「AI4S」的搜尋結果
#AI4S也是一個關鍵字標籤
過去 31 天有 2 篇標成這個標籤 · 目前不在排行榜上
10/30（五）
關鍵評論網
10/26（一）
楓清科技重磅升級 AI for Science 平台，受邀成為首批「香港匯智人才生態合作夥伴」將亮相香港金融科技周
以 RSI 為核心升級引擎，貫通數據、模型、實驗與生產，加速材料創新 北京2026年10月26日 /美通社/ -- 企業級 AI 智能體與知識引擎領跑者北京楓清科技有限公司（Fabarta）宣佈對其 AI for Science（AI4S）平台完成重大戰略升級，正式推出核心升級的智能引擎——RSI（Recursive Self-Improvement）驅動的Fabarta Science Intelligent，並將 AI4S 升級為 AI4S&E（AI for Science & Engineering），涵蓋研發和生產的核心鏈路。此次升級標誌著 Fabarta 的 AI4S 平台全面具備了多智能體協同、多尺度模型自進化與物理 AI 混合建模等前沿能力，打通從文獻調研、配方設計、乾濕實驗驗證、數字中試放大至工業量產的全鏈路並邁向持續自迭代，推動材料研發從傳統的「經驗試錯」加速邁向「AI與知識驅動」的新範式。 與此同時，作為公司推進全球化佈局與資本市場對接的重要里程碑，楓清科技受邀成為首批「香港匯智人才生態合作夥伴」。創始人兼 CEO 高雪峰、聯合創始人兼 COO 葛爽將於11月2日出
楓清科技重磅升級 AI for Science 平台，受邀成為首批「香港匯智人才生態合作夥伴」將亮相香港金融科技周 -…
以 RSI 為核心升級引擎，貫通數據、模型、實驗與生產，加速材料創新 北京2026年10月26日 /美通社/ — 企業級 AI 智能體與知識引擎領跑者北京楓清科技有限公司（Fabarta）宣佈對其 AI for Science（AI4S）平台完成重大戰略升級，正式推出核心升級的智能引擎——RSI（Recursive Self-Improvement）驅動的Fabarta Science Intelligent，並將 AI4S 升級為 AI4S&E（AI for Science & Engineering），涵蓋研發和生產的核心鏈路。此次升級標誌著 Fabarta 的 AI4S 平台全面具備了多智能體協同、多尺度模型自進化與物理 AI 混合建模等前沿能力，打通從文獻調研、配方設計、乾濕實驗驗證、數字中試放大至工業量產的全鏈路並邁向持續自迭代，推動材料研發從傳統的「經驗試錯」加速邁向「AI與知識驅動」的新範式。 與此同時，作為公司推進全球化佈局與資本市場對接的重要里程碑，楓清科技受邀成為首批「香港匯智人才生態合作夥伴」。創始人兼 CEO 高雪峰、聯合創始人兼 COO 葛爽將於11月2日出席亞洲最具規模的金融科技盛會——「香港金融科技周×StartmeupHK 2026」，並在專場活動中接受官方授牌，向全球 45,000+ 行業領袖展示 AI4S 平台與企業級 AI Agent 的突破性成果。 從單點工具到全鏈貫通：AI4S 平台迎來 RSI 能力躍遷 作為深耕精細化工與新材料領域的 AI 領軍企業，楓清科技此前的 AI for Science 平台已在文獻精讀、數據管理及單點算法預測等場景展現出顯著成效。然而，面對材料工業「從實驗室走向產線」的深水區，傳統 AI4S 工具往往停留在「單點計算」或「協助發論文」層面。 針對這一瓶頸，楓清科技對 AI4S 平台進行了系統性迭代，將自研的 RSI 智能架構 深度注入平台底座。通過「四大中心」與「三層循環」，升級後的 AI4S 平台不僅能做文獻問答和分子生成，更具備了自適應模型進化、多尺度物理仿真與數字孿生校準的能力，推動 Fabarta AI4S 平台向「具備自迭代能力的產業級研產一體化大平台」的加速跨越。 突破材料研發兩大瓶頸：多目標平衡與數據斷層 新材料研發長期受困於多目標性能平衡（如耐熱性、抗衝擊韌性、加工流動性與成本的此消彼長）以及研產數據的嚴重碎片化。以耐熱 ABS 樹脂為例，引入耐熱單體常以犧牲衝擊強度為代價；提高橡膠含量可補回韌性，卻又拉低耐熱性能；而大量存在於歷史文獻、專利和「異常」批次中的關鍵線索，長期散落在不同部門與系統中，難以形成持續運轉的「提問—驗證—調整」閉環。 針對本次 AI4S 平台的升級，楓清科技創始人兼 CEO 高雪峰表示： 「楓清科技一直致力於構建 AI4S 的產業基礎設施。我們本次對 AI4S 平台的重磅升級，核心就是引入 RSI 智能引擎，把大模型與自研知識引擎深度融合。AI 融入產業升級不能只靠單個通用大模型，而是需要嵌入行業的物理機制與知識鏈條。我們希望幫助全球科研與工業團隊通過升級後的 AI4S 平台，打通『乾濕實驗小試、基地中試到企業量產』的智能化全鏈條，讓 AI 真正為材料創新創造可量化的產業價值。」 RSI 的核心運轉架構：四大中心支撐三層迭代循環 在 RSI 平台中，一項材料研究由「課題、會話、實驗、資源中心」四大模塊緊密承載，並通過三層深度循環驅動研發跨越物理世界的阻礙： P0 驗證循環（想法精準校驗，模型實時進化）：在單個課題會話中，科研智能體依托知識圖譜沉澱的歷史配方與預測模型，快速生成可檢驗的方案假設。系統以數據驅動模型與物理約束相結合的建模框架為基礎，在具備數據與計算條件的場景中引入神經算子，逐步積累可復用、可遷移的領域模型與算子組件。當新的實驗數據經質量檢查後回流至知識圖譜，系統通過預測偏差、物理一致性與不確定性評估，識別模型薄弱區域，並按需觸發增量訓練、局部模型更新或參數校準。更新後的模型經獨立數據驗證、版本管理與研究員確認後投入使用，形成『智能假設 → 自主實驗 → 數據回流 → 算子進化 → 智能再探索』的 P0 級模型自進化閉環。 P1 領域循環（跨學科深度探索，多尺度遷移）：當初步線索與基座代理模型通過驗證後，RSI認知智能體調度「探索—利用」協同策略，將研發目標拆解為由專業智能體貫通的分子設計/性能預測/配方優化等跨尺度數字實驗鏈。基於高精度代理模型，系統在研究員確定的物理與工程約束邊界內開展多目標全局尋優，依據達標置信度與魯棒穩定性對候選方案進行級聯剪枝，大幅收窄高成本濕實驗與複雜仿真範圍。研究維度逐級延伸至耐熱單體極性配比、橡膠相微觀粒徑拓撲、加工助劑協同窗口，以及低溫衝擊韌性與長期老化
楓清科技重磅升級 AI for Science 平台，受邀成為首批「香港匯智人才生態合作夥伴」將亮相香港金融科技周 -…
以 RSI 為核心升級引擎，貫通數據、模型、實驗與生產，加速材料創新 北京2026年10月26日 /美通社/ — 企業級 AI 智能體與知識引擎領跑者北京楓清科技有限公司（Fabarta）宣佈對其 AI for Science（AI4S）平台完成重大戰略升級，正式推出核心升級的智能引擎——RSI（Recursive Self-Improvement）驅動的Fabarta Science Intelligent，並將 AI4S 升級為 AI4S&E（AI for Science & Engineering），涵蓋研發和生產的核心鏈路。此次升級標誌著 Fabarta 的 AI4S 平台全面具備了多智能體協同、多尺度模型自進化與物理 AI 混合建模等前沿能力，打通從文獻調研、配方設計、乾濕實驗驗證、數字中試放大至工業量產的全鏈路並邁向持續自迭代，推動材料研發從傳統的「經驗試錯」加速邁向「AI與知識驅動」的新範式。 與此同時，作為公司推進全球化佈局與資本市場對接的重要里程碑，楓清科技受邀成為首批「香港匯智人才生態合作夥伴」。創始人兼 CEO 高雪峰、聯合創始人兼 COO 葛爽將於11月2日出席亞洲最具規模的金融科技盛會——「香港金融科技周×StartmeupHK 2026」，並在專場活動中接受官方授牌，向全球 45,000+ 行業領袖展示 AI4S 平台與企業級 AI Agent 的突破性成果。 從單點工具到全鏈貫通：AI4S 平台迎來 RSI 能力躍遷 作為深耕精細化工與新材料領域的 AI 領軍企業，楓清科技此前的 AI for Science 平台已在文獻精讀、數據管理及單點算法預測等場景展現出顯著成效。然而，面對材料工業「從實驗室走向產線」的深水區，傳統 AI4S 工具往往停留在「單點計算」或「協助發論文」層面。 針對這一瓶頸，楓清科技對 AI4S 平台進行了系統性迭代，將自研的 RSI 智能架構 深度注入平台底座。通過「四大中心」與「三層循環」，升級後的 AI4S 平台不僅能做文獻問答和分子生成，更具備了自適應模型進化、多尺度物理仿真與數字孿生校準的能力，推動 Fabarta AI4S 平台向「具備自迭代能力的產業級研產一體化大平台」的加速跨越。 突破材料研發兩大瓶頸：多目標平衡與數據斷層 新材料研發長期受困於多目標性能平衡（如耐熱性、抗衝擊韌性、加工流動性與成本的此消彼長）以及研產數據的嚴重碎片化。以耐熱 ABS 樹脂為例，引入耐熱單體常以犧牲衝擊強度為代價；提高橡膠含量可補回韌性，卻又拉低耐熱性能；而大量存在於歷史文獻、專利和「異常」批次中的關鍵線索，長期散落在不同部門與系統中，難以形成持續運轉的「提問—驗證—調整」閉環。 針對本次 AI4S 平台的升級，楓清科技創始人兼 CEO 高雪峰表示： 「楓清科技一直致力於構建 AI4S 的產業基礎設施。我們本次對 AI4S 平台的重磅升級，核心就是引入 RSI 智能引擎，把大模型與自研知識引擎深度融合。AI 融入產業升級不能只靠單個通用大模型，而是需要嵌入行業的物理機制與知識鏈條。我們希望幫助全球科研與工業團隊通過升級後的 AI4S 平台，打通『乾濕實驗小試、基地中試到企業量產』的智能化全鏈條，讓 AI 真正為材料創新創造可量化的產業價值。」 RSI 的核心運轉架構：四大中心支撐三層迭代循環 在 RSI 平台中，一項材料研究由「課題、會話、實驗、資源中心」四大模塊緊密承載，並通過三層深度循環驅動研發跨越物理世界的阻礙： P0 驗證循環（想法精準校驗，模型實時進化）：在單個課題會話中，科研智能體依托知識圖譜沉澱的歷史配方與預測模型，快速生成可檢驗的方案假設。系統以數據驅動模型與物理約束相結合的建模框架為基礎，在具備數據與計算條件的場景中引入神經算子，逐步積累可復用、可遷移的領域模型與算子組件。當新的實驗數據經質量檢查後回流至知識圖譜，系統通過預測偏差、物理一致性與不確定性評估，識別模型薄弱區域，並按需觸發增量訓練、局部模型更新或參數校準。更新後的模型經獨立數據驗證、版本管理與研究員確認後投入使用，形成『智能假設 → 自主實驗 → 數據回流 → 算子進化 → 智能再探索』的 P0 級模型自進化閉環。 P1 領域循環（跨學科深度探索，多尺度遷移）：當初步線索與基座代理模型通過驗證後，RSI認知智能體調度「探索—利用」協同策略，將研發目標拆解為由專業智能體貫通的分子設計/性能預測/配方優化等跨尺度數字實驗鏈。基於高精度代理模型，系統在研究員確定的物理與工程約束邊界內開展多目標全局尋優，依據達標置信度與魯棒穩定性對候選方案進行級聯剪枝，大幅收窄高成本濕實驗與複雜仿真範圍。研究維度逐級延伸至耐熱單體極性配比、橡膠相微觀粒徑拓撲、加工助劑協同窗口，以及低溫衝擊韌性與長期老化
生成式AI後的隱形戰場：AI4S時代，為何我們需要STEM×MBA人才？
為因應 AI for Science (AI4S) 發展，建議高等教育須整合 STEM 內部學科並融合 MBA，以彌補自主科學發現系統（ASDS）所需之跨域人才缺口，建立國家技術自主基礎。
經濟日報
睿傳媒
新頭條