ปัจจุบันปัญญาประดิษฐ์ทั่วไป (AGI) กลายเป็นคำสำคัญในแวดวงวิทยาศาสตร์และอุตสาหกรรม เมื่อไม่กี่ปีที่ผ่านมา หลายคนเชื่อว่าการบรรลุ AGI จะต้องใช้เวลาอย่างน้อย 10 ถึง 50 ปี หรืออาจคิดว่าเป็นไปไม่ได้ด้วยซ้ำ ทุกวันนี้ มุมมองในแง่ร้ายเช่นนี้มีให้เห็นน้อยมาก อย่างไรก็ตาม เมื่อเทียบกับความตื่นเต้นของประชาชนเกี่ยวกับการเปลี่ยนแปลงทางเทคโนโลยีครั้งนี้ นักวิชาการแนวหน้าและผู้นำอุตสาหกรรมจำนวนมากในสาขา AI เชื่อว่ายังมีหนทางอีกยาวไกลในการพัฒนา AI ในปัจจุบันให้เป็น AGI
ตามที่ Qi Yuan ศาสตราจารย์ที่มีชื่อเสียงแห่งมหาวิทยาลัย Fudan ผู้อำนวยการสถาบันวิจัยปัญญาประดิษฐ์เซี่ยงไฮ้ (SAIRI) และผู้ก่อตั้งบริษัท Trustworthy Large Model "Infinite Lightyear" ได้กล่าวไว้ว่า "การแสดงออกที่ดีที่สุดของ AGI อย่างหนึ่งก็คือการค้นพบกฎเกณฑ์ที่ไม่รู้จักในโลกที่ซับซ้อน พูดง่ายๆ ก็คือ มันควรจะเป็น 'AI Einstein' ซึ่งสิ่งนี้ต้องการให้เราสร้าง 'กล่องสีเทา' โมเดลขนาดใหญ่ที่น่าเชื่อถือที่รวมการทำนายความน่าจะเป็น 'กล่องดำ' เข้ากับการใช้เหตุผลเชิงตรรกะ 'กล่องขาว' และส่งเสริมการวิจัยพื้นฐาน การปลูกฝังบุคลากร และการประยุกต์ใช้ในทางปฏิบัติผ่านการบูรณาการอย่างลึกซึ้งของเทคโนโลยีและอุตสาหกรรม จึงสร้างระบบนิเวศนวัตกรรมสำหรับปัญญาประดิษฐ์ทางวิทยาศาสตร์"
ในการประชุมปัญญาประดิษฐ์โลก (WAIC) ประจำปี 2024 ที่ผ่านมา และการประชุมระดับสูงด้านการกำกับดูแลปัญญาประดิษฐ์ระดับโลก SAIRI ประสบความสำเร็จในการเป็นเจ้าภาพจัดฟอรัมหัวข้อ "ปัญญาประดิษฐ์: การเปลี่ยนแปลงกระบวนทัศน์ในการวิจัยทางวิทยาศาสตร์และการพัฒนาอุตสาหกรรม" ซึ่งถือเป็นการปรากฏตัวครั้งแรกของสถาบันวิจัยแห่งใหม่นี้ที่ WAIC SAIRI ถือเป็นแบบจำลองสำหรับการสำรวจระบบนิเวศปัญญาประดิษฐ์ทางวิทยาศาสตร์ "1+1+N" ที่ขับเคลื่อนด้วยนวัตกรรมของเซี่ยงไฮ้ แบบจำลองนี้เกี่ยวข้องกับ SAIRI ในฐานะศูนย์กลางที่รับผิดชอบการวางแผนเชิงกลยุทธ์โดยรวม การบูรณาการทรัพยากร และการวิจัยและนวัตกรรมเทคโนโลยีที่สำคัญ โดยร่วมมือกับมหาวิทยาลัยฟู่ตั้น "1" อีกแห่ง และมหาวิทยาลัย "N" หลายแห่ง สถาบันวิจัย บริษัทเทคโนโลยี ทีมนวัตกรรม และสถาบันการลงทุน เพื่อส่งเสริมการวิจัยทางวิทยาศาสตร์ การปลูกฝังบุคลากร การถ่ายทอดเทคโนโลยี นวัตกรรมและการยกระดับอุตสาหกรรมร่วมกัน
มาตรฐานของ AGI ควรจะเป็นการสร้าง "AI Einstein"
จากมุมมองทางเทคนิค โมเดลขนาดใหญ่ขึ้นเรื่อยๆ ที่มีพารามิเตอร์มากขึ้นจะนำไปสู่ AGI หรือไม่ จนถึงปัจจุบัน ทั้งจากมุมมองของเทคโนโลยี AI เองและจากมุมมองของการใช้พลังงาน โมเดลขนาดใหญ่ที่ใช้สถาปัตยกรรมอัตโนมัติถดถอยของ Transformer ยังไม่เพียงพอที่จะนำไปสู่ AGI AI จำเป็นต้องพัฒนาโมเดลขนาดใหญ่ที่น่าเชื่อถือใน "กล่องสีเทา" ข้อสรุปนี้มาจากประสบการณ์จริงหลายปีของ Qi Yuan ทั้งในแวดวงวิชาการและอุตสาหกรรม
เมื่อ 10 ปีก่อน ด้วยแนวคิดเรื่อง "การทำให้ AI มีประโยชน์" Qi Yuan ได้นำทีมเพิ่มระบบการเรียนรู้ของเครื่องจักรหลักของ Alibaba จาก 2 ล้านพารามิเตอร์เป็นหลายร้อยล้านพารามิเตอร์เป็นครั้งแรก ซึ่งช่วยปรับปรุงประสิทธิภาพทางธุรกิจได้อย่างมีนัยสำคัญ และแสดงให้เห็นถึงการเปลี่ยนแปลงแบบบูรณาการของข้อมูล อัลกอริทึม และความสามารถด้านวิศวกรรม นี่คือการแสดงออกถึงกฎการปรับขนาด ซึ่งเป็นที่ถกเถียงกันอย่างกว้างขวางในชุมชน AI ในปัจจุบัน
Qi Yuan เล่าว่าทีมงานได้ลิ้มรสความหวานของ Scaling Law จริงๆ หลังจากเพิ่มพารามิเตอร์ของโมเดลเป็นร้อยเท่า ผลลัพธ์โดยรวมก็ดีขึ้นอย่างมาก "แต่ตอนนี้ฉันคิดว่า ทำไมเราไม่สร้างโมเดล AI ให้ใหญ่ขึ้นกว่าเดิมในตอนนั้น ทำไมเราถึงหยุดในเมื่อเราสามารถก้าวไปไกลกว่านั้นได้" เขากล่าว "แม้แต่พารามิเตอร์เป็นพันล้านในโมเดลขนาดใหญ่ก็ยังไม่เพียงพอ เราต้องก้าวไปสู่ระดับหลายร้อยพันล้าน ล้านล้าน หรือมากกว่านั้น ในเวลานั้น ทั้งภาคการศึกษาและอุตสาหกรรมขาดพลังการประมวลผล และแม้แต่ในภาคอุตสาหกรรม การบรรลุพลังการประมวลผลที่สูงขนาดนั้นต้องใช้ต้นทุนที่สูงมาก ไม่ต้องพูดถึงภาคการศึกษา"
เหตุผลที่มาตรฐานสำหรับ AGI ควรเป็นการสร้าง "AI Einstein" นั้น Qi Yuan อธิบายก็คือ มันต้องมีประสิทธิภาพและชาญฉลาด ประการแรก Einstein ค้นพบ "กลุ่มเมฆของฟิสิกส์ต้นศตวรรษที่ 20" ผ่านจุดข้อมูลสำคัญเพียงไม่กี่จุด AGI ยังควรสามารถค้นพบและเข้าใจกฎที่ไม่รู้จักของโลกที่ซับซ้อนได้ อย่างไรก็ตาม โมเดลขนาดใหญ่ในปัจจุบันไม่สามารถบรรลุสิ่งนี้ได้ ตัวอย่างเช่น แม้ว่าโมเดลขนาดใหญ่ที่มองเห็นได้อย่าง SORA จะจำลองโลกกายภาพได้ในระดับที่ไม่เคยมีมาก่อน แต่ก็ยังสร้างโลกสามมิติขึ้นโดยอิงจากการจำลองโลกสองมิติและยังห่างไกลจากการเข้าใจโลกกายภาพอย่างถ่องแท้ ประการที่สอง คือ ปัญหาการใช้พลังงาน สมองของมนุษย์ทำงานที่ประมาณ 15 วัตต์ ในขณะที่ GPU ตัวเดียวสามารถสูงสุดได้หลายร้อยวัตต์ ไม่ต้องพูดถึงคลัสเตอร์ของ GPU หลายพันหรือหลายหมื่นตัวที่จำเป็นในการฝึกโมเดลขนาดใหญ่ทั่วไป ในปัจจุบัน หากเรายังคงใช้สถาปัตยกรรมที่มีอยู่ การใช้พลังงานที่จำเป็นจะสูงมาก ทำให้ยากต่อการบรรลุเป้าหมายในการมีประสิทธิผลและชาญฉลาด
“AI Einstein” ยังเป็นเป้าหมายหลักของ AI for Science (AI4S) อีกด้วย ปัญญาประดิษฐ์มีบทบาทสำคัญในการเร่งการแก้สมการฟิสิกส์ที่ทราบ แต่ยังต้องรวมกฎที่ทราบเข้ากับข้อมูลเพื่อลดการพึ่งพาข้อมูลและพลังการประมวลผลอย่างรุนแรง ปรับปรุงความแม่นยำของการใช้เหตุผลและการทำนาย และเสนอทฤษฎีทางวิทยาศาสตร์ใหม่ๆ บนพื้นฐานของกฎความรู้ที่ปรับตามข้อมูล ซึ่งสอดคล้องกับเป้าหมายระยะยาวของ Qi Yuan ที่มหาวิทยาลัย Fudan และ SAIRI ในการใช้ปัญญาประดิษฐ์เพื่อทำความเข้าใจโลกที่ซับซ้อนและค้นพบกฎที่ไม่รู้จัก
“กล่องสีเทา” โดเมนแนวตั้งที่น่าเชื่อถือรุ่นใหญ่ช่วยส่งเสริมอุตสาหกรรมต่างๆ
จะต้องแก้ไขปัญหาอะไรบ้างเพื่อให้โมเดลขนาดใหญ่กลายเป็นกำลังผลิตใหม่จากเครื่องมือ AI ตามที่ Qi Yuan กล่าวไว้ อุตสาหกรรมโมเดลขนาดใหญ่ต้องเผชิญกับความท้าทายทั่วไปหลายประการ ทำให้เทคโนโลยี ผลิตภัณฑ์ และความต้องการของตลาดไม่สามารถสอดคล้องกันได้
“ปัญหาใหญ่ที่สุดในการนำไปใช้งานโมเดลขนาดใหญ่ในปัจจุบันก็คือ ดูเหมือนว่าโมเดลขนาดใหญ่จะมีประโยชน์เมื่อมองแวบแรก แต่กลับล้มเหลวในการใช้งานจริง” Qi Yuan อธิบาย โมเดลภาษาขนาดใหญ่ในปัจจุบันทำนายคำถัดไปโดยอาศัยคำก่อนหน้าหลายๆ คำเป็นหลัก แต่แนวทางนี้ไม่เหมาะสำหรับการใช้เหตุผลหลายขั้นตอนอย่างเข้มงวด “ภาษาเป็นเครื่องมือสำหรับการสื่อสาร ไม่ใช่สำหรับการคิด” เมื่อไม่นานนี้ บทความที่ตีพิมพ์โดยสถาบันต่างๆ รวมถึง MIT ในวารสารวิชาการชั้นนำธรรมชาติชี้ให้เห็นว่าภาษาเป็นเครื่องมือที่มีประสิทธิภาพในการถ่ายทอดความรู้ทางวัฒนธรรม และอาจมีวิวัฒนาการร่วมกับความสามารถในการคิดและการใช้เหตุผลของเรา ซึ่งสะท้อนให้เห็นถึงความซับซ้อนของการรับรู้ของมนุษย์ อย่างไรก็ตาม ภาษาไม่ได้ก่อให้เกิดความซับซ้อนของการใช้เหตุผล
เพื่อแก้ไขปัญหาความไม่น่าเชื่อถือ ความสามารถในการตีความต่ำ และต้นทุนสูงของโมเดลขนาดใหญ่ที่มีอยู่ วิธีแก้ปัญหาที่มีประสิทธิภาพคือการรวมการใช้เหตุผลเครือข่ายประสาทแบบความน่าจะเป็นเข้ากับการคำนวณเชิงสัญลักษณ์เชิงตรรกะ ซึ่งคล้ายกับการผสมผสานระหว่างการคิดเร็วตามสัญชาตญาณกับการคิดช้าตามการใช้เหตุผลเชิงตรรกะที่อธิบายไว้ในหนังสือของ Daniel Kahneman ผู้ได้รับรางวัลโนเบลการคิดแบบเร็วและแบบช้าQi Yuan เชื่อว่า “สิ่งนี้อาจเรียกได้ว่าเป็นโมเดลขนาดใหญ่แบบ ‘กล่องสีเทา’ การผสมผสานการคำนวณเชิงสัญลักษณ์กับเครือข่ายประสาทเทียมในโมเดลขนาดใหญ่ที่เชื่อถือได้แบบ ‘กล่องสีเทา’ จะช่วยลด ‘ภาพหลอน’ ของ AI และแก้ปัญหาทางวิชาชีพในสาขาแนวตั้งได้ จึงช่วยส่งเสริมอุตสาหกรรมต่างๆ และปลดปล่อยประสิทธิภาพการผลิตของโมเดลขนาดใหญ่
“กล่องสีเทา” คือโมเดลขนาดใหญ่ที่เชื่อถือได้อย่างไร? “เดิมที การเรียนรู้เชิงลึกถือเป็น ‘กล่องดำ’ แต่ตอนนี้ เมื่อรวมการใช้เหตุผลเชิงตรรกะเข้ากับการเรียนรู้เชิงลึกแล้ว เราก็ได้ ‘กล่องสีเทา’” Qi Yuan อธิบาย “‘กล่องดำ’ เดิมทำให้ผู้คนไม่รู้เกี่ยวกับกระบวนการที่ข้อมูลผลิตผลลัพธ์ ในขณะที่โมเดลขนาดใหญ่ ‘กล่องสีเทา’ ซึ่งใช้เหตุผลเชิงตรรกะช่วยทำให้ผู้คน ‘รู้ทั้งผลลัพธ์และเหตุผลเบื้องหลังผลลัพธ์’ จากมุมมองอื่น โมเดลขนาดใหญ่ ‘กล่องสีเทา’ สามารถใช้การเรียนรู้เชิงลึกเพื่อลดกฎเกณฑ์ที่ไม่สอดคล้องกับข้อมูลที่สังเกตได้ในโลกแห่งความเป็นจริง”
Qi Yuan กล่าวว่าเพื่อให้ AI มีบทบาทสำคัญในสถานการณ์ที่ซับซ้อนในอุตสาหกรรมต่างๆ ไม่ว่าจะเป็นด้านการเงินและการประกันภัย พลังงานลมและพลังงาน การขนส่งทางทะเลและเภสัชกรรม จำเป็นต้องรวมเอาความรู้เชิงระบบของอุตสาหกรรม ตรรกะการใช้เหตุผล และกลไกการตัดสินใจเข้ากับโมเดลขนาดใหญ่ โมเดลขนาดใหญ่ "กล่องสีเทา" ไม่เพียงแต่เป็นแนวทางสำหรับ AGI เท่านั้น แต่ยังเป็นเครื่องมือทรงพลังสำหรับการเจาะลึกในสาขาแนวตั้งและแก้ไขปัญหาในโลกแห่งความเป็นจริงได้อย่างแท้จริง "จากมุมมองด้านอุตสาหกรรม ความเข้าใจนี้มีความชัดเจนมาก" Qi Yuan อธิบาย แพทย์ไม่จำเป็นต้องเป็นทนายความ และทนายความก็ไม่จำเป็นต้องเป็นผู้เชี่ยวชาญด้านการลงทุน บทบาทในอาชีพแต่ละตำแหน่งควรเน้นที่สาขาของตนและปรับปรุงเครื่องมือเพิ่มผลผลิตของตน จากมุมมองทางเทคนิค หากโมเดลขนาดใหญ่เรียนรู้งานที่ไม่เกี่ยวข้องมากเกินไป อาจประสบกับ "การลืมที่ร้ายแรง" ตัวอย่างเช่น หาก Li Bai ใช้เวลาทั้งหมดไปกับการทำบัญชีแทนที่จะเขียนบทกวี แรงบันดาลใจด้านบทกวีของเขาอาจค่อยๆ จางหายไป “เราสังเกตแล้วว่าเมื่อทำการฝึกโมเดลขนาดใหญ่สำหรับโดเมนแนวตั้ง หากโมเดลเรียนรู้ฟังก์ชันที่ไม่เกี่ยวข้องกันมากเกินไป ก็อาจรบกวนความสามารถเดิมของโมเดลได้ ดังนั้น การพัฒนาโมเดลขนาดใหญ่ 'กล่องสีเทา' ที่มีประสิทธิภาพสำหรับโดเมนแนวตั้งจึงมีคุณค่าอย่างยิ่งในการนำไปใช้งานในอุตสาหกรรม”
“ผมเชื่อว่าโมเดลขนาดใหญ่แบบ ‘กล่องสีเทา’ จะมีบทบาทสำคัญเพิ่มมากขึ้นในเส้นทางสู่ AGI และในการนำอุตสาหกรรมโดเมนแนวตั้งไปปฏิบัติ จากมุมมองเชิงวิธีการแบบเบย์เซียน โมเดลดังกล่าวผสมผสานความรู้ที่เรารู้จักเข้ากับข้อมูลที่ซ่อนอยู่ในข้อมูลเพื่อค้นพบกฎเกณฑ์ใหม่ๆ และแก้ไขปัญหาทางวิทยาศาสตร์และอุตสาหกรรม” Qi Yuan กล่าว ในอนาคต “AI Einstein” อาจกลายเป็น “AI Buffett” ก็ได้
การเชื่อมโยงห่วงโซ่นวัตกรรมและการสร้างระบบนิเวศนวัตกรรมปัญญาทางวิทยาศาสตร์
ในงาน World Artificial Intelligence Conference ปีนี้ ทีมของ Qi Yuan ได้เปิดตัวโมเดลขนาดใหญ่ที่มีความน่าเชื่อถือทางการเงินและทางการแพทย์ที่มีพารามิเตอร์หลายแสนล้านตัว โมเดลขนาดใหญ่ในโดเมนแนวตั้งเหล่านี้แซงหน้าโมเดล GPT-4 Turbo ที่มีพารามิเตอร์ล้านล้านตัวของ OpenAI ในการทดสอบ ซึ่งดึงดูดความสนใจจากอุตสาหกรรมให้หันมาใช้โมเดลขนาดใหญ่กันอีกครั้ง
“ความก้าวหน้าด้าน AI ในปัจจุบันไม่ได้ขับเคลื่อนโดยนวัตกรรมในหลักการพื้นฐานเท่านั้น แต่ยังรวมถึงแนวทางที่ขับเคลื่อนด้วยผลิตภัณฑ์ที่ตอบสนองความต้องการของสังคมด้วย สังคมต้องการไม่เพียงแค่การเผยแพร่เอกสารทางทฤษฎีหรือนวัตกรรมรูปแบบธุรกิจเท่านั้น แต่ยังรวมถึงการผสานนวัตกรรมทางเทคโนโลยีและอุตสาหกรรมอย่างลึกซึ้งโดยอิงจากหลักการพื้นฐาน เมื่อรวมสององค์ประกอบนี้เข้าด้วยกันแล้ว เราจะสามารถไปสู่น่านน้ำที่สดใสยิ่งขึ้นได้” Qi Yuan กล่าว
สถาบันการศึกษาและอุตสาหกรรมมีภารกิจที่แตกต่างกัน สถาบันการศึกษาสำรวจปรากฏการณ์ใหม่ ในขณะที่อุตสาหกรรมแก้ปัญหาในทางปฏิบัติเป็นหลัก ปัญหาทั่วไปทั่วโลกคือสถาบันวิจัยจำเป็นต้องแก้ไขปัญหาเกี่ยวกับนวัตกรรมทางเทคโนโลยีมากมาย แต่หากมองข้ามการผลิตและความต้องการของสังคม สถาบันวิจัยจะเผชิญกับข้อบกพร่องสองประการ ได้แก่ การขาดแรงกดดันในการแข่งขันที่แท้จริง ซึ่งขัดขวางการปรับปรุงเทคโนโลยีนวัตกรรม และการขาดการตอบรับจากตลาดที่มีประสิทธิภาพเพื่อชี้นำการวิจัยทางเทคโนโลยี
เพื่อจุดประสงค์นี้ Qi Yuan พยายามเชื่อมโยงห่วงโซ่นวัตกรรมของ "มหาวิทยาลัย สถาบันวิจัย และสตาร์ทอัพ" มานานเพื่อสร้างระบบนิเวศนวัตกรรมที่ดีที่คำนึงถึงทั้งเทคโนโลยีพื้นฐานและความต้องการของตลาด ทิศทางของผลิตภัณฑ์ควรได้รับการชี้นำจากความต้องการและสถานการณ์ของตลาด สร้างความสามารถในการแข่งขันหลักของผลิตภัณฑ์ผ่านนวัตกรรมพื้นฐาน
SAIRI ก่อตั้งขึ้นในปี 2556 โดยมุ่งมั่นที่จะสร้างสรรค์นวัตกรรม AI ดั้งเดิมสำหรับวิทยาศาสตร์ที่ผสมผสานความรู้และข้อมูลเข้าด้วยกัน ล่าสุด SAIRI ได้เปิดตัวโมเดลอุตุนิยมวิทยาขนาดใหญ่ซีรีส์ Fuxi 2.0 สำหรับการใช้งานด้านพลังงานใหม่ การประกันภัย การบริหารจัดการเมือง และริเริ่ม Smart Meteorological Innovation Ecosystem Alliance พันธมิตรนี้มุ่งหวังที่จะส่งเสริมการใช้งานในอุตสาหกรรมของโมเดลอุตุนิยมวิทยาขนาดใหญ่ซีรีส์ Fuxi 2.0 ขึ้นเรื่อยๆ โมเดลขนาดใหญ่ที่น่าเชื่อถือใน "กล่องสีเทา" ยังมีความคืบหน้าในการนำผลิตภัณฑ์ไปใช้งานจริง โดยมี Infinite Lightyear บริษัทโมเดลขนาดใหญ่ที่น่าเชื่อถือซึ่งก่อตั้งโดย Qi Yuan ก่อตั้งขึ้นแล้ว
เพื่อส่งเสริมระบบนิเวศนวัตกรรมข่าวกรองทางวิทยาศาสตร์ให้มากยิ่งขึ้น จึงได้มีการจัดการแข่งขันข่าวกรองทางวิทยาศาสตร์ระดับโลกครั้งที่ 2 ซึ่งจัดขึ้นโดย SAIRI และมหาวิทยาลัย Fudan ร่วมกัน โดยมีหน่วยงานต่างๆ มากมาย เช่น คณะกรรมการวิทยาศาสตร์และเทคโนโลยีเซี่ยงไฮ้ คณะกรรมการพัฒนาและปฏิรูปเซี่ยงไฮ้ คณะกรรมการเศรษฐกิจและเทคโนโลยีสารสนเทศเซี่ยงไฮ้ และคณะกรรมการการศึกษาเซี่ยงไฮ้ การแข่งขันครั้งนี้มีรางวัลเป็นเงินหลายล้านเหรียญเพื่อดึงดูดผู้เข้าร่วมจากทั่วโลกให้มาสำรวจสาขาใหม่ๆ ของข่าวกรองทางวิทยาศาสตร์ นอกจากนี้ SAIRI ยังได้พัฒนาแพลตฟอร์มข้อมูลทางวิทยาศาสตร์ที่ครอบคลุมข้อมูลทางวิทยาศาสตร์แบบหลายโหมด ซึ่งรองรับห่วงโซ่ทั้งหมดตั้งแต่การรวบรวมและประมวลผลข้อมูลไปจนถึงการจัดการและการสร้างแบบจำลอง เพื่อให้แน่ใจว่าการประมวลผลข้อมูลมีประสิทธิภาพ ความน่าเชื่อถือ และการสื่อสารที่ปลอดภัย SAIRI และพันธมิตรได้สร้างชุดข้อมูลทางวิทยาศาสตร์คุณภาพสูงหลายชุดสำหรับวิทยาศาสตร์ชีวภาพ วิทยาศาสตร์วัสดุ วิทยาศาสตร์บรรยากาศ และสาขาอื่นๆ โดยอาศัยแพลตฟอร์มนี้ ซึ่งเป็นแหล่งข้อมูลอันมีค่าสำหรับการวิจัยข่าวกรองทางวิทยาศาสตร์ นอกจากนี้ SAIRI ยังได้ริเริ่มพันธมิตรระบบนิเวศข้อมูลทางวิทยาศาสตร์ระดับโลก โดยมีสมาชิกเริ่มต้น ได้แก่ China Telecom Corporation, COSCO Shipping Insurance Captive, Shanghai Lingang New Area Cross-Border Data Technology และหน่วยงานอื่นๆ อีกกว่าสิบแห่ง กลุ่มพันธมิตรมีเป้าหมายในการสร้างแพลตฟอร์มเปิดและแบ่งปันแหล่งข้อมูลบิ๊กดาต้าสำหรับการวิจัยระดับโลกและหลายโดเมนผ่านความร่วมมือระหว่างรัฐบาล รัฐวิสาหกิจ มหาวิทยาลัย และสถาบันวิจัย
“ไม่ว่าจะเป็นในงานวิจัยทางวิทยาศาสตร์หรือในอุตสาหกรรม เราไม่ควรคิดค้นนวัตกรรมเพียงเพื่อสร้างสรรค์นวัตกรรม เราหวังว่าจะสร้าง AGI และแอปพลิเคชันในอนาคตที่สามารถแก้ไขปัญหาในโลกแห่งความเป็นจริงได้” Qi Yuan กล่าว