国内创业公司投入重金启动人才合作计划

近期，UniPat AI 宣布正式开启其 UniPat Fellows 计划，计划在未来一年内投入高达一亿元，旨在邀请科学领域的顶尖研究者与 UniPat 的研究员和工程师共同开展前沿研究。每位参与者将获得 50 万元的模型 API 调用额度，同时提供专业的数据支持、专家网络、具有市场竞争力的薪酬，以及充足的算力和科研环境。在2023年下半年，许多国内大型 AI 企业和创业公司也相继推出了面向科学家的人才招募计划，企图使人类专家的知识、经验和判断能更有效地融入他们的技术扩展工作。这一系列的举措折射出一个值得关注的趋势，即 AI 公司正试图将他们的能力边界从模型本身拓展至现实世界中尚未解决的复杂问题。

对于 UniPat AI 来说，开拓与现实世界的联系并非是最近才开始探索的方向。自公司成立以来，连接智能与现实世界的愿景就已确立。在过去的几年里，AI 领域的竞争主要集中在模型能力提升上：谁能训练出更优秀的模型，谁能更高效地利用算力，谁能改进推理效率和降低使用成本。这种能力的增强大多数发生在数字世界中。然而，随着模型在推理、编码和工具使用等方面的性能逐渐提升，一个新问题随之而起：接下来模型应该学习什么？又应该用什么标准来评估其能力的提升？这或许可以视为解读 UniPat Fellows 及其他人才计划的重要切入点。

科学家不仅能带来专业的知识，更能提供对实际科研问题的深刻理解，包括对研究任务定义的把握以及对成果的可靠性评估。将这些专业的判断与模型的训练、评测和迭代相结合，是 AI 持续进化的关键所在。UniPat Fellows 正在建立一种协作机制，让懂得科研问题的科学家和精通 AI 的技术专家共同合作。每位 Fellow 可以从自己的研究领域入手，精准定位目前仍需依赖专家解决的问题，这些问题未来或许能够通过 AI 来完成。 Ф

首先，他们需要建立评测基准，以便评估模型在特定任务中的表现。接着，通过专业软件、仿真系统和实验数据的反馈，创建一个互动环境，使 AI 能够提出解决方案、使用工具，并根据反馈不断改进。评测过程有助于识别模型在真实研究任务中存在的能力缺口，并验证之后的改进效果。随着模型逐步能够胜任这些任务，它也能够协助 Fellow 推进现有的研究工作。可以说道，Fellows 和 UniPat 的研究员已经开始厘清 AI 在科学领域应用中最具挑战性的环节之一，即将任务设计为可评测、可训练以及可规模化的形式。

研究方向不受固定学科的限制，无论是物理、化学、生物、医药、材料或芯片设计等领域，只要是现实世界中的重要问题，都将受到支持。这一机制能够形成一个闭环：真实的问题推动任务定义，专业的环境提供研究空间，专家的反馈检验结果，而评测则帮助识别模型的能力缺口；后续的模型改进又需在新的任务中加以验证。如果这一机制得以持续运转，真实任务及其反馈将不断为模型的学习和能力提升提供动力。

随着大型语言模型的发展，现有的数据已难以支撑其进一步进化，因而不得不促使各行业的研究者通过与大模型的协作，更快速地扩展知识的边界。最终，AI 的能力边界将由其能够解决的真实问题定义，同时也依赖于在解决这些问题的过程中不断获取新经验。UniPat Fellows 正在积极探索的正是将懂科学问题的人和懂 AI 模型的人聚集到一起，将真实的科研问题转化为模型可以探索、执行和验证的任务。

对于许多在专业领域内的科研者来说，他们常常有许多优秀的想法，因为缺乏资源而无法实现。然而，生物学领域中的问题并不会因为缺乏工具而失去重要性，耐药患者的困扰也不会等待研究者们补齐短板。如果你心中也有一个长期构想却缺乏一个有效的 AI 团队来落实的科研问题，UniPat Fellows 希望能为你提供与 AI 研究员和工程师合作的机会。不妨考虑一下：如果未来三个月只能推进一个目前 AI 无法完成但值得解决的问题，你会选择什么？为什么？如有想法，请给 UniPat Fellows 发送邮件 fellows@unipat.ai，或许这将开启一次新的研究探索之旅。