跳转至

Session 09 · AI4Science

XAGI 2026 交叉智能大会 · 10 月 18 日(周日)上午 10:00-12:00 · 8会(友谊宫二层8号会议室) · 返回会议总览

  • 4 场报告 · 已精读 4 场

主持:田润泽(中国人民大学)、谢超(清华大学)

本场导览

自动生成:归纳本场主线,不打分、不排名。

这一场报告围绕“AI4Science”展开,但四场工作并未共享同一任务或方法,而是分别落在基因组建模、聚变物理、精神医学三个领域。若按主线归纳,可拆为两条:其一,基因组大模型的基础架构与资源效率问题,由许慧楠(记忆机制)和李秋熠(Carbon)直接承接;其二,AI在复杂物理系统与生物医学中的预测、控制与机制解释,由吴泰霖(聚变等离子体)和谢超(精神共病)分别代表。两条主线在“数据密度与架构适配”和“多尺度耦合下的建模策略”上有潜在对话,但报告间并无直接引用或递进关系。

最突出的是基因组大模型这条线,两场报告形成互补而非竞争。许慧楠从架构层面指出,自然语言模型的压缩机制不适用于基因组的长程依赖与特殊数据密度,其Gengram引入记忆机制来弥补这一缺口,属于对模型内部结构的改造;李秋熠的Carbon则从系统层面切入,以30亿参数在多个基准上超过70亿参数的Evo2,并将计算效率提升约275倍,同时构建了16万亿碱基的注释数据库,属于对模型规模与数据资源的重新分配。两者一内一外:前者解决“模型怎么读基因组”,后者解决“基因组数据怎么被低成本利用”。若将许慧楠的记忆机制视为对基因组长程依赖的显式建模,Carbon则通过更大规模的注释数据来隐式覆盖这类依赖,二者在“如何表征基因组”上存在方法上的张力,但都指向降低基因组AI的部署门槛。

若想快速进入这一场,建议按主题选择入口。对基因组大模型感兴趣,可先看许慧楠(记忆机制)理解架构动机,再看李秋熠(Carbon)了解资源效率与数据库构建,两场连看能覆盖从模型设计到应用落地的完整链条。对物理仿真或控制问题,直接看吴泰霖(聚变等离子体),其报告覆盖仿真、控制、诊断三个环节,适合作为AI在物理系统中应用的概览。对精神医学与神经影像建模,谢超(NeuroHiP)提供了从共性因子到特异性因子的层级分解框架,适合关注可解释性与跨队列验证的读者。四场之间无依赖,按主题单点切入即可。


1. Memory Mechanisms in Genomic Foundation Models

讲者:许慧楠(中国科学院大学 · 杭州高等研究院) · 10:00-10:30

对应论文:Beyond Conditional Computation: Retrieval-Augmented Genomic Foundation Models with Gengram · arXiv:2601.22203 · 📖 长篇精读

摘要(会议官网)

Genomic sequences exhibit widespread long‑range dependencies, and their data density is completely different from that of natural language. Architectures for information compression in natural language are not fully applicable to the genomic domain, and genome modeling requires its unique approaches. Studies including Gengram have introduced memory into genomic large models and achieved unprecedented performance across multiple tasks. Memory mechanisms can retain key biological features, mitigate attention computational costs, and improve the model’s ability to extract long‑range genomic signals, yielding promising effects for long‑sequence modeling.

(对应论文为自动检索推断,可能有偏差)

问题:基因组序列存在广泛的长程依赖,且其数据密度与自然语言截然不同,自然语言中的信息压缩架构无法直接迁移到基因组域。现有基因组基座模型(GFM)多从单核苷酸输入出发,依赖大规模神经计算隐式近似保守基序,在基序主导的功能元件检测上效率低且可解释性差。报告提出将记忆机制引入基因组大模型,以显式存储和检索多碱基基序,从而在保留关键生物特征的同时缓解注意力计算成本,提升长序列建模能力。

核心方法:论文提出 Gengram,一种条件记忆模块。它通过基因组特异的哈希方案,为所有可能的 k-mer(\(k=1,2,3,4,5,6\))建立静态键和可学习嵌入值;在预测当前位置时,用滑动窗口枚举前序局部窗口内的全部连续子串,去重后按 k-mer 长度分组做均值池化,再经线性投影、缩放点积门控(sigmoid)和残差连接注入 Transformer 主干。窗口大小经实验选为 21,恰好对应 B-DNA 双螺旋两圈(约 10.4–10.5 bp/圈)的周期,使模型能捕获与蛋白结合相关的相位模式。模块仅插入第 3、6、10 层,额外参数约 60M;10B 模型在 200B tokens 上训练,采用 MoE(8 专家、top-2 路由),在多个功能基因组学基准上相对基线提升最高达 14%。

与已有工作的关系:Gengram 直接对标现有 GFM 的“隐式基序近似”路线,包括基于 Transformer 的 DNABERT、Nucleotide Transformer,以及状态空间模型 Caduceus 等。其设计灵感来自 DeepSeek 的 Engram 条件记忆模块,但 Engram 仅检索单个前序 n-gram,Gengram 引入局部窗口聚合,使记忆内容覆盖多尺度基序组合。实验中的基线包括 Genos-10B、Evo2-40B、GENERATOR-3B 等,Gengram 在更少训练数据(200B vs 2.2T/9.3T)和更少激活参数(2.87B vs 40.3B)下取得相当或更优结果,并验证了跨 MHA、GQA、MLA 及 MoE/Dense 架构的泛化性。

贡献与边界:主要贡献是将显式基序记忆作为建模原语,同时提升性能与机制可解释性,且模块轻量、可即插即用。但方法依赖固定窗口大小和 k-mer 长度上限 6,对更长结构变异或非连续基序的覆盖有限;窗口大小 21 的生物学解释虽合理,但仅在人类/灵长类数据上验证,跨物种泛化未知。官网摘要未给出具体数字,以上结果来自论文;且自动匹配可能有偏差,报告可能还涉及讲者主导的 Meno 等其他记忆机制工作,需以现场内容为准。

讲者简介

中国科学院大学人工智能,研究方向为AI for Biology、基因组基座大模型大模型记忆、多模态大模型,在多个顶级期刊发表论文,参与Genos、CENO等重大课题,主导Meno的研发。

2. AI赋能聚变等离子体仿真、控制和诊断

讲者:吴泰霖(西湖大学 · 人工智能系) · 10:30-11:00

对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)

摘要(会议官网)

聚变等离子体因其非线性、多尺度及强耦合特性,在仿真、实时控制与高精度诊断上面临巨大挑战。本报告将展示AI赋能这三方面的潜力与挑战,并介绍本组近期成果。在仿真方面,AI可加速大规模动力学模拟,显著提升计算效率;在控制方面,强化学习等算法能实现等离子体位形和不稳定性的自适应实时调节;在诊断方面,神经网络可高效处理多源诊断数据,实现关键参数的快速反演与异常检测。三者协同,为聚变堆的智能化运维奠定基础。

问题:聚变等离子体因非线性、多尺度及强耦合特性,在仿真、实时控制与高精度诊断上长期受制于计算代价和物理复杂度。报告瞄准这三个环节,提出用AI整体赋能,目标是支撑聚变堆的智能化运维。摘要强调“潜力与挑战”并存,说明当前聚变研究对高效仿真、自适应控制和快速诊断有明确需求,而机器学习在科学计算中的进展使这一方向具备现实可行性。

核心方法:报告按三条技术线展开。仿真方面,用AI加速大规模动力学模拟,以提升计算效率;控制方面,采用强化学习等算法,对等离子体位形和不稳定性做自适应实时调节;诊断方面,用神经网络处理多源诊断数据,实现关键参数快速反演与异常检测。三者协同,形成从离线模拟到在线控制的闭环。官网摘要未给出具体模型结构、加速比、控制精度或诊断误差。

与已有工作的关系:从讲者背景看,其研究属于AI for Science中“机器学习+物理仿真”路线,与聚变领域传统数值模拟(如磁流体力学、动理学模拟)及基于物理模型的控制器设计形成对照。摘要中“强化学习”“神经网络反演”是近年AI4Science的常见工具,报告将其整合进聚变场景,属于该方向在能源领域的应用推进。未提及具体基线或同期工作。

贡献与边界:主要贡献是系统展示AI在聚变仿真、控制、诊断三方面的协同潜力,为智能化运维提供技术路径。边界在于:官网摘要未给出量化结果,无法评估实际性能;AI方法依赖高质量训练数据,而聚变装置运行数据稀缺;实时控制对延迟和安全性要求极高,强化学习策略的可靠性需进一步验证;模型外推到新运行工况的能力存疑。以上为基于摘要与讲者方向的推断。

讲者简介

吴泰霖,西湖大学工学院人工智能系特聘研究员、助理教授,原力引擎创始人。北京大学物理学院本科,麻省理工学院物理系博士,斯坦福大学计算机系博士后。主要研究领域为开发机器学习方法用于大规模科学仿真、控制、设计和发现,并在聚变、流体、物理等领域科学和工程领域应用。主持国家基金委重大研究计划培育项目等。在人工智能顶级会议和物理学顶级期刊等发表文章40余篇,其中7篇被评为热点论文。

3. 跨发育阶段精神共病的层级神经认知模型

讲者:谢超(清华大学 · 心理与认知科学系) · 11:00-11:30

对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)

摘要(会议官网)

精神疾病共病是精准精神病学研究与临床诊疗中的关键难题,其复杂的神经病理机制仍有待深入阐明。本报告将介绍围绕精神疾病共病机制开展的系列研究,我们构建了精神共病层级神经认知模型(NeuroHiP),首次识别出一种由前额叶执行控制环路高连接特征驱动、贯穿外化与内化核心症状的通用性神经精神病理因子,揭示了不同精神疾病共病背后的共性神经机制(Nature Medicine, 2023)。在此层级模型基础上,研究进一步实现了病理机制的精细化分解,分离出两类特异性神经病理因子:其一为与冲动特质相关的外化因子,主要表现为感觉运动环路连接异常增强;其二为与神经质特质相关的内化因子,核心特征为前额叶-眶额叶目标导向环路连接异常减弱(Nature Mental Health, 2026)。上述发现在覆盖青春前期至成人期的六个独立研究队列中得到系统验证,显示出良好的稳健性与可重复性。该系列研究构建了精神疾病共病的层级化神经认知机制框架,有助于厘清共病中的共性与特异性病理差异,并为精神疾病的分层早期干预、精准诊疗体系建设以及精准精神病学的发展提供新的科学视角与理论依据。

(未检索到公开论文,以下为推断)

问题:精神疾病共病指同一患者同时存在多种精神障碍,其神经病理机制长期不清,阻碍精准诊断与干预。报告指出,共病现象在临床中普遍,但既往研究多聚焦单一疾病,难以解释跨诊断的共性症状(如外化与内化症状并存)。因此,需要回答:不同精神疾病共病背后是否存在共享的神经机制?又如何区分共病中的共性与特异性病理?这一问题的紧迫性来自精准精神病学对分层诊疗的需求——只有厘清机制层级,才能设计针对性的早期干预。

核心方法:报告提出“精神共病层级神经认知模型”(NeuroHiP),采用大规模脑影像与连接组预测建模,构建从通用因子到特异性因子的两级结构。首先,通过前额叶执行控制环路的连接特征,识别出一个贯穿外化与内化核心症状的通用神经精神病理因子,表现为该环路连接异常增强。在此基础上,进一步分解出两类特异性因子:外化因子与冲动特质相关,特征为感觉运动环路连接异常增强;内化因子与神经质特质相关,特征为前额叶-眶额叶目标导向环路连接异常减弱。该模型在覆盖青春前期至成人期的六个独立研究队列中得到验证,报告称结果具有稳健性与可重复性。

与已有工作的关系:摘要未明确列出基线方法或同期工作,但“首次识别”通用因子的表述暗示其相对以往单病种、单症状研究的关键推进——即从“疾病特异”视角转向“跨诊断维度”视角。方法上,连接组预测建模与行为遗传、计算建模的结合,属于当前脑影像-表型关联研究的主流路线;其层级化设计则与“研究领域标准”(RDoC)强调的跨诊断维度思路一致,但报告未给出具体比较对象。

贡献与边界:主要贡献是提出一个可区分共性与特异性病理的层级框架,为精神疾病分层早期干预和精准诊疗提供理论依据。但边界明显:官网摘要未给出样本量、效应量、统计控制等关键细节,无法评估模型的实际预测性能;六个队列虽覆盖发育阶段,但未说明种族、文化或临床亚组差异;模型基于群体水平的连接组关联,能否推广到个体化临床决策仍未知。此外,未检索到公开论文,以上推断仅基于摘要,具体方法学细节需以正式发表版本为准。

讲者简介

谢超,清华大学心理与认知科学系助理教授。研究方向为脑发育与精神共病的神经认知机制,结合大规模脑影像、连接组预测建模、行为遗传与计算建模等手段。以第一作者身份在Nature Medicine、Nature Mental Health,Science Advances等期刊上发表论文,并获得博新计划和教育部珠峰计划等支持,主持国自然面上和青年项目等项目。

4. 基因组大模型Carbon

讲者:李秋熠(北京中关村学院 · AI for Science) · 11:30-12:00

对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)

摘要(会议官网)

Carbon是由北京中关村学院与HuggingFace联合开发的生成式基因组大模型,旨在降低基因组AI的应用门槛,使其不再高度依赖GPU集群资源。模型参数量为30亿,在多个基准任务上的表现优于70亿参数的Evo2模型,同时计算效率提升约275倍。Carbon在应用层面主要聚焦两个方向:其一,DNA序列设计,涵盖调控元件优化和mRNA疫苗设计等合成生物学与精准医学场景;其二,基因组注释,不依赖传统序列比对方法,而是基于序列内在特征直接解读DNA的功能信息,为比较基因组学、蛋白质发现和通路分析等下游任务提供基础支持。基于Carbon的注释能力,研究团队完成了对16万亿碱基序列的系统性注释,构建了目前已知规模最大的AI基因注释数据库Carbon Database,其数据量和物种多样性较现有公开资源扩大约8倍。该数据库对AI4S领域可作为训练DNA与蛋白语言模型的多源语料库;对生命科学领域则提供了识别新物种、新基因和新功能的潜在数据基础。Carbon模型与Carbon Database共同构成面向生命科学研究的基础设施框架。未来,北京中关村学院与HuggingFace计划进一步探索融合基因组理解与自然语言交互的模型体系,以支持更广泛的生命科学人机协作研究场景。

(未检索到公开论文,以下为推断)

问题:基因组大模型(如Evo2)虽能处理DNA序列,但动辄数十亿参数、依赖GPU集群,限制了在普通实验室的应用。Carbon的目标是降低这一门槛,使基因组AI不再高度依赖GPU资源,同时保持甚至提升任务性能。官网摘要强调其“降低应用门槛”的动机,并指出当前基因组数据规模庞大,需要更高效的模型来支撑合成生物学与精准医学等场景。

核心方法:Carbon是生成式基因组大模型,参数量30亿,在多个基准任务上优于70亿参数的Evo2,计算效率提升约275倍。方法上聚焦两类任务:一是DNA序列设计,包括调控元件优化和mRNA疫苗设计;二是基因组注释,不依赖传统序列比对,而是基于序列内在特征直接解读功能。基于该注释能力,团队对16万亿碱基序列做了系统性注释,构建Carbon Database,数据量和物种多样性较现有公开资源扩大约8倍。

与已有工作的关系:报告明确以Evo2为基线,Carbon以更小参数量取得更优基准表现,属于“高效基因组基础模型”路线。讲者此前主导Gener Project,研发GENERator与GENERanno,Carbon是这一系列与HuggingFace联合推出的新一代模型,延续了从序列生成到注释的一体化思路。相比依赖比对的传统注释工具,Carbon直接学习序列特征,属于端到端表示学习路线。

贡献与边界:主要贡献是模型与数据库共同构成生命科学基础设施:模型降低算力门槛,数据库提供大规模多源语料,可用于训练DNA/蛋白语言模型,以及发现新物种、新基因。边界方面,官网摘要未给出具体基准任务、训练数据、模型架构细节;未检索到公开论文,无法核实实现与评测细节。此外,当前模型聚焦DNA序列,自然语言交互尚未实现,仅作为未来计划。

讲者简介

李秋熠,北京中关村学院AI for Science研究员,墨尔本大学应用数学博士,曾任阿里达摩院博士后、阿里云AI算法高级工程师。其研究主要聚焦大语言模型技术在生命科学,特别是基因组学中的应用。作为DNA大模型项目Gener Project的发起人与带头人,他主导研发了Gener系列基因组基础模型GENERator与GENERanno。在此基础上,他进一步联合国际知名开源社区Hugging Face推动新一代基因组基础模型Carbon的研发,在模型性能与计算效率方面均展现出国际竞争力,并拓展其在序列设计、功能分析、基因注释等场景中的应用,致力于打造生命科学领域的“DeepSeek”。


Maintained by 陈星宇 · Homepage · Source

评论