Hugging Face 喺週四發布咗一個叫做 Carbon-X 嘅開源模型，專門用嚟理解 DNA，而且可以直接喺普通筆電本地運行，唔使上雲端。呢個模型由 Hugging Face 聯手中國嘅 Zhongguancun Academy（中關村學院）以及意大利嘅那不勒斯費德里科二世大學（University of Naples Federico II）共同開發。
簡單講，呢個模型將 DNA 當做一種「語言」去讀。DNA 本身就好似電腦代碼，唔係用 0 同 1，而係用 A、C、G、T 四個字母去編碼，人體基因組包含大約 60 億個呢類字母。Carbon-X 嘅做法，係喺一個現有語言模型嘅詞彙入面加入以六個字母為一組嘅 DNA 編編碼，再喺共 3000 億個 token 嘅資料上繼續訓練，內容包括 DNA 序列、英文文本，同兩者之間嘅生物學描述對照。
訓練數據嘅生物來源覆蓋哺乳動物（包括人類）、其他脊椎動物、無脊椎動物、植物、真菌及原生動物。值得留意嘅係，團隊刻意冇放病毒序列入訓練集，理由係唔想模型被用於潛在危險嘅應用。
使用上有一個重要限制：用户唔可以上傳完整人類基因組。模型訓練嘅輸入上限大約係 50,000 個核苷酸對（base pairs），所以用户每次只可以查詢基因組嘅一小部分。設計上係因為研究者將可識別或敏感嘅患者數據上傳到前沿 AI 模型時，本身已受到限制。
Hugging Face 高級研究科學家 Lewis Tunstall 講，工具嘅主要目標係幫研究者設計新藥同基因治療，亦可能 eventual 幫患者解讀自身基因組。佢話：「我哋 unlocks 咗語言模型嘅新能力， fundamentally 就係可以同 DNA 對話。」
呢個唔係第一隻懂 DNA 嘅模型。Google DeepMind 去年發布嘅 AlphaGenome 可以預測 DNA 序列同基因突變嘅影響，但輸出係數字格式，而且需要更多算力。Arc Institute 同 Nvidia 嘅 Evo 2 可以「講 DNA」並由零生成整個基因組。Carbon-X 嘅差異在於將 DNA 同自然語言整合喺一個對話式介面，簡單講就好似一個「DNA 版嘅 ChatGPT」。
呢度係一個有趣嘅交界：生物學模型開始能夠被普通人讀到，同時佢哋嘅權重又係開放嘅。Carbon-X 可以喺本地筆電跑，代表唔用經過任何雲端中介。對研究者嚟講呢係便利；對監管者嚟講，呢係一個唔太好跟住嘅新表面。
模姐｜深度調教
