Đội ngũ Hàng Châu được Nvidia 'gọi tên': Mảnh ghép cuối cùng cho AI trong khoa học

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

16-09-2026 11:40:35 Nguồn: QbitAI

Từ ý tưởng đến kết quả, thực hiện chỉ trong một cuộc hội thoại

Jessica đưa tin từ Aofeis

QbitAI | Kênh chính thức QbitAI

Cuộc cạnh tranh trong lĩnh vực AI for Science đang mở rộng sang hướng khép kín quy trình nghiên cứu khoa học.

Lấy ví dụ về thiết kế protein, mặc dù các mô hình protein ngày càng mạnh mẽ, nhưng để thực sự thiết kế được một phân tử, các nhà nghiên cứu vẫn cần phải tìm tài liệu, tra cứu cấu trúc, sau đó tải trọng số, cấu hình môi trường và gửi các tác vụ tính toán lên máy chủ.

Sau khi mô hình đưa ra kết quả, họ lại phải đổi sang công cụ khác để xem cấu trúc, thực hiện sàng lọc và đánh giá xem ứng viên nào xứng đáng để tiếp tục... Khi một lượt tính toán kết thúc, bước tiếp theo bắt đầu từ đâu thường vẫn phụ thuộc vào việc các nhà nghiên cứu tự kết nối các khâu lại với nhau.

Hiện nay, những công việc ẩn sau các mô hình này đang bắt đầu được các công ty AI xem xét lại.

Tháng 4 năm nay, OpenAI ra mắt GPT-Rosalind dành cho khoa học sự sống; tháng 6, Anthropic công bố Claude Science; tháng 8, Anthropic tiếp tục công bố nghiên cứu về việc sử dụng Agent tham gia vào thiết kế protein và kết nối với các thử nghiệm xác thực bên ngoài.

Những tiến bộ này chỉ ra một thay đổi chung: AI không còn chỉ chịu trách nhiệm cho khâu tính toán của bản thân mô hình mà bắt đầu tham gia vào các công việc nghiên cứu trước và sau mô hình, có khả năng phân tích kết quả, điều chỉnh phương án và tiếp tục thúc đẩy nhiệm vụ.

Tại Trung Quốc, cũng đã có những đội ngũ đi đến ngã rẽ tương tự.

Lévin, một công ty thiết kế protein bằng AI tại Hàng Châu, gần đây đã phát hành Lévin™ Harness, mở cửa cho cộng đồng nghiên cứu khoa học sử dụng.

△ Nguồn ảnh: Giao diện sản phẩm Lévin™ Harness của Lévin.

Nó tích hợp dữ liệu, mô hình, công cụ plugin, sức mạnh tính toán và quy trình làm việc vào cùng một không gian làm việc Agent. Các nhà nghiên cứu xác định mục tiêu, phương pháp và các quyết định then chốt, trong khi Agent sẽ dựa vào đó để thúc đẩy tính toán, phân tích kết quả và điều chỉnh phương án cho vòng tiếp theo dựa trên phản hồi.

Trong Lévin™ Harness, người dùng có thể chọn các mô hình khoa học và công cụ phân tích chuyên nghiệp để hoàn thành các tác vụ tính toán như dự đoán cấu trúc protein, thiết kế trình tự, nhưng bản thân Lévin™ Harness không bị ràng buộc với bất kỳ mô hình cụ thể nào, lớp mô hình tổng quát vẫn được giữ mở.

Các mô hình và năng lực khoa học mới cũng có thể được bổ sung thông qua các plugin; bất kỳ ai cũng có thể tạo plugin riêng cho mô hình của mình hoặc các mô hình muốn tích hợp năng lực Agent.

Không chỉ vậy, sau khi một bộ phương pháp nghiên cứu được chạy thành công, nó có thể được lưu lại thành Workflow để tái sử dụng và tiếp tục chỉnh sửa.

Nhiệm vụ cốt lõi của Lévin™ Harness chính là tổ chức các mô hình, công cụ, sức mạnh tính toán và quy trình nghiên cứu vào cùng một chuỗi công việc.

Điều này giải quyết chính xác vấn đề mà AI for Science đang phải đối mặt, vốn phức tạp hơn nhiều so với việc suy luận đơn lẻ:

Làm thế nào để những trí tuệ này thực sự đi vào hiện trường nghiên cứu khoa học và làm việc một cách bền vững.

Mô hình AI giải quyết các vấn đề khoa học, Agent bắt đầu tổ chức quy trình nghiên cứu khép kín.

Lévin™ Harness do Lévin phát hành là một ứng dụng thiết kế protein lấy Agent làm cốt lõi, cũng có thể hiểu gần đúng là một trạm làm việc Agent chuyên phục vụ nghiên cứu khoa học sự sống.

Trong cùng một trạm làm việc, nhà nghiên cứu có thể đưa ra mục tiêu, xem cấu trúc phân tử, tổ chức tính toán và cũng có thể sửa đổi phương án sau khi có kết quả. Các thao tác này luôn xoay quanh cùng một dự án, thông tin thu được từ bước trước có thể tiếp tục được sử dụng cho bước sau.

Agent ở đây dựa vào các mô hình lớn tổng quát (các mô hình mở như DeepSeek, Kimi, GLM, Qwen, MiMo của Xiaomi, v.v.) để hiểu nhu cầu của nhà nghiên cứu, lập kế hoạch các bước, sau đó gọi các công cụ tương ứng để thực hiện nhiệm vụ; người dùng chỉ cần mô tả nhu cầu bằng ngôn ngữ tự nhiên; các mô hình khoa học và công cụ phân tích được huấn luyện chuyên biệt sẽ đảm nhận các tác vụ tính toán như dự đoán cấu trúc protein, thiết kế trình tự.

△ Nguồn ảnh: Lévin.

Harness chịu trách nhiệm kết nối những năng lực này với dữ liệu và sức mạnh tính toán cần thiết, đồng thời lưu giữ lại quá trình nghiên cứu.

Các nhà nghiên cứu chỉ cần chịu trách nhiệm về mục tiêu khoa học, phương pháp và các quyết định then chốt, đồng thời có thể xem xét kết quả, bổ sung điều kiện hoặc điều chỉnh hướng đi bất cứ lúc nào.

Sự phân công này về bản chất là để rút ngắn tối đa con đường từ ý tưởng đến kết quả, cho phép quá trình thiết kế phức tạp được hoàn thành tập trung trong cùng một môi trường làm việc đối thoại. Ngay cả những nhà nghiên cứu không biết lập trình cũng có thể nhanh chóng hoàn thành việc thiết kế protein.

Vậy cụ thể làm thế nào để hiện thực hóa quy trình "end-to-end" này? Có thể lấy nhiệm vụ thiết kế protein binder làm ví dụ:

Binder là các phân tử protein có khả năng liên kết với protein mục tiêu. Thiết kế binder truyền thống đòi hỏi nhà nghiên cứu phải làm rõ nó cần liên kết với mục tiêu nào, vị trí nào và hy vọng đạt được mục đích gì thông qua sự liên kết đó.

Sau khi làm rõ những vấn đề này, đội ngũ mới có thể đưa ra các ràng buộc cho mô hình thiết kế, tạo ra các ứng viên, sau đó sàng lọc ra những phân tử xứng đáng để đưa vào thử nghiệm.

△ Ảnh do AI tạo.

Mỗi bước trong con đường này đều ảnh hưởng đến các lựa chọn phía sau. Do đó, ngay từ đầu, nhiệm vụ cần phải xem xét tài liệu, cấu trúc và các điều kiện thiết kế cùng với nhau.

Còn trong Harness, nhà nghiên cứu có thể đưa ra mục tiêu thiết kế binder cho một mục tiêu cụ thể, Agent sẽ tham gia khảo sát mục tiêu, sắp xếp thông tin liên quan, hỗ trợ phân tích các vị trí liên kết có thể chọn, sau đó nhà nghiên cứu xác định phương pháp và ràng buộc dựa trên mục đích nghiên cứu, giúp các tính toán tiếp theo có hướng đi rõ ràng.

Tuy nhiên, ở đây có thể tồn tại một vấn đề, đó là Agent cần phải "hiểu được" phân tử mà nhà nghiên cứu đang nghiên cứu.

Protein được tạo thành từ các axit amin liên kết với nhau, các đơn vị axit amin trong chuỗi thường được gọi là các gốc (residues). Chuỗi này sẽ cuộn lại thành cấu trúc ba chiều, các gốc ở xa nhau trong trình tự có thể lại gần nhau trong không gian.