ChatGPT是OpenAI開發(fā)的一個基于文本生成技術(shù)的對話機(jī)器人，以其驚艷的效果迅速出圈，在這個低迷的2023年初，憑著一己之力重新掀起了AI領(lǐng)域的熱潮。

　　早在上個世紀(jì)五十年代，就有學(xué)者提出了人工智能（Artificial Intelligence）的概念，其目的是希望讓計算機(jī)擁有人類智能（或部分人類智能）。這個領(lǐng)域經(jīng)過很多年的發(fā)展，依然沒有突破，直到2012年出現(xiàn)了深度學(xué)習(xí)技術(shù)。深度學(xué)習(xí)主要解決了模型表示能力的瓶頸。我們面對的建模問題，比如圖像理解、語言翻譯、語音識別、分子-蛋白結(jié)合構(gòu)象預(yù)測等技術(shù)，都是非常復(fù)雜的非線性問題，在深度學(xué)習(xí)出現(xiàn)之前，模型表示能力很弱，無法對這些復(fù)雜問題進(jìn)行精確表示。而深度學(xué)習(xí)技術(shù)，可以通過模型的層次堆疊，理論上可以構(gòu)建任意深度的模型，突破了模型表示能力的瓶頸，從而在語音識別、計算機(jī)視覺、自然語言理解等領(lǐng)域取得了突破性進(jìn)展。

　　深度學(xué)習(xí)技術(shù)的出現(xiàn)標(biāo)志著人工智能進(jìn)入到一個新的階段，我們姑且把2012年左右開始的通過深度學(xué)習(xí)驅(qū)動的人工智能浪潮叫作新一代人工智能時代（實際上在語音識別領(lǐng)域深度學(xué)習(xí)應(yīng)用可以追溯到最早，但是鑒于后續(xù)很多深度學(xué)習(xí)的進(jìn)步都來自于計算機(jī)視覺領(lǐng)域，所以，我們以2012年AlexNet出現(xiàn)作為起點）。這個時期，可以認(rèn)為是深度學(xué)習(xí)驅(qū)動的新一代人工智能的第一個階段，即標(biāo)注數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)模型，大幅提高了模型表示能力，從而推動人工智能技術(shù)顯著提升，并且在計算機(jī)視覺和語音識別領(lǐng)域獲得了產(chǎn)品和商業(yè)上的成功。這個階段的主要局限，是非常依賴于標(biāo)注數(shù)據(jù)的數(shù)量。由于模型參數(shù)變多，想要求解這么多的模型參數(shù)，需要大量的訓(xùn)練數(shù)據(jù)作為約束。而想獲得大量的標(biāo)注數(shù)據(jù)非常貴，到億級別之后就很難再有提升，數(shù)據(jù)支撐的有效模型大小也受到限制。2012-2015年這段時間，計算機(jī)視覺是最活躍的領(lǐng)域，出現(xiàn)了包括ResNet在內(nèi)的各種深度網(wǎng)絡(luò)模型。

　　2017年，一個重要的基礎(chǔ)工作Transformer出現(xiàn)了。2019年，在一直未能有重大突破的自然語言處理（NLP）領(lǐng)域，一個叫作BERT的工作脫穎而出，在十幾個不同的自然語言處理領(lǐng)域（NLP）任務(wù)中都取得了最好的結(jié)果，這些任務(wù)之間的差別很大，所以BERT工作發(fā)表后，馬上引起了整個領(lǐng)域的關(guān)注。BERT采用了一個叫作自監(jiān)督預(yù)訓(xùn)練的思路，無需標(biāo)注數(shù)據(jù)僅利用文本語料本身存在的約束就可以訓(xùn)練模型（比如某句話的某個位置只能用某些限定的詞），這樣互聯(lián)網(wǎng)上存在的優(yōu)質(zhì)語料不需要進(jìn)行人工標(biāo)定就可以用來做訓(xùn)練，從而一下子使得可用訓(xùn)練數(shù)據(jù)的數(shù)量有了巨大的提高，再配合上大模型，使得BERT模型的效果遠(yuǎn)遠(yuǎn)超過過去的模型，并且在不同任務(wù)間具有很好的通用性，成為NLP領(lǐng)域里程碑工作之一。

　　其實在BERT出現(xiàn)之前的2018年，還有個工作叫作GPT（即GPT1.0），更早利用了自監(jiān)督預(yù)訓(xùn)練的思路來做文本生成，即輸入前面的文本，模型預(yù)測輸出后面的文本，領(lǐng)域里面的優(yōu)質(zhì)語料無需標(biāo)注就可以做訓(xùn)練。BERT和GPT都是在Transformer基礎(chǔ)上發(fā)展而來的，而Transformer也逐漸發(fā)展成為AI領(lǐng)域的通用模型。GPT1.0的效果并不驚艷。在BERT出現(xiàn)后不久，GPT很快發(fā)布了GPT2.0，模型大小和訓(xùn)練數(shù)據(jù)量都有大幅提升，作為通用模型（即不用下游任務(wù)做訓(xùn)練，直接測試結(jié)果）在大多數(shù)任務(wù)上結(jié)果好于現(xiàn)有模型。但由于BERT模型在特征表示上比GPT2.0模型更有優(yōu)勢，也更容易訓(xùn)練，所以這個階段領(lǐng)域里最受關(guān)注的工作還是BERT。但2020年7月，GPT3.0橫空出世，以1700億參數(shù)驚艷四座，更重要的是，在效果上，GPT3.0作為一個通用語言模型，只需向它提供一段簡單描述，說明想生成的內(nèi)容，就可以在無需重新訓(xùn)練的情況下，根據(jù)提示，生成可執(zhí)行代碼，生成網(wǎng)頁或圖標(biāo)，完成一篇文章或新聞，還可以編寫詩歌和音樂。GPT3.0出現(xiàn)后，受到了行業(yè)的廣泛關(guān)注，很多開發(fā)者基于GPT3.0做了很多好玩的應(yīng)用。GPT3.0成為最好也最受關(guān)注的文本生成模型。

　　在自監(jiān)督預(yù)訓(xùn)練技術(shù)出現(xiàn)之后，我們可以認(rèn)為新一代人工智能發(fā)展到了第二個階段，即自監(jiān)督預(yù)訓(xùn)練技術(shù)使得可用訓(xùn)練數(shù)據(jù)有了幾個數(shù)量級的提升，在訓(xùn)練數(shù)據(jù)大幅提升的支撐下，模型大小也有了數(shù)個數(shù)量級的提升（有效模型達(dá)到了千億規(guī)模），而在模型效果上，這些模型變得不再依賴于下游任務(wù)領(lǐng)域數(shù)據(jù)的再訓(xùn)練，所以，領(lǐng)域進(jìn)入到基于自監(jiān)督預(yù)訓(xùn)練的通用大模型時代。

　　之后，GPT3.0與領(lǐng)域其他工作一起引發(fā)了一波模型大小的軍備競賽，但鮮有真正有突破的技術(shù)出現(xiàn)。大家意識到僅僅增加模型大小，并不能根本上解決問題。就在大家期待GPT4.0等后續(xù)工作出現(xiàn)的時候，整整兩年過去，GPT一直沒有更新。這段時間內(nèi)，人工智能領(lǐng)域最活躍的工作主要集中在兩個方面，多模態(tài)統(tǒng)一模型和內(nèi)容生成。多模態(tài)統(tǒng)一模型，希望構(gòu)建多模態(tài)或跨模態(tài)統(tǒng)一模型，嘗試將文本、圖像、語音等不同模態(tài)數(shù)據(jù)統(tǒng)一表示在一個模型中，其中包括最早的跨模態(tài)表示模型CLIP，和后續(xù)的一系列多模態(tài)統(tǒng)一表示模型。而內(nèi)容生成領(lǐng)域，一方面在技術(shù)層面，出現(xiàn)了擴(kuò)散模型（Diffusion Model）這樣的基礎(chǔ)模型，Diffusion Model及一系列變種模型的發(fā)展，使得人工智能內(nèi)容生成（AI Generated Content，即AIGC）領(lǐng)域變得非常熱，從圖像生成領(lǐng)域擴(kuò)展到自然語言處理和生命科學(xué)領(lǐng)域；另一方面在應(yīng)用層面，基于文本生成圖像領(lǐng)域取得了很多實質(zhì)進(jìn)展，其中最有代表性的工作DALLE2，模型能夠按照輸入的文本描述輸出看起來很真實的圖像，即使在文本描述超越了現(xiàn)實的情況下，依然可以生成看似合理符合文本描述的圖像，如下圖所示。DALLE2等一系列工作的成功，一方面歸功于大量的文本-圖像對應(yīng)關(guān)系數(shù)據(jù)（大約有數(shù)億對），建模了文本和圖像語義之間的對應(yīng)關(guān)系，另外一方面歸功于擴(kuò)散模型克服了GAN、VAE等模型難訓(xùn)練、生成效果細(xì)節(jié)保留不夠等缺陷。圖像生成效果的驚艷，甚至讓很多人相信AI已經(jīng)可以創(chuàng)造內(nèi)容了。

　　圖。 DALLE2生成效果

　　時間來到了2022年11月底，OpenAI發(fā)布了ChatGPT。ChatGPT發(fā)布后，大家發(fā)現(xiàn)這個聊天機(jī)器人很不一般，經(jīng)常給出令人驚艷的回答。對話機(jī)器人領(lǐng)域曾出現(xiàn)過很多個對話機(jī)器人，比如蘋果的Siri，微軟的小冰小娜等，這些通用對話系統(tǒng)的體驗都不是非常理想，大家拿來調(diào)戲一下就扔到了一邊。而智能音箱等產(chǎn)品中使用的指令執(zhí)行式問答機(jī)器人，系統(tǒng)框架是基于規(guī)則驅(qū)動的對話管理系統(tǒng)，存在大量的手工規(guī)則，使得這些系統(tǒng)一方面無法擴(kuò)展到通用領(lǐng)域，只能進(jìn)行簡單程式化的回答，另一方面，無法處理多輪對話的環(huán)境語義信息（Context）。從技術(shù)層面看，ChatGPT和原來主流的對話系統(tǒng)完全不同，整個系統(tǒng)基于一個深度生成大模型，對于給定的輸入，經(jīng)過深度模型的處理，直接輸出抽象總結(jié)性的回答。而在產(chǎn)品體驗上，ChatGPT也遠(yuǎn)遠(yuǎn)超越了過去的聊天系統(tǒng)。作為一個通用聊天機(jī)器人，它幾乎可以回答任何領(lǐng)域的問題，而且準(zhǔn)確率已經(jīng)達(dá)到人類愿意持續(xù)使用的要求，在多輪對話的場景下依然保持非常好的體驗。

　　當(dāng)然，ChatGPT并不完美，作為一個深度學(xué)習(xí)模型，ChatGPT存在無法百分之百精準(zhǔn)的缺陷，對于一些需要精確回答的問題（比如數(shù)學(xué)計算、邏輯推理或人名等），會出現(xiàn)一些可感知的明顯錯誤。后面又出現(xiàn)了一些改進(jìn)工作，比如有些工作會提供信息的參考網(wǎng)頁鏈接，而在Facebook最新的工作ToolFormer中，則嘗試在生成模型中，將特定任務(wù)交給特定API去計算，不走通用模型，這有望克服模型無法百分之百精準(zhǔn)的問題。如果這條路走通，深度生成模型有望成為AGI的核心框架，用插件方式集成其他技能API，想想就很激動人心。

　　商業(yè)上，ChatGPT一方面引發(fā)了對于Google等搜索引擎挑戰(zhàn)的暢想，另一方面，大家看到了各種自然語言理解有關(guān)的垂直產(chǎn)品應(yīng)用機(jī)會。無疑，ChatGPT在自然語言理解領(lǐng)域正掀起一次可能媲美搜索推薦的新商業(yè)機(jī)會。

　　ChatGPT為什么能有這樣驚艷的效果？其中一個核心原因是ChatGPT基于生成大模型GPT3.5構(gòu)建，這應(yīng)該是當(dāng)前自然語言理解領(lǐng)域文本生成最好的模型（GPT3.5比GPT3.0使用了更多的數(shù)據(jù)和更大的模型，具有更好的效果）。

　　第二個核心原因則是基于人類反饋的強(qiáng)化學(xué)習(xí)技術(shù)，即Reinforcement Learning from Human Feedback（簡寫作RLHF）。由于OpenAI并沒有發(fā)表ChatGPT的論文，也沒有代碼公開，大家一般認(rèn)為其與之前的一篇文章InstructGPT（https://arxiv.org/pdf/2203.02155.pdf）中批露的技術(shù)最為相近。如下圖所示，按照InstructGPT中的描述，第一步，先收集用戶對于同一問題不同答案的偏好數(shù)據(jù)；第二步，利用這個偏好數(shù)據(jù)重新訓(xùn)練GPT模型，這一步是基于監(jiān)督信息的精調(diào)；第三步，根據(jù)用戶對于不同答案的偏好，訓(xùn)練一個打分函數(shù)，對于ChatGPT的答案會給出分?jǐn)?shù)，這個分?jǐn)?shù)會體現(xiàn)出用戶對于不同答案的偏好；第四步，用這個打分函數(shù)作為強(qiáng)化學(xué)習(xí)的反饋（Reward）訓(xùn)練強(qiáng)化學(xué)習(xí)模型，使得

　　ChatGPT最終輸出的答案更偏向于用戶喜歡的答案。通過上述過程，ChatGPT在GPT3.5的基礎(chǔ)上，針對用戶輸入，輸出對用戶更友好的回答。

　　 ChatGPT第一階段訓(xùn)練GPT生成模型使用的訓(xùn)練數(shù)據(jù)非常多，大約在幾十TB，訓(xùn)練一次模型需要花費(fèi)千萬美元，而第二個階段，基于強(qiáng)化學(xué)習(xí)的少量優(yōu)質(zhì)數(shù)據(jù)反饋則只需要數(shù)萬條優(yōu)質(zhì)數(shù)據(jù)。我們可以看到，ChatGPT技術(shù)，是在自監(jiān)督預(yù)訓(xùn)練大模型基礎(chǔ)上結(jié)合基于人類反饋的強(qiáng)化學(xué)習(xí)技術(shù)，取得了非常顯著的進(jìn)展。這種新的范式，有可能成為第三階段人工智能的核心驅(qū)動技術(shù)，即首先基于自監(jiān)督預(yù)訓(xùn)練的大模型，再結(jié)合基于少量優(yōu)質(zhì)數(shù)據(jù)反饋的強(qiáng)化學(xué)習(xí)技術(shù)，形成模型和數(shù)據(jù)的閉環(huán)反饋，獲得進(jìn)一步的技術(shù)突破。

　　關(guān)于ChatGPT，我們的觀點如下：

　　（1）ChatGPT確實是這個時代最偉大的工作之一，讓我們看到了基于自監(jiān)督預(yù)訓(xùn)練的生成大模型與基于少量優(yōu)質(zhì)數(shù)據(jù)強(qiáng)化學(xué)習(xí)反饋策略結(jié)果后AI的驚艷效果，某種意義上改變了我們的認(rèn)知。

　　（2）ChatGPT相關(guān)技術(shù)具有非常大的商業(yè)價值，使得搜索引擎在內(nèi)的很多產(chǎn)品都面臨被重構(gòu)或者顛覆的機(jī)會，無疑會帶來很多新的商業(yè)機(jī)會，整個NLP領(lǐng)域都會受益。

　　（3）基于自監(jiān)督預(yù)訓(xùn)練的生成大模型與基于少量優(yōu)質(zhì)數(shù)據(jù)強(qiáng)化學(xué)習(xí)反饋策略的學(xué)習(xí)范式，有望成為未來推動各個領(lǐng)域前進(jìn)的動力，除NLP領(lǐng)域外，有望在生命科學(xué)、機(jī)器人、自動駕駛等各個領(lǐng)域引發(fā)新一輪人工智能熱潮。

　　（4）ChatGPT并不能證明人工智能已經(jīng)有了人類心智，ChatGPT表現(xiàn)出來的一些創(chuàng)造性和心智，是因為自然語言理解語料中包含了語義、邏輯，基于自然語言語料訓(xùn)練出來的生成模型，統(tǒng)計意義上學(xué)習(xí)到了這些對應(yīng)關(guān)系，看起來似乎有了智能，但并不是真的有人類心智。ChatGPT很棒，但說他智力等于幾歲小朋友的說法，都不夠嚴(yán)謹(jǐn)。因為從根本上講，人學(xué)習(xí)新知識、進(jìn)行邏輯推理、想象、運(yùn)動反饋這些能力，目前AI還沒有具備。過度炒作ChatGPT的智能和能力，會劣幣驅(qū)逐良幣，損害整個行業(yè)。

　　（5）在這個領(lǐng)域，中國的技術(shù)還有差距，過去兩年，我們還沒有看到真正復(fù)制出GPT3.0效果的文本生成模型，而沒有GPT3.0和3.5，就不會有ChatGPT。GPT3、GPT3.5和ChatGPT等工作都沒有開源，甚至API都對中國做了封鎖，這都是復(fù)制工作實際面臨的困難。說得悲觀一點，大部分想復(fù)制ChatGPT效果的團(tuán)隊，都不會成功。

　　（6）ChatGPT并不是一兩個研究人員做出的算法突破，而是在先進(jìn)理念指導(dǎo)下，非常復(fù)雜的算法工程體系創(chuàng)造出來的成果，需要在團(tuán)隊和組織上匹配（類比OpenAI和DeepMind）。純研究型的團(tuán)隊恐怕不能成功，對深度學(xué)習(xí)理解不夠、太工程化的團(tuán)隊也不會成功。這只團(tuán)隊需要：第一要有足夠資源支持，可以支撐昂貴的深度學(xué)習(xí)訓(xùn)練和人才招聘；第二要有真正在工業(yè)界領(lǐng)導(dǎo)過工程化大模型團(tuán)隊的專家領(lǐng)導(dǎo)，ChatGPT不僅有算法創(chuàng)新，更是工程體系創(chuàng)新；第三，也可能是最重要的，需要一個團(tuán)結(jié)協(xié)作有統(tǒng)一領(lǐng)導(dǎo)且不追求論文發(fā)表的組織（松散型的組織利于算法創(chuàng)新，但不利于工程化算法攻堅），且配備足夠多優(yōu)秀的工程和算法人才。

　　（7）我們不僅追求做一個ChatGPT，更要持續(xù)追求其背后的技術(shù)創(chuàng)新，即大力發(fā)展自監(jiān)督預(yù)訓(xùn)練生成大模型和基于少量優(yōu)質(zhì)數(shù)據(jù)的強(qiáng)化學(xué)習(xí)反饋策略技術(shù)，這既是下一代ChatGPT的核心技術(shù)，也是推動人工智能領(lǐng)域整體進(jìn)步的技術(shù)。最擔(dān)心的是，由于投機(jī)追風(fēng)，造成力量分散而使大量資源被浪費(fèi)，或者過度宣傳ChatGPT損害了行業(yè)。

　　（8） ChatGPT還存在改進(jìn)空間，也不是唯一值得關(guān)注和期待的技術(shù)。對于AI，最常見的誤區(qū)是，高估其短期表現(xiàn)，而低估其長期表現(xiàn)。這是一個AI成為核心推動力的偉大時代，但AI并不會那么快無所不能，需要我們長期努力。 這里，我們簡單總結(jié)一下2012年以來深度學(xué)習(xí)引起的新一代人工智能浪潮里面的關(guān)鍵技術(shù)演進(jìn)：

　　（1）第一個階段，關(guān)鍵進(jìn)展是標(biāo)記數(shù)據(jù)驅(qū)動的有監(jiān)督深度學(xué)習(xí)模型，大幅提高了模型表示能力，從而推動人工智能技術(shù)顯著進(jìn)步，這個階段最活躍的是計算機(jī)視覺和語音識別領(lǐng)域，主要的局限是有標(biāo)記數(shù)據(jù)比較貴，限制了可以獲得的數(shù)據(jù)量，進(jìn)而限制了數(shù)據(jù)能支撐的有效模型大小。

　　（2）第二個階段，關(guān)鍵進(jìn)展是自監(jiān)督預(yù)訓(xùn)練大數(shù)據(jù)驅(qū)動的通用大模型，自監(jiān)督預(yù)訓(xùn)練技術(shù)使得可用訓(xùn)練數(shù)據(jù)有了幾個數(shù)量級的提升，從而支撐著模型大小也有了數(shù)個數(shù)量級的提高，成為無需依賴下游任務(wù)領(lǐng)域數(shù)據(jù)再訓(xùn)練的通用模型，這個階段進(jìn)步最大、最活躍的是自然語言理解領(lǐng)域；主要的局限在于需要海量數(shù)據(jù)訓(xùn)練，且模型非常大，訓(xùn)練和使用都非常昂貴，重新訓(xùn)練垂直場景模型也非常不方便。

　　（3）第三個階段，目前雖然還不能蓋棺論定，但呈現(xiàn)出一定趨勢。未來非常重要的技術(shù)關(guān)鍵在于，能否在大模型的基礎(chǔ)上，用強(qiáng)化學(xué)習(xí)、Prompting等方式，僅通過少量優(yōu)質(zhì)數(shù)據(jù)就能顯著影響大模型的輸出結(jié)果。如果這個技術(shù)走通，那么無人駕駛、機(jī)器人以及生命科學(xué)等數(shù)據(jù)獲取昂貴的領(lǐng)域?qū)@著受益。過去，如果想改善AI模型存在的問題，必須采集大量的數(shù)據(jù)重新訓(xùn)練模型。假如，在需要線下交互的機(jī)器人領(lǐng)域，在預(yù)訓(xùn)練大模型的基礎(chǔ)上，僅通過告知機(jī)器人真實場景中一些正確和錯誤的動作選擇就能影響機(jī)器人的決策，那么無人駕駛和機(jī)器人領(lǐng)域在技術(shù)迭代上會更加高效。生命科學(xué)領(lǐng)域，如果僅通過少量的試驗數(shù)據(jù)反饋，就能顯著影響模型預(yù)測結(jié)果的話，整個生命科學(xué)領(lǐng)域與計算融合的革命將會來得更快一些。在這一點上，ChatGPT是非常重要的里程碑，相信后面還會有非常多的工作出現(xiàn)。

　　讓我們把目光回到我們更關(guān)注的生命科學(xué)領(lǐng)域。

　　由于ChatGPT帶來的技術(shù)進(jìn)步改善了大多數(shù)NLP相關(guān)領(lǐng)域，所以，生命科學(xué)領(lǐng)域內(nèi)和信息查詢檢索抽取有關(guān)的技術(shù)和產(chǎn)品，會優(yōu)先受益。例如，在未來有沒有可能出現(xiàn)一個生命科學(xué)領(lǐng)域?qū)υ挿绞降拇怪彼阉饕妫瑢＜铱梢韵蛩儐柸魏螁栴}（比如關(guān)于疾病、靶點、蛋白等有關(guān)的問題），它一方面可以給出綜合趨勢的判定（也許沒有那么精確，但大概正確，有助于我們快速了解一個領(lǐng)域），另一方面可以給出關(guān)于某個話題的相關(guān)有價值資料，這無疑會顯著改善專家的信息處理效率。還例如，能否構(gòu)建一個AI醫(yī)生，病人可以咨詢有關(guān)疾病的知識和處理辦法（限于技術(shù)的局限，AI無法給出精確的答案，更無法代替醫(yī)生），但可以給出很多信息參考和后續(xù)該做什么的建議，其體驗一定會顯著優(yōu)于現(xiàn)在的搜索引擎。

　　生命科學(xué)領(lǐng)域本身還存在很多沒有被解決的重要任務(wù)，比如小分子-蛋白結(jié)合構(gòu)象和親和力預(yù)測、蛋白-蛋白相互作用預(yù)測、小分子表示和性質(zhì)預(yù)測、蛋白質(zhì)性質(zhì)預(yù)測、小分子生成、蛋白質(zhì)設(shè)計、逆合成路線設(shè)計等任務(wù)。目前看這些問題還沒有被完美解決，如果在這些任務(wù)上取得突破，那么藥物發(fā)現(xiàn)甚至整個生命科學(xué)領(lǐng)域，都會迎來巨大變化。

　　基于大模型的AIGC領(lǐng)域，以及基于專家或試驗反饋的RLHF領(lǐng)域，受益于ChatGPT的推動，一定會引來一輪新的技術(shù)進(jìn)步。其中AIGC（人工智能內(nèi)容生成）技術(shù)，在過去一年中，已經(jīng)在小分子生成、蛋白質(zhì)設(shè)計等領(lǐng)域取得了不錯的進(jìn)展。我們預(yù)測，在不遠(yuǎn)的未來，下列任務(wù)將顯著受益于AIGC生成技術(shù)的發(fā)展，產(chǎn)生技術(shù)階躍：

　　（1）小分子生成和優(yōu)化技術(shù)，即如何不依賴活性配體信息，而是基于蛋白口袋結(jié)構(gòu)信息生成綜合考慮活性、成藥性、可合成性等多種條件約束的配體小分子，這部分技術(shù)將顯著受益于AIGC領(lǐng)域的發(fā)展；

　　（2）構(gòu)象預(yù)測某種意義上可以看作是生成問題，小分子和蛋白結(jié)合構(gòu)象預(yù)測任務(wù)也會受益于AIGC相關(guān)技術(shù)的發(fā)展；

　　（3）蛋白質(zhì)、多肽、AAV等序列設(shè)計領(lǐng)域，也一定會受益于AIGC技術(shù)的發(fā)展。

　　上述AIGC相關(guān)任務(wù)，以及幾乎所有需要試驗驗證反饋的任務(wù)，包括但不限于活性預(yù)測、性質(zhì)預(yù)測、合成路線設(shè)計等，都將有機(jī)會受益于RLHF技術(shù)帶來的紅利。

　　當(dāng)然也存在很多挑戰(zhàn)。受限于可用數(shù)據(jù)數(shù)量，當(dāng)前生命科學(xué)領(lǐng)域使用的生成模型還比較淺，主要使用的是GNN等淺層深度學(xué)習(xí)模型（GNN受限于消息傳遞的平滑性，層數(shù)只能使用到3層左右），生成效果上雖然體現(xiàn)了很好的潛力，但依然沒有ChatGPT那樣驚艷。而基于專家或試驗反饋的強(qiáng)化學(xué)習(xí)技術(shù)，受限于試驗數(shù)據(jù)產(chǎn)生速度以及生成模型表示能力不夠的影響，驚艷效果呈現(xiàn)也會需要一定的時間。但從ChatGPT技術(shù)演進(jìn)趨勢推演，如果能訓(xùn)練足夠深、表示能力足夠強(qiáng)的生成大模型，并且利用強(qiáng)化學(xué)習(xí)，基于少量優(yōu)質(zhì)試驗數(shù)據(jù)或者專家反饋來進(jìn)一步提升生成大模型的效果，我們可以預(yù)期AIDD領(lǐng)域一定會迎來一次革命。

　　簡而言之，ChatGPT不僅是自然語言理解領(lǐng)域的一項技術(shù)進(jìn)步，會引發(fā)新一輪信息服務(wù)和內(nèi)容生成領(lǐng)域的商業(yè)潮流，同時，其背后基于海量數(shù)據(jù)的深度生成技術(shù)，以及基于人類反饋的強(qiáng)化學(xué)習(xí)技術(shù)，是更長遠(yuǎn)的進(jìn)步動力，會引起生命科學(xué)等領(lǐng)域的長足發(fā)展。我們會再迎來一次AI技術(shù)進(jìn)步和產(chǎn)業(yè)落地的浪潮。

　　編輯：黃飛