清华 AIR 开源轻量版 BioMedGPT！聂再清：最终目标是生物医药领域基础大模型

生物医药研发领域，一个名为BioMedGPT-1.6B的轻量级科研版基础模型刚刚开源。

【资料图】

参数 16 亿，最大特点是跨模态与知识融合。

训练数据中，包含分子、文献、专利、知识库等多尺度跨模态的生物医药大数据，并融合分子结构、知识图谱和文献文本中的知识，用于增强模型的泛化能力和可解释性。

应用任务上，BioMedGPT-1.6B 则展现出了通用能 " 打 " 的效果，可以处理药物性质预测、自然语言类、跨模态等多种任务。

打造这个 BioMedGPT-1.6B 生物医药基础模型的团队，来自清华智能产业研究院（AIR）。

项目负责人聂再清，清华大学国强教授、AIR 首席研究员，主要研究领域是大数据与 AI 的前沿创新，以及在健康医疗领域的产业应用，更早之前则以阿里达摩院大牛、天猫精灵首席科学家为人熟知。

△聂再清

此次开源的 BioMedGPT-1.6B，其实是他和团队正在做的BioMedGPT的单机轻量版，后者是一个适用于生物医药领域研发的通用大模型。

1.6B 版本先行开源，目的是小试牛刀，同时让行业相关科研人员有东西可用。

所以，这个 BioMedGPT 究竟是做什么的，团队目前进展如何？在业界已有不少生物医药专业大模型的情况下，做通用大模型的考量是什么，又要如何去做？

聂再清教授向我们解答了背后的思考。

生物医药版 GPT，也应具备 " 涌现 " 潜力

先来看看 BioMedGPT 究竟是个什么项目，进展到了哪一阶段。

聂再清教授认为，就像 ChatGPT 成为了 NLP 领域的基础大模型一样，BioMedGPT 也会成为生物医药领域的基础大模型。

但在这里，" 像 ChatGPT" 并不仅仅意味着 BioMedGPT= 生物医学大模型 + 对话能力，而是和 ChatGPT 一样，会出现智力涌现的情况。

只不过，这里的 " 智力 "，指的是生物医学领域方面知识的理解、规律的发现与灵感的启迪。

这个基础模型的底座能够给药物发现、分子 / 蛋白质设计等应用提供底层能力，同时能够成为生物医药研究者的助手（Copilot）辅助研究者更高效的开展研究探索。

所以，能实现这种效果的 BioMedGPT，架构上究竟长啥样？

整体来看，它是一个具备多个输入 Encoder 的模型，这些 Encoder 会先分别处理不同模态的输入，如分子、蛋白质和文献等。

然后，将这些不同模态的输入，进行统一表示处理，这样就能学习到不同模态之间的关联知识。

这给了模型 " 融会贯通 " 的能力，既可以读文献、查专利，又可以读分子序列、蛋白结构、实验数据。

不仅如此，BioMedGPT 也是首个将多模态知识引入模型构建的项目，通过知识图谱的方式将生物医药领域的知识注入到模型中，以增强模型的泛化能力和可解释性，同时能够应对科研领域知识的快速更迭，让模型持续学习，变得更 " 聪明 "。

基于这种融会贯通与知识增强的能力，BioMedGPT 在下游的多项任务中表现出了整体的效果提升。

目前团队已经完成了实验验证阶段，用一个比较小的端到端模型证明了这种思路的可行性。

那么最终能在生物医药方面表现出 " 智力涌现 " 的模型，预计在什么规模？

聂再清教授认为，模型参数量级预计在几百亿左右，而训练这一模型达成 " 涌现 " 效果的数据量，几十亿到百亿级应该也就够了。

事实上，在 ChatGPT 出现之前，也就是一年多以前，聂再清和团队就已经在筹备这一项目，目前清华 AIR 生命科学相关团队规模已经达到 50 人左右。

对于 BioMedGPT 的未来，聂再清教授很有信心：

预计两年内，这个模型应该会在小范围内具备一定影响力，至于像 ChatGPT 那样成为行业通用大模型，做到那样的影响力可能至少还需要 3~5 年。

但即便如此，BioMedGPT 模型究竟能否成功，目前仍旧是一个未知数。

同时对于大模型训练必不可少的算力和数据等方面，也仍然是业界关注的话题。

对于这些观点和想法，聂再清教授又是如何看待的？

" 一个理性而大胆的尝试 "

大模型的发展和 AI 技术的更迭组成了 ChatGPT 为首的一波 AI 新浪潮。

但早在聂再清教授动念要将生物医药学科知识 " 塞 " 进大模型里时，ChatGPT 还没打破沉寂。

所以为什么要做？为什么敢做？

时间回到 ChatGPT 刮大风之前。当时，GPT-2 已经可以编故事，下象棋；等到 1750 亿参数 GPT-3 出现，已经博得众人瞩目：不仅延续了前代编故事的能力，还能写代码、答问题……

利用大规模文本数据学习语言知识和规律，加上狂叠参数的暴力美学，GPT-3 已经在通用领域任务中出现涌现能力，到 GPT-3.5，基本的逻辑推理能力突然出现。

在生物和化学领域，生命的本质可以看做一种精密的编码语言，尤其是生命科学领域中微观世界的分子序列数据。

聂再清教授认为，自然语言同样也是一种非常精密的序列，缺一点或少一丝都会让意思变得不一样，因此二者具有类似的特征。

基于此，大模型的底层思想或许有用于生命科学微观数据处理的可能。如果能实现，就能利用生物医药领域的专业知识，帮助完成科研任务。

工作正式开始之前，团队将微观（基因、分子、蛋白质、细胞）与文献知识压缩到一个端到端的模型里，用实验验证了这条思路的可能性——确实在部分药物研发关键下游任务中取得 SOTA 效果。

于是，做一个适用于生物医药领域研发的基础大模型这事，正式开始了。

此前，无论是单独针对分子、蛋白质还是生物医药领域文献，都有团队单独打造过大模型，但还没有人做一个行业通用的多模态版本。而现在的开源版本 BioMedGPT-1.6B，并非一个接近 AGI 甚至与 ChatGPT 能力媲美的版本。

" 毕竟大家的期待比较高，我们还是要把期待降下来，" 聂再清教授解释选择现在向外界告知进度的原因，大方表示目前还达不到理想状态的能力，" 实际上，我们最主要还是想把现有工作服务到正在进行相关研究的科研人员。"

但这样的尝试，被聂再清教授称为一种理性而大胆的选择。

理性，是因为通过实验，确实发现人类知识经过 encoder 后，能够产生帮助；大胆，是因为一方面还未完全证明这个工作的商业实用价值，工作还在初步阶段，模型的规模和模态的种类都有待扩大。

但在这个乐观的估计下，工作还是推进了；不仅推进，还快速拿出了轻量级版本。

乐观倒不是因为没由来的盲目，聂再清教授表示，数据、算力和成本上，BioMedGPT 暂时都不存在什么担忧：

数据质量上，生物医学领域的论文和专利质量 " 还是很高的 "，不必过于担心训练语料质量不高的情况，并且目前已公开的 PubMedQA 等数据集，数据量 " 已经足够 "。

同时，团队集合了具有生物医学专业背景的同学，对数据集的构建做了精细专业的设计和专业的标注。

当然，还有一些任务所需的私有数据，BioMedGPT 希望通过未来的双通道干湿闭环得到补充。

算力层面，聂再清教授是这样表示的：

目前国内敢跳出来宣布入局大模型的团队，背后肯定已经有足够的算力支撑规划。

数据丰富但公开，算力稀缺但不是无法解决，日后入局者纷至沓来，是不是会在壁垒很薄的情况下形成不必要的行业竞争？

聂再清教授表示了对这个问题的否定，他认为做的人越多，意味着关注度越高，最终的结果就是利好行业内所有的 AI 制药公司。

最后，我们也朝聂再清教授抛出了那个灵魂问题——

生物医药研发阶段，一切都容不得半点差错，怎么约束大模型的幻觉？

聂再清教授说了段绕口令般的话：

我们当然希望，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，目前确实也会出现大模型 " 不知道自己不知道 " 的情况。

而大模型 " 不知道自己不知道 "，就是我们常见的大模型幻觉——它以为自己知道，其实它不知道。

针对生物医药领域解决的思路，是通过两个闭环来实现对模型的 " 纠偏 "。

干湿实验验证通过湿实验，将模型真实性趋近物理真实世界；专家在环可控的设计，则通过专家 instruct，让模型与人类专家认知趋近。

换言之，通过 " 做实验 " 和 " 跟专家学 " 两个环路，让 AI 模型幻觉降低。

聂再清与团队的下一站，就是通过两个闭环，尽可能扩大 " 大模型知道自己能做啥 " 的范围，以进一步降低大模型 " 不知道自己不知道 " 的比例。

对于此次开源，中国工程院院士、清华大学讲席教授、AIR 院长张亚勤院士表示：

将大模型范式应用于生命科学是理性又大胆的探索。

AIR 的研究团队以构建生物医药领域大模型为目标，相继研发了多个生物医药专业领域的 AI 模型，在蛋白质结构预测、抗体设计等领域取得了不错的成果。

此次开源的轻量级科研版基础模型 BioMedGPT-1.6B 是在生命科学领域的重要进展。

未来，研究团队将继续用 BioMedGPT 进一步整合领域内多源异构的数据，将知识融入模型构建之中，实现生物世界文本和知识的统一表示学习，带来生物医药领域的 " 智能涌现 "。

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

— 联系作者—

关键词：