香港理大突破 GenAI 三重核心制约 技术普惠化注入新动能
综合
关注
10 月 23 日，香港理工大学（下称 “理大”）人工智能高等研究院（PAAI）发布重磅成果 —— 在生成式人工智能（GenAI）领域攻克多项关键技术难题。团队首创 “协作式生成人工智能（Co-Generative AI）” 全新模式，成功将 AI 训练体系从传统集中式架构转型为分布式架构，在显著降低训练成本、强化数据隐私保护的同时，彻底打破行业资源垄断壁垒，为全球更多研究机构参与 AI 技术研发开辟新路径。
当前 GenAI 领域面临三大核心困境：其一，基础模型训练对计算资源需求极高，仅少数头部机构具备承担能力，导致学术界难以深度参与基础模型研发，各领域专属知识与数据也无法有效融入模型；其二，受隐私保护与版权归属限制，医疗、金融等领域的敏感数据难以投入模型训练；其三，基础模型更新知识难度大，每次重新训练均需消耗 “天文数字级” 资源，严重制约技术迭代速度。针对这些行业痛点，理大 PAAI 团队聚焦 “低成本训练” 与 “分布式融合” 两大方向开展技术攻关，最终取得突破性进展。
理大成为全球首个开源 “端到端 FP8 低比特训练全套方案” 的高校团队，成功打破当前基础模型普遍采用 BF16 精度训练的行业惯例，跻身全球掌握该核心技术的少数研究团队之列。相较于 BF16 精度训练，FP8 方案优势明显：训练效率提升超 20%，显存峰值占用降低逾 10%，训练成本大幅下降；同时整合 “持续预训练”“监督式微调” 与 “强化学习” 全流程，在保证训练效果与 BF16 模型相当的前提下，进一步压缩训练时间与显存占用。目前团队已启动更低成本的 FP4 精度训练研究，相关成果已发表于学术期刊；实测数据显示，该方案在医疗诊断推理领域性能超越当前业界同规模最优模型，在科研智能体（Research Agent）领域的任务处理复杂度、泛化能力及报告生成质量上，也实现重大突破。
传统基础模型遵循 “参数规模决定知识广度与性能强度” 的缩放定律，但其集中式训练模式需消耗百万计 GPU 小时，仅少数机构可实现。理大团队研发的 “InfiFusion 模型融合技术” 打破这一限制：仅需数百 GPU 小时，即可融合出传统模式下需 100 万至 200 万 GPU 小时训练的大模型。团队通过实例验证技术效率 —— 仅用 160 个 GPU 小时便完成 4 个尖端模型的融合工作，不仅省去单个尖端模型传统训练所需的百万计 GPU 小时成本，融合后的模型在多项权威测试中的性能，更显著优于原始模型。
此外，针对 Thinking Machines Lab 大力倡导的模型融合理念，理大团队首次从理论层面验证其可行性。研究团队通过严谨的数学推导，提出 “模型融合缩放定律（Model Merging Scaling Law）”，这一成果意味着，通往通用人工智能（AGI）的发展路径或可新增一条重要方向。理大 PAAI 执行院长、计算器及数学科学学院副院长（环球事务）兼电子计算学系教授杨红霞表示：“依托超低资源实现基础模型训练，结合高效模型融合技术，可让全球科研人员更便捷地参与 GenAI 研究，汇聚更多创新力量推动行业发展。”
在技术落地层面，理大团队已在多领域取得实质进展。医疗领域中，团队成功训练出性能领先的医疗基础大模型，并研发专属 “癌症 GenAI” 系统 —— 该系统在同规模模型中性能最优，可快速积累高质量医疗数据、直接对接医疗设备，为癌症个性化治疗规划提供支持。目前团队正联合复旦大学附属华山医院、中山大学肿瘤防治中心、山东省肿瘤医院及香港伊利沙伯医院，推进技术合作与临床落地工作。
团队在智能体 AI（Agentic AI）领域同样实现突破：该技术可作为研究生学术助手，辅助完成论文撰写与审阅工作；同时可作为多模态专利检索引擎，为创新研发提供高效支持，提升研发效率。
理大高级副校长（研究及创新）赵汝恒指出：“人工智能是加速培育新质生产力的核心驱动力，理大新成立的 PAAI 正全力推动人工智能技术与各重点领域的深度融合，并针对不同行业需求开发具备专业领域知识的 AI 模型。这一举措不仅能巩固理大在 AI 领域的领先地位，更将助力香港打造成为全球生成式人工智能发展枢纽。”
值得关注的是，杨红霞教授带领的研究项目，已先后获得研究资助局 “2025/26 年度主题研究计划”、香港特区政府创新科技署 “产学研 1 + 计划” 及数码港 “人工智能资助计划” 支持。这一系列资助不仅标志着香港在全球 AI 创新领域迈出坚实一步，更为 AI 技术的普惠化推广与产业落地注入新动能。杨教授提出在落地应用的选择上，挑选了医疗、能源等对人类影响重大且难度高的领域作为落地应用方向，不断测试结果。她表示要先把技术做到极高门槛，降低成本、提升质量，实现商业化落地，同时不脱离有挑战性的业务，稳扎稳打走好每一步。
