IT思维

最近，大型语言模型 (LLM)，尤其是基于 Transformer 的模型在机器学习研究领域发展迅速。这些模型已成功应用于自然语言、代码生成、生物和化学研究等各个领域。

有的蛋白质在基态结构中缺乏 Pocket，因此被认为是「不可成药的蛋白质」。

催化剂优化过程通常依赖于化学家基于筛选数据的归纳和定性假设。

全局机器学习力场（MLFF）能够捕捉分子系统中的集体相互作用，由于模型复杂性随系统规模显著增长，现在可以扩展到几十个原子。

电子能带结构和晶体结构是固态材料的两个相辅相成的标志。

机器学习技术已广泛应用于化学、物理、生物学和材料科学的许多领域。

生物技术行业一直在寻找完美的突变，将不同蛋白质的特性合成组合以达到预期的效果。

机器学习正在重塑许多科学和工程领域的研究方法。

杜氏肌营养不良症（Duchenne muscular dystrophy，DMD）是一种由肌营养不良蛋白基因突变引起的肌肉萎缩性遗传疾病。

来自美国莫格里奇研究所的 Timothy Grant 发表观点文章，评论《Nature Methods》上的两项蛋白质分子动力学方面的研究，并表示新的计算方法从冷冻电镜图像中捕获分子运动，并提供对蛋白质动力学的更完整理解。

贫瘠高原是在机器学习优化算法中发生的可训练性问题，算法无法在似乎没有特征的景观中找到向下的坡度，也没有通往最小能量的明确途径。

科学家们正在努力缓解这个趋势，目前最新的方案是：用算法进行指导，在保持疗效下，减少不必要的抗生素使用。

谷歌AI负责人Jeff Dean 近日接受专访，讨论了2020 年机器学习领域趋势，他认为在规模更大的多任务学习和多模式学习方面，AI将取得新的里程碑。

我们提出了一个可以自适应的自动驾驶策略，用于处理无人车在交互行为中的决策问题。

本文最初发布于 Max Pechyonkin 个人博客 https://pechyonkin.me ，经原作者授权由 InfoQ 中文站翻译并分享。

强化学习之父Richard S. Sutton认为，过去70年来AI研究的最大教训，就是我们过于依赖人类的既有知识，轻视了智能体本身的学习能力，将本该由智能体发挥自身作用“学习和搜索”变成了人类主导“记录和灌输”。未来这种现象应该改变，也必须改变。

公众号/AI报道 人工智能正热。 技术创新是经济增长的根本动力。这些技术中，最重要的就是经济学家提到的“通用技 […]

现如今，“大数据”通常指的是包含数十万甚至数百万个数据点的数据集！

本文将用一个葡萄酒是不是好喝的例子，让你迅速了解整个机器学习的技术过程。

许多重要的神经网络架构都是在上世纪八十年代中期和九十年代早期完成的。

大数据仍然是少数人的游戏——只占 1%。

始机器学习之旅，需要什么层次的数学功底？

而在感知智能这个大方向里，AI当然不只能说，同时还能看——比如说在张学友演唱会上抓个逃犯啥的。

模仿能力是智能重要的组成部分，人和动物常常通过观察其他个体来学习新的技能。

机器学习是一种比手工编程更为高效的解决方案，通过对于数据的分析和学习来解决一系列广泛复杂的问题。