AI科学语言大模型火了，数学生物计算机样样行，编代码写综述也不在话下

Posted 2022-12-12 QbitAl

Pine 发自 凹非寺
量子位 | 公众号 QbitAI

AI搜索引擎再度进化？！

给这个AI一个主题，分分钟给你甩出一篇论文综述，而且还会自己提供论文引文。

又或者输入一个科学类的名词，AI也能迅速生成这个名词专属的维基百科。

这个AI名叫Galactica （简称：GAL），是最新开源的一个科学语言大模型，把AI转化为科学生产力。

并且还实现了学科“大一统”，数学、物理、计算机…这个AI都能用。

模型刚一放出，就迅速引发网友热议，目前相关推文已有近15万浏览，累计点赞、转发、引用也已破五千。

Facebook前技术官也出来为它来站台。

还有网友亲自体验了一把，写出来的文献综述“看起来相当不错”，甚至直呼：

下一步它是不是就能产生新想法了。

其实写文献综述和生产维基百科还只是GAL功能的一部分，除去这些，它还能回答一些专业问题、编写科学代码、注释分子和蛋白质……

具体效果如何，一起来看看吧～

可以作为科学生产的工具

提到科学生产力，就肯定离不开论文的查找，这不，GAL帮你解决了。

它涵盖了五种科学学科：机器学习、数学、计算机科学、生物以及物理。

选择好学科，然后在左边框输入想要找的论文主题，右边GAL便会推荐最合适的论文以供阅读。

除了推荐论文之外，GAL还有一个更加实用的功能：生成讲稿。

比如说要做个关于密度泛函理论（DFT）的pre，又懒得写讲稿，直接GAL一下，分分钟搞定（手动狗头）。

GAL还能够用来注释分子和蛋白质，如下就是GAL生成的RDKit（可生成用于机器学习的分子描述符）操作手册。

在一些细节问题上，GAL也狠狠拿捏了！

就比如说你看不懂一些复杂的数学公式和代码，没关系交给GAL来解决，它能直接给你翻译成大白话。

不仅如此，它还能实现数学公式和代码之间的相互转换，或者不同类型代码之间的转换。

更重要的是，他还有简化公式和查错功能。

怎么做到的？

GAL能实现这么复杂的功能，就不得不提到它的训练数据集。

据官方消息，GAL是在一个名为NatureBook的新型高质量科学数据集上进行训练的，这使模型能够使用科学术语、数学和化学公式以及源代码。

其中包括超过4800万篇论文、教科书和课堂讲稿，还有数百万计的化合物和蛋白质、科学网站以及百科全书等等。

除此之外，为了查找论文并规范化引用，GAL的数据集中包含超过3.6亿条上下文引用和超过5000万条跨不同来源规范化的独特参考。

有了这么庞大的数据集之后，那接下来便面临两个问题。

第一个问题是如何管理这些高质量的数据集，实现这点，GAL用了两步：

• 所有数据都以一种通用的标记格式进行处理，打通各种来源数据之间的壁垒。

• 预训练中包含用于特定任务的数据集，这就能保证在处理特定任务时能够更加专业。

还有一个问题是：如何设计界面交互？

首先就像上文提到的那样，GAL能够支持不同类型的任务。

因此在设计界面交互时便对各种任务进行分类，不同的分类会支持不同的类型的数据。

既然GAL拥有高度管理和高质量的科学数据集，那和其他模型相比效果如何？

直接上数据！

推理方面，GAL的优势脱颖而出，在数学MMLU（大规模多任务语言理解）上，表现要优于Chinchilla，数学方面，表现也优于PalM 540B和GPT-3 175B。

尽管，GAL并没有经过一般数据集的训练，但它在BIG-bench上的表现仍旧优于BLOOM和OPT-175B。

看完之后是不是也心痒痒了，先码住再说！

传送门：
https://galactica.org/

参考链接：
[1]https://twitter.com/paperswithcode/status/1592546933679476736
[2]https://github.com/paperswithcode/galai
[3]https://galactica.org/static/paper.pdf