(guī)模已經(jīng)達到50人左右。

對于BioMedGPT的未來，聶再清教授很有信心：

預(yù)計兩年內(nèi)，這個模型應(yīng)該會在小范圍內(nèi)具備一定影響力，至于像ChatGPT那樣成為行業(yè)通用大模型，做到那樣的影響力可能至少還需要3~5年。

但即便如此，BioMedGPT模型究竟能否成功，目前仍舊是一個未知數(shù)。

同時對于大模型訓練必不可少的算力和數(shù)據(jù)等方面，也仍然是業(yè)界關(guān)注的話題。

對于這些觀點和想法，聶再清教授又是如何看待的？

大模型的發(fā)展和AI技術(shù)的更迭組成了ChatGPT為首的一波AI新浪潮。

但早在聶再清教授動念要將生物醫(yī)藥學科知識“塞”進大模型里時，ChatGPT還沒打破沉寂。

所以為什么要做？為什么敢做？

時間回到ChatGPT刮大風之前。當時，GPT-2已經(jīng)可以編故事，下象棋；等到1750億參數(shù)GPT-3出現(xiàn)，已經(jīng)博得眾人矚目：不僅延續(xù)了前代編故事的能力，還能寫代碼、答問題……

利用大規(guī)模文本數(shù)據(jù)學習語言知識和規(guī)律，加上狂疊參數(shù)的暴力美學，GPT-3已經(jīng)在通用領(lǐng)域任務(wù)中出現(xiàn)涌現(xiàn)能力，到GPT-3.5，基本的邏輯推理能力突然出現(xiàn)。

在生物和化學領(lǐng)域，生命的本質(zhì)可以看做一種精密的編碼語言，尤其是生命科學領(lǐng)域中微觀世界的分子序列數(shù)據(jù)。

聶再清教授認為，自然語言同樣也是一種非常精密的序列，缺一點或少一絲都會讓意思變得不一樣，因此二者具有類似的特征。

基于此，大模型的底層思想或許有用于生命科學微觀數(shù)據(jù)處理的可能。如果能實現(xiàn)，就能利用生物醫(yī)藥領(lǐng)域的專業(yè)知識，幫助完成科研任務(wù)。

工作正式開始之前，團隊將微觀（基因、分子、蛋白質(zhì)、細胞）與文獻知識壓縮到一個端到端的模型里，用實驗驗證了這條思路的可能性——確實在部分藥物研發(fā)關(guān)鍵下游任務(wù)中取得SOTA效果。

于是，做一個適用于生物醫(yī)藥領(lǐng)域研發(fā)的基礎(chǔ)大模型這事，正式開始了。

此前，無論是單獨針對分子、蛋白質(zhì)還是生物醫(yī)藥領(lǐng)域文獻，都有團隊單獨打造過大模型，但還沒有人做一個行業(yè)通用的多模態(tài)版本。而現(xiàn)在的開源版本BioMedGPT-1.6B，并非一個接近AGI甚至與ChatGPT能力媲美的版本。

“畢竟大家的期待比較高，我們還是要把期待降下來，”聶再清教授解釋選擇現(xiàn)在向外界告知進度的原因，大方表示目前還達不到理想狀態(tài)的能力，“實際上，我們最主要還是想把現(xiàn)有工作服務(wù)到正在進行相關(guān)研究的科研人員。”

但這樣的嘗試，被聶再清教授稱為一種理性而大膽的選擇。

理性，是因為通過實驗，確實發(fā)現(xiàn)人類知識經(jīng)過encoder后，能夠產(chǎn)生幫助；大膽，是因為一方面還未完全證明這個工作的商業(yè)實用價值，工作還在初步階段，模型的規(guī)模和模態(tài)的種類都有待擴大。

但在這個樂觀的估計下，工作還是推進了；不僅推進，還快速拿出了輕量級版本。

樂觀倒不是因為沒由來的盲目，聶再清教授表示，數(shù)據(jù)、算力和成本上，BioMedGPT暫時都不存在什么擔憂：

數(shù)據(jù)質(zhì)量上，生物醫(yī)學領(lǐng)域的論文和專利質(zhì)量“還是很高的”，不必過于擔心訓練語料質(zhì)量不高的情況，并且目前已公開的PubMedQA等數(shù)據(jù)集，數(shù)據(jù)量“已經(jīng)足夠”。

同時，團隊集合了具有生物醫(yī)學專業(yè)背景的同學，對數(shù)據(jù)集的構(gòu)建做了精細專業(yè)的設(shè)計和專業(yè)的標注。

當然，還有一些任務(wù)所需的私有數(shù)據(jù)，BioMedGPT希望通過未來的雙通道干濕閉環(huán)得到補充。

算力層面，聶再清教授是這樣表示的：

目前國內(nèi)敢跳出來宣布入局大模型的團隊，背后肯定已經(jīng)有足夠的算力支撐規(guī)劃。

數(shù)據(jù)豐富但公開，算力稀缺但不是無法解決，日后入局者紛至沓來，是不是會在壁壘很薄的情況下形成不必要的行業(yè)競爭？

聶再清教授表示了對這個問題的否定，他認為做的人越多，意味著關(guān)注度越高，最終的結(jié)果就是利好行業(yè)內(nèi)所有的AI制藥公司。

最后，我們也朝聶再清教授拋出了那個靈魂問題——

生物醫(yī)藥研發(fā)階段，一切都容不得半點差錯，怎么約束大模型的幻覺？

聶再清教授說了段繞口令般的話：

我們當然希望，大模型知道“自己知道什么事”，也知道“它知道自己不知道什么事”。但，目前確實也會出現(xiàn)大模型“不知道自己不知道”的情況。

而大模型“不知道自己不知道”，就是我們常見的大模型幻覺——它以為自己知道，其實它不知道。

針對生物醫(yī)藥領(lǐng)域解決的思路，是通過兩個閉環(huán)來實現(xiàn)對模型的“糾偏”。?

干濕實驗驗證通過濕實驗，將模型真實性趨近物理真實世界；專家在環(huán)可控的設(shè)計，則通過專家instruct，讓模型與人類專家認知趨近。

換言之，通過“做實驗”和“跟專家學”兩個環(huán)路，讓AI模型幻覺降低。

聶再清與團隊的下一站，就是通過兩個閉環(huán)，盡可能擴大“大模型知道自己能做啥”的范圍，以進一步降低大模型“不知道自己不知道”的比例。

對于此次開源，中國工程院院士、清華大學講席教授、AIR院長張亞勤院士表示：

將大模型范式應(yīng)用于生命科學是理性又大膽的探索。

AIR的研究團隊以構(gòu)建生物醫(yī)藥領(lǐng)域大模型為目標，相繼研發(fā)了多個生物醫(yī)藥專業(yè)領(lǐng)域的AI模型，在蛋白質(zhì)結(jié)構(gòu)預(yù)測、抗體設(shè)計等領(lǐng)域取得了不錯的成果。

此次開源的輕量級科研版基礎(chǔ)模型BioMedGPT-1.6B是在生命科學領(lǐng)域的重要進展。

未來，研究團隊將繼續(xù)用BioMedGPT進一步整合領(lǐng)域內(nèi)多源異構(gòu)的數(shù)據(jù)，將知識融入模型構(gòu)建之中，實現(xiàn)生物世界文本和知識的統(tǒng)一表示學習，帶來生物醫(yī)藥領(lǐng)域的“智能涌現(xiàn)”。?

?開源地址：https://github.com/BioFM/OpenBioMed

關(guān)鍵詞：