提出AI新法轉化語言 港學者獲最佳論文獎

目前，市場上開發的多功能AI主要局限於語言模型，即透過預先學習海量的語言數據，訓練出能理解文字指令並生成類似人類語言的回應。如要進一步訓練出可學習圖表或關係網絡等非線性數據，並同樣作出非線性形式回應的新一代AI模型，仍然要面對不少挑戰。論文提出了一種嶄新的AI訓練方法，令AI有效學習海量且非線性數據，包括複雜的地理網絡圖、病毒學中的抗體和抗原的關係圖、社交網絡上交流數據等。與目前的訓練方法相比，新的訓練方法有效將AI模型的準確率提升1%至8%。

論文第一作者孫相國對獲獎深感榮幸，他表示，嶄新的預先訓練方法有望促進通用大型AI的發展，使它能一站式地理解圖表、處理圖表指令，並輸出圖表形式的結果，有望為公共交通政策提供複雜的地理和交通分析、幫助研究人員更好地利用生物訊息數據庫加速疫苗和藥物開發，以及提升社交網絡大數據分析的性能。

SIGKDD的評委小組肯定獲獎論文的貢獻，並表示，業界目前有迫切的需要開發更高效的方法以預先訓練AI處理圖表的數據。此論文通過統一指令格式去處理圖表、關係網絡和語言數據，設計了有效的指令標記、標記結構和輸入模式來解決上述的重大問題。實驗評估證明論文提出的方案改進了現存的的演算方法。這項工作為未來建立通用型圖表AI模型奠定了基礎，並可能對神經科學等應用產生深遠的影響。