（本文閱讀時間：5分鐘）
隨著 AI 技術的迅猛發展，生成式 AI 逐漸成為推動科學發現和創新的關鍵工具。生成式 AI 利用大資料和深度學習演算法，能夠自動生成新的假設、預測實驗結果、設計新的材料或分子結構，甚至創造出全新的理論模型。這一技術的引入，大大加速了科學研究的程序，併為跨學科的科學合作提供了新的可能性。
在 AI 技術的助力下，科學研究進入了一個全新的時代。4月16日（本週三）， 我們特邀微軟研究院科學智慧中心的研究員們，為大家做 AI for Science 第二期直播分享，探討生成式 AI 如何加速科學發現，推動跨學科的創新應用。
歡迎加入我們的直播，與專家們一起交流，探索 AI 的巨大潛力！
直播時間：
2025年4月16日14:00-15:30
直播地址：
微信影片號“微軟亞洲研究院”
B 站賬號“微軟科技”直播間
分享內容1：
開發“跨學科”AI大模型，驅動科學發現與創新
NatureLM: Deciphering the Language of Nature for Scientific Discovery
內容摘要：
在跨學科研究中，科學家一直希望打破知識壁壘，實現跨學科的突破。Nature Language Model（NatureLM）為這一目標提供了契機。作為一種基於序列的自然科學語言模型，NatureLM 整合了生物、化學、材料科學等領域的海量資料，構建了一個統一的知識框架。NatureLM 在小分子、材料、蛋白質、DNA 和 RNA 等領域中透過生成式 AI 的方式實現設計與最佳化，從而推動跨學科研究和前沿科學的探索。報告將深入剖析這一創新技術的潛力與應用！
分享嘉賓：
解曙方
微軟研究院科學智慧中心
高階研究員
解曙方研究方向涉及科學智慧，機器學習，科學基礎模型等。作為核心成員參與了科學大模型 NatureLM 的研發工作。目前的研究重點為科學大模型的後訓練和合成資料等方向。
分享內容2：
聚力融合 ！UniGenX：引領科學資料序列與結構生成新未來！
UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion
內容摘要：
在材料科學、生物學和化學等領域，資料的複雜性令人著迷——既有離散的序列資訊，又有連續的結構特徵。傳統方法往往將序列生成和結構生成割裂開來，自迴歸模型專注序列，擴散模型聚焦結構，但這限制了它們的潛力！
因此，我們提出了 UniGenX ，一種全新的方法，將下一個令牌 的自迴歸模型與條件擴散模型巧妙融合，打破界限，重塑序列與結構生成的統一框架！UniGenX 既繼承了自迴歸模型靈活高效的優點，又藉助擴散模型的高精度，推動複雜科學資料生成進入新的紀元！
分享嘉賓：
胡丕丕
微軟研究院科學智慧中心
高階研究員
胡丕丕博士目前主要工作方向是科學大模型技術，聚焦自迴歸模型和擴散模型在材料發現、生物製藥等方向的潛力與應用，專注於設計新的演算法和框架，解決實際問題。已有多項成果發表在領域頂刊。
分享內容3：
蛋白質大模型加速蛋白質工程
Accelerating protein engineering via protein foundation model
內容摘要：
基礎模型正在為蛋白質設計開闢全新前沿，使我們能夠生成具有特定功能性質的新型序列。在本次報告中，何亮博士將介紹其團隊在蛋白質基礎模型預訓練方面的最新進展，並探討如何將該模型與強化學習相結合，迭代最佳化蛋白質序列以實現特定功能目標。這些方法為蛋白質設計提供了一個極具前景的框架，廣泛適用於治療學、材料科學及合成生物學等領域。
分享嘉賓：
何亮
微軟研究院科學智慧中心
高階研究員
何亮博士研究興趣涵蓋了生物序列的基礎模型、計算生物學和機器學習。他在 NeurIPS、KDD、SIGIR、ACL、VLDB、Briefing in Bioinformatics 和 Genome Biology 等頂級會議和領先期刊上發表了多篇論文。此外，他還為支援眾多微軟產品和服務的微軟開源專案 Microsoft Graph Engine 做出了貢獻。
主持人：
鄧攀
微軟研究院科學智慧中心
高階研究員
鄧攀博士研究興趣包括但不限於系統生物學、合成生物學與 AI 輔助藥物發現。目前的主要研究方向為利用深度學習理解基因調控與細胞命運調控。
分享內容：
開發“跨學科”AI大模型，驅動科學發現與創新
分享者：
解曙方
14:30-15:00
分享內容：
聚力融合 ！UniGenX：引領科學資料序列與結構生成新未來！
分享者：
胡丕丕
15:00-15:30
分享內容：
蛋白質大模型加速蛋白質工程
分享者：
何亮
歡迎鎖定直播間，與你不見不散！
你也許還想看：