衡宇 蕭簫 發自 凹非寺
量子位 | 公眾號 QbitAI
生物醫藥研發領域，一個名為BioMedGPT-1.6B的輕量級科研版基礎模型剛剛開源。
參數16億，最大特點是跨模態與知識融合。
訓練數據中，包含分子、文獻、專利、知識庫等多尺度跨模態的生物醫藥大數據，并融合分子結構、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。
應用任務上，BioMedGPT-1.6B則展現出了通用能“打”的效果，可以處理藥物性質預測、自然語言類、跨模態等多種任務。
打造這個BioMedGPT-1.6B生物醫藥基礎模型的團隊，來自清華智能產業研究院（AIR）。
項目負責人聶再清，清華大學國強教授、AIR首席研究員，主要研究領域是大數據與AI的前沿創新，以及在健康醫療領域的產業應用，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藥領域研發的通用大模型。
1.6B版本先行開源，目的是小試牛刀，同時讓行業相關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？在業界已有不少生物醫藥專業大模型的情況下，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。
生物醫藥版GPT，也應具備“涌現”潛力
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領域的基礎大模型一樣，BioMedGPT也會成為生物醫藥領域的基礎大模型。
但在這里，“像ChatGPT”并不僅僅意味著BioMedGPT=生物醫學大模型+對話能力，而是和ChatGPT一樣，會出現智力涌現的情況。
只不過，這里的“智力”，指的是生物醫學領域方面知識的理解、規律的發現與靈感的啟迪。
這個基礎模型的底座能夠給藥物發現、分子/蛋白質設計等應用提供底層能力，同時能夠成為生物醫藥研究者的助手（Copilot）輔助研究者更高效的開展研究探索。
所以，能實現這種效果的BioMedGPT，架構上究竟長啥樣？
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的輸入，如分子、蛋白質和文獻等。
然后，將這些不同模態的輸入，進行統一表示處理，這樣就能學習到不同模態之間的關聯知識。
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、蛋白結構、實驗數據。
不僅如此，BioMedGPT也是首個將多模態知識引入模型構建的項目，通過知識圖譜的方式將生物醫藥領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，同時能夠應對科研領域知識的快速更迭，讓模型持續學習，變得更“聰明”。
基于這種融會貫通與知識增強的能力，BioMedGPT在下游的多項任務中表現出了整體的效果提升。
目前團隊已經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藥方面表現出“智力涌現”的模型，預計在什么規模？
聶再清教授認為，模型參數量級預計在幾百億左右，而訓練這一模型達成“涌現”效果的數據量，幾十億到百億級應該也就夠了。
事實上，在ChatGPT出現之前，也就是一年多以前，聶再清和團隊就已經在籌備這一項目，目前清華AIR生命科學相關團隊規模已經達到50人左右。
對于BioMedGPT的未來，聶再清教授很有信心：
預計兩年內，這個模型應該會在小范圍內具備一定影響力，至于像ChatGPT那樣成為行業通用大模型，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。
同時對于大模型訓練必不可少的算力和數據等方面，也仍然是業界關注的話題。
對于這些觀點和想法，聶再清教授又是如何看待的？
“一個理性而大膽的嘗試”
大模型的發展和AI技術的更迭組成了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已經可以編故事，下象棋；等到1750億參數GPT-3出現，已經博得眾人矚目：不僅延續了前代編故事的能力，還能寫代碼、答問題……
利用大規模文本數據學習語言知識和規律，加上狂疊參數的暴力美學，GPT-3已經在通用領域任務中出現涌現能力，到GPT-3.5，基本的邏輯推理能力突然出現。
在生物和化學領域，生命的本質可以看做一種精密的編碼語言，尤其是生命科學領域中微觀世界的分子序列數據。
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據處理的可能。如果能實現，就能利用生物醫藥領域的專業知識，幫助完成科研任務。
工作正式開始之前，團隊將微觀（基因、分子、蛋白質、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關鍵下游任務中取得SOTA效果。
于是，做一個適用于生物醫藥領域研發的基礎大模型這事，正式開始了。
此前，無論是單獨針對分子、蛋白質還是生物醫藥領域文獻，都有團隊單獨打造過大模型，但還沒有人做一個行業通用的多模態版本。而現在的開源版本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的能力，“實際上，我們最主要還是想把現有工作服務到正在進行相關研究的科研人員。”
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，確實發現人類知識經過encoder后，能夠產生幫助；大膽，是因為一方面還未完全證明這個工作的商業實用價值，工作還在初步階段，模型的規模和模態的種類都有待擴大。
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，數據、算力和成本上，BioMedGPT暫時都不存在什么擔憂：
數據質量上，生物醫學領域的論文和專利質量“還是很高的”，不必過于擔心訓練語料質量不高的情況，并且目前已公開的PubMedQA等數據集，數據量“已經足夠”。
同時，團隊集合了具有生物醫學專業背景的同學，對數據集的構建做了精細專業的設計和專業的標注。
當然，還有一些任務所需的私有數據，BioMedGPT希望通過未來的雙通道干濕閉環得到補充。
算力層面，聶再清教授是這樣表示的：
目前國內敢跳出來宣布入局大模型的團隊，背后肯定已經有足夠的算力支撐規劃。
數據豐富但公開，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，意味著關注度越高，最終的結果就是利好行業內所有的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
生物醫藥研發階段，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。
針對生物醫藥領域解決的思路，是通過兩個閉環來實現對模型的“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；專家在環可控的設計，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，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：
將大模型范式應用于生命科學是理性又大膽的探索。
AIR的研究團隊以構建生物醫藥領域大模型為目標，相繼研發了多個生物醫藥專業領域的AI模型，在蛋白質結構預測、抗體設計等領域取得了不錯的成果。
此次開源的輕量級科研版基礎模型BioMedGPT-1.6B是在生命科學領域的重要進展。
未來，研究團隊將繼續用BioMedGPT進一步整合領域內多源異構的數據，將知識融入模型構建之中，實現生物世界文本和知識的統一表示學習，帶來生物醫藥領域的“智能涌現”。
