清華AIR開源輕量版BioMedGPT！聶再清：最終目標(biāo)是生物醫(yī)藥領(lǐng)域基礎(chǔ)大模型

衡宇 2023-04-20 17:19:14 來源：量子位

衡宇 蕭簫 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

生物醫(yī)藥研發(fā)領(lǐng)域，一個(gè)名為BioMedGPT-1.6B的輕量級科研版基礎(chǔ)模型剛剛開源。

參數(shù)16億，最大特點(diǎn)是跨模態(tài)與知識(shí)融合。

訓(xùn)練數(shù)據(jù)中，包含分子、文獻(xiàn)、專利、知識(shí)庫等多尺度跨模態(tài)的生物醫(yī)藥大數(shù)據(jù)，并融合分子結(jié)構(gòu)、知識(shí)圖譜和文獻(xiàn)文本中的知識(shí)，用于增強(qiáng)模型的泛化能力和可解釋性。

應(yīng)用任務(wù)上，BioMedGPT-1.6B則展現(xiàn)出了通用能“打”的效果，可以處理藥物性質(zhì)預(yù)測、自然語言類、跨模態(tài)等多種任務(wù)。

打造這個(gè)BioMedGPT-1.6B生物醫(yī)藥基礎(chǔ)模型的團(tuán)隊(duì)，來自清華智能產(chǎn)業(yè)研究院（AIR）。

項(xiàng)目負(fù)責(zé)人聶再清，清華大學(xué)國強(qiáng)教授、AIR首席研究員，主要研究領(lǐng)域是大數(shù)據(jù)與AI的前沿創(chuàng)新，以及在健康醫(yī)療領(lǐng)域的產(chǎn)業(yè)應(yīng)用，更早之前則以阿里達(dá)摩院大牛、天貓精靈首席科學(xué)家為人熟知。

△聶再清

此次開源的BioMedGPT-1.6B，其實(shí)是他和團(tuán)隊(duì)正在做的BioMedGPT的單機(jī)輕量版，后者是一個(gè)適用于生物醫(yī)藥領(lǐng)域研發(fā)的通用大模型。

1.6B版本先行開源，目的是小試牛刀，同時(shí)讓行業(yè)相關(guān)科研人員有東西可用。

所以，這個(gè)BioMedGPT究竟是做什么的，團(tuán)隊(duì)目前進(jìn)展如何？在業(yè)界已有不少生物醫(yī)藥專業(yè)大模型的情況下，做通用大模型的考量是什么，又要如何去做？

聶再清教授向我們解答了背后的思考。

生物醫(yī)藥版GPT，也應(yīng)具備“涌現(xiàn)”潛力

先來看看BioMedGPT究竟是個(gè)什么項(xiàng)目，進(jìn)展到了哪一階段。

聶再清教授認(rèn)為，就像ChatGPT成為了NLP領(lǐng)域的基礎(chǔ)大模型一樣，BioMedGPT也會(huì)成為生物醫(yī)藥領(lǐng)域的基礎(chǔ)大模型。

但在這里，“像ChatGPT”并不僅僅意味著BioMedGPT=生物醫(yī)學(xué)大模型+對話能力，而是和ChatGPT一樣，會(huì)出現(xiàn)智力涌現(xiàn)的情況。

只不過，這里的“智力”，指的是生物醫(yī)學(xué)領(lǐng)域方面知識(shí)的理解、規(guī)律的發(fā)現(xiàn)與靈感的啟迪。

這個(gè)基礎(chǔ)模型的底座能夠給藥物發(fā)現(xiàn)、分子/蛋白質(zhì)設(shè)計(jì)等應(yīng)用提供底層能力，同時(shí)能夠成為生物醫(yī)藥研究者的助手（Copilot）輔助研究者更高效的開展研究探索。

所以，能實(shí)現(xiàn)這種效果的BioMedGPT，架構(gòu)上究竟長啥樣？

整體來看，它是一個(gè)具備多個(gè)輸入Encoder的模型，這些Encoder會(huì)先分別處理不同模態(tài)的輸入，如分子、蛋白質(zhì)和文獻(xiàn)等。

然后，將這些不同模態(tài)的輸入，進(jìn)行統(tǒng)一表示處理，這樣就能學(xué)習(xí)到不同模態(tài)之間的關(guān)聯(lián)知識(shí)。

這給了模型“融會(huì)貫通”的能力，既可以讀文獻(xiàn)、查專利，又可以讀分子序列、蛋白結(jié)構(gòu)、實(shí)驗(yàn)數(shù)據(jù)。

不僅如此，BioMedGPT也是首個(gè)將多模態(tài)知識(shí)引入模型構(gòu)建的項(xiàng)目，通過知識(shí)圖譜的方式將生物醫(yī)藥領(lǐng)域的知識(shí)注入到模型中，以增強(qiáng)模型的泛化能力和可解釋性，同時(shí)能夠應(yīng)對科研領(lǐng)域知識(shí)的快速更迭，讓模型持續(xù)學(xué)習(xí)，變得更“聰明”。

基于這種融會(huì)貫通與知識(shí)增強(qiáng)的能力，BioMedGPT在下游的多項(xiàng)任務(wù)中表現(xiàn)出了整體的效果提升。

目前團(tuán)隊(duì)已經(jīng)完成了實(shí)驗(yàn)驗(yàn)證階段，用一個(gè)比較小的端到端模型證明了這種思路的可行性。

那么最終能在生物醫(yī)藥方面表現(xiàn)出“智力涌現(xiàn)”的模型，預(yù)計(jì)在什么規(guī)模？

聶再清教授認(rèn)為，模型參數(shù)量級預(yù)計(jì)在幾百億左右，而訓(xùn)練這一模型達(dá)成“涌現(xiàn)”效果的數(shù)據(jù)量，幾十億到百億級應(yīng)該也就夠了。

事實(shí)上，在ChatGPT出現(xiàn)之前，也就是一年多以前，聶再清和團(tuán)隊(duì)就已經(jīng)在籌備這一項(xiàng)目，目前清華AIR生命科學(xué)相關(guān)團(tuán)隊(duì)規(guī)模已經(jīng)達(dá)到50人左右。

對于BioMedGPT的未來，聶再清教授很有信心：

預(yù)計(jì)兩年內(nèi)，這個(gè)模型應(yīng)該會(huì)在小范圍內(nèi)具備一定影響力，至于像ChatGPT那樣成為行業(yè)通用大模型，做到那樣的影響力可能至少還需要3~5年。

但即便如此，BioMedGPT模型究竟能否成功，目前仍舊是一個(gè)未知數(shù)。

同時(shí)對于大模型訓(xùn)練必不可少的算力和數(shù)據(jù)等方面，也仍然是業(yè)界關(guān)注的話題。

對于這些觀點(diǎn)和想法，聶再清教授又是如何看待的？

“一個(gè)理性而大膽的嘗試”

大模型的發(fā)展和AI技術(shù)的更迭組成了ChatGPT為首的一波AI新浪潮。

但早在聶再清教授動(dòng)念要將生物醫(yī)藥學(xué)科知識(shí)“塞”進(jìn)大模型里時(shí)，ChatGPT還沒打破沉寂。

所以為什么要做？為什么敢做？

時(shí)間回到ChatGPT刮大風(fēng)之前。當(dāng)時(shí)，GPT-2已經(jīng)可以編故事，下象棋；等到1750億參數(shù)GPT-3出現(xiàn)，已經(jīng)博得眾人矚目：不僅延續(xù)了前代編故事的能力，還能寫代碼、答問題……

利用大規(guī)模文本數(shù)據(jù)學(xué)習(xí)語言知識(shí)和規(guī)律，加上狂疊參數(shù)的暴力美學(xué)，GPT-3已經(jīng)在通用領(lǐng)域任務(wù)中出現(xiàn)涌現(xiàn)能力，到GPT-3.5，基本的邏輯推理能力突然出現(xiàn)。

在生物和化學(xué)領(lǐng)域，生命的本質(zhì)可以看做一種精密的編碼語言，尤其是生命科學(xué)領(lǐng)域中微觀世界的分子序列數(shù)據(jù)。

聶再清教授認(rèn)為，自然語言同樣也是一種非常精密的序列，缺一點(diǎn)或少一絲都會(huì)讓意思變得不一樣，因此二者具有類似的特征。

基于此，大模型的底層思想或許有用于生命科學(xué)微觀數(shù)據(jù)處理的可能。如果能實(shí)現(xiàn)，就能利用生物醫(yī)藥領(lǐng)域的專業(yè)知識(shí)，幫助完成科研任務(wù)。

工作正式開始之前，團(tuán)隊(duì)將微觀（基因、分子、蛋白質(zhì)、細(xì)胞）與文獻(xiàn)知識(shí)壓縮到一個(gè)端到端的模型里，用實(shí)驗(yàn)驗(yàn)證了這條思路的可能性——確實(shí)在部分藥物研發(fā)關(guān)鍵下游任務(wù)中取得SOTA效果。

于是，做一個(gè)適用于生物醫(yī)藥領(lǐng)域研發(fā)的基礎(chǔ)大模型這事，正式開始了。

此前，無論是單獨(dú)針對分子、蛋白質(zhì)還是生物醫(yī)藥領(lǐng)域文獻(xiàn)，都有團(tuán)隊(duì)單獨(dú)打造過大模型，但還沒有人做一個(gè)行業(yè)通用的多模態(tài)版本。而現(xiàn)在的開源版本BioMedGPT-1.6B，并非一個(gè)接近AGI甚至與ChatGPT能力媲美的版本。

“畢竟大家的期待比較高，我們還是要把期待降下來，”聶再清教授解釋選擇現(xiàn)在向外界告知進(jìn)度的原因，大方表示目前還達(dá)不到理想狀態(tài)的能力，“實(shí)際上，我們最主要還是想把現(xiàn)有工作服務(wù)到正在進(jìn)行相關(guān)研究的科研人員?！?/p>

但這樣的嘗試，被聶再清教授稱為一種理性而大膽的選擇。

理性，是因?yàn)橥ㄟ^實(shí)驗(yàn)，確實(shí)發(fā)現(xiàn)人類知識(shí)經(jīng)過encoder后，能夠產(chǎn)生幫助；大膽，是因?yàn)橐环矫孢€未完全證明這個(gè)工作的商業(yè)實(shí)用價(jià)值，工作還在初步階段，模型的規(guī)模和模態(tài)的種類都有待擴(kuò)大。

但在這個(gè)樂觀的估計(jì)下，工作還是推進(jìn)了；不僅推進(jìn)，還快速拿出了輕量級版本。

樂觀倒不是因?yàn)闆]由來的盲目，聶再清教授表示，數(shù)據(jù)、算力和成本上，BioMedGPT暫時(shí)都不存在什么擔(dān)憂：

數(shù)據(jù)質(zhì)量上，生物醫(yī)學(xué)領(lǐng)域的論文和專利質(zhì)量“還是很高的”，不必過于擔(dān)心訓(xùn)練語料質(zhì)量不高的情況，并且目前已公開的PubMedQA等數(shù)據(jù)集，數(shù)據(jù)量“已經(jīng)足夠”。

同時(shí)，團(tuán)隊(duì)集合了具有生物醫(yī)學(xué)專業(yè)背景的同學(xué)，對數(shù)據(jù)集的構(gòu)建做了精細(xì)專業(yè)的設(shè)計(jì)和專業(yè)的標(biāo)注。

當(dāng)然，還有一些任務(wù)所需的私有數(shù)據(jù)，BioMedGPT希望通過未來的雙通道干濕閉環(huán)得到補(bǔ)充。

算力層面，聶再清教授是這樣表示的：

目前國內(nèi)敢跳出來宣布入局大模型的團(tuán)隊(duì)，背后肯定已經(jīng)有足夠的算力支撐規(guī)劃。

數(shù)據(jù)豐富但公開，算力稀缺但不是無法解決，日后入局者紛至沓來，是不是會(huì)在壁壘很薄的情況下形成不必要的行業(yè)競爭？

聶再清教授表示了對這個(gè)問題的否定，他認(rèn)為做的人越多，意味著關(guān)注度越高，最終的結(jié)果就是利好行業(yè)內(nèi)所有的AI制藥公司。

最后，我們也朝聶再清教授拋出了那個(gè)靈魂問題——

生物醫(yī)藥研發(fā)階段，一切都容不得半點(diǎn)差錯(cuò)，怎么約束大模型的幻覺？

聶再清教授說了段繞口令般的話：

我們當(dāng)然希望，大模型知道“自己知道什么事”，也知道“它知道自己不知道什么事”。但，目前確實(shí)也會(huì)出現(xiàn)大模型“不知道自己不知道”的情況。

而大模型“不知道自己不知道”，就是我們常見的大模型幻覺——它以為自己知道，其實(shí)它不知道。

針對生物醫(yī)藥領(lǐng)域解決的思路，是通過兩個(gè)閉環(huán)來實(shí)現(xiàn)對模型的“糾偏”。

干濕實(shí)驗(yàn)驗(yàn)證通過濕實(shí)驗(yàn)，將模型真實(shí)性趨近物理真實(shí)世界；專家在環(huán)可控的設(shè)計(jì)，則通過專家instruct，讓模型與人類專家認(rèn)知趨近。

換言之，通過“做實(shí)驗(yàn)”和“跟專家學(xué)”兩個(gè)環(huán)路，讓AI模型幻覺降低。

聶再清與團(tuán)隊(duì)的下一站，就是通過兩個(gè)閉環(huán)，盡可能擴(kuò)大“大模型知道自己能做啥”的范圍，以進(jìn)一步降低大模型“不知道自己不知道”的比例。

對于此次開源，中國工程院院士、清華大學(xué)講席教授、AIR院長張亞勤院士表示：

將大模型范式應(yīng)用于生命科學(xué)是理性又大膽的探索。

AIR的研究團(tuán)隊(duì)以構(gòu)建生物醫(yī)藥領(lǐng)域大模型為目標(biāo)，相繼研發(fā)了多個(gè)生物醫(yī)藥專業(yè)領(lǐng)域的AI模型，在蛋白質(zhì)結(jié)構(gòu)預(yù)測、抗體設(shè)計(jì)等領(lǐng)域取得了不錯(cuò)的成果。

此次開源的輕量級科研版基礎(chǔ)模型BioMedGPT-1.6B是在生命科學(xué)領(lǐng)域的重要進(jìn)展。

未來，研究團(tuán)隊(duì)將繼續(xù)用BioMedGPT進(jìn)一步整合領(lǐng)域內(nèi)多源異構(gòu)的數(shù)據(jù)，將知識(shí)融入模型構(gòu)建之中，實(shí)現(xiàn)生物世界文本和知識(shí)的統(tǒng)一表示學(xué)習(xí)，帶來生物醫(yī)藥領(lǐng)域的“智能涌現(xiàn)”。

開源地址：https://github.com/BioFM/OpenBioMed