Meta FAIR pokračuje v otevřené vědě: Nové open source modely a průlomový výzkum
Meta's Fundamental AI Research (FAIR) tým nadále prokazuje svůj závazek k otevřené vědě vydáváním série nových open source modelů, datasetů a výzkumných artefaktů v průběhu let 2024 a 2025. Tyto vydání se týkají klíčových oblastí jako jsou percepce, lokalizace, uvažování, porozumění jazyku, vtělení agenti a robustnost a bezpečnost v AI systémech. Sdílením výzkumných materiálů v raných fázích FAIR podporuje širší vědeckou komunitu a umožňuje rychlejší pokrok v oblasti umělé inteligence.
Open Molecules 2025 (OMol25) Dataset
Open Molecules 2025 (OMol25) představuje masivní dataset výsledků výpočtů teorie funkcionálu hustoty (DFT), který byl navržen k podpoře průlomů v oblasti výpočetní chemie a materiálové vědy. Tento rozsáhlý dataset vznikl díky více než 6 miliardám výpočetních hodin a zahrnuje výsledky přibližně 100 milionů kvantově-mechanických výpočtů napříč čtyřmi klíčovými vědeckými oblastmi. OMol25 dramaticky rozšiřuje množství dostupných dat pro modelování atomárních interakcí, což umožňuje rychlejší vývojové cykly pro nové léky, bateriové technologie, řešení pro ukládání energie a strategie pro zmírnění klimatických změn. Podle spolupracovníků z Lawrence Berkeley National Laboratory by tento projekt měl "dramaticky změnit způsob, jakým lidé provádějí výpočetní chemii".
Adjoint Sampling: Generativní modelování bez dat
Metoda Adjoint Sampling přináší škálovatelný přístup k tréninku generativních modelů bez nutnosti velkých datových sad. Namísto učení se z existujících datových vzorů tento přístup iterativně zdokonaluje vzorky na základě skalárních signálů odměny, což je mimořádně relevantní v situacích, kdy jsou trénovací data vzácná nebo zcela nedostupná. Potenciální aplikace zahrnují jemné dolaďování generativních modelů pro obrázky a videa nebo vzorkování z fyzikálních či chemických základních modelů pouze s využitím zpětné vazby založené na odměnách.
Spolupráce a jejich dopad
Práce Meta FAIR staví na spolupráci s předními institucemi, jako jsou Lawrence Berkeley National Laboratory, Princeton University, Genentech/Roche Group, Stanford University, University of Cambridge, Carnegie Mellon University, NYU, Los Alamos National Laboratory a UC Berkeley. Výzkum se také rozšiřuje do nových tříd, jako jsou polymery, ve spolupráci s partnery z Lawrence Livermore National Laboratory. Tyto spolupráce umožňují vývoj pokročilých nástrojů a metod, které posouvají hranice současného výzkumu v oblasti umělé inteligence a jejích aplikací ve vědě.
Iniciativy FAIR v oblasti otevřené vědy
Meta FAIR pokračuje ve své tradici vydávání open-source výzkumných artefaktů napříč několika oblastmi. V oblasti molekulární a materiálové vědy kromě datasetu OMol25 DFT nabízí také model UMA a různé projekty realizované ve spolupráci s národními laboratořemi. V oblasti percepce vylepšili Segment Anything Model na verzi 2.1 (SAM 2.1), který přináší zdokonalenou segmentaci pro obrázky a videa. Pro zpracování jazyka vyvinuli modely LLM s predikcí více tokenů a multimodální modely Chameleon. V oblasti robustnosti a bezpečnosti představili Meta Video Seal, rámec pro vodoznaky, a Omni Seal Bench leaderboard. Pro robotiku pak FAIR vytvořil framework PARTNR a související dataset pro spolupráci člověka a robota. Všechny tyto zdroje jsou uvolněny pod různými otevřenými licencemi, aby podpořily jejich široké přijetí výzkumníky po celém světě. Meta zdůrazňuje, že sdílení těchto nástrojů otevřeně podpoří spolupráci a urychlí pokrok směrem k pokročilé strojové inteligenci a zároveň podpoří odpovědné inovace ve vědě a technologiích.
Jak získat přístup
Výzkumníci mohou stáhnout datasety, jako je OMol25, přímo přes AI blog společnosti Meta nebo výzkumný portál. K dispozici jsou také další kódy a frameworky – například SAM Developer Suite nebo Video Seal – spolu s dokumentací a demo rozhraními pro rychlé experimentování. Meta tímto přístupem zajišťuje, že jejich výzkum je nejen otevřený, ale také snadno přístupný a použitelný pro globální výzkumnou komunitu. Celkově představují nejnovější open-source projekty Meta FAIR významný krok vpřed jak ve vědeckém výzkumu založeném na umělé inteligenci, tak v základním výzkumu strojové inteligence. Poskytují bezprecedentní zdroje v oblasti molekulárního modelování i robustní nástroje sahající od percepce až po robotiku – to vše volně přístupné s cílem urychlit globální inovace a vědecký pokrok.
