2023年10月26日,SAS用户大会之生命科学峰会在北京成功举办。本次峰会以“数据驱动 · 智能未来”为主题,以前瞻性和洞察力释放数据价值,为SAS用户提供了开阔及高效的合作交流平台。
本次峰会共汇集了近100位来自生命科学、医疗康健等行业的数据精英,围绕“人工智能及数据分析”在生命科学领域的最前沿技术及应用进行了深入探讨,为生命科学研发创新与转化、推动产业繁荣发展提供了有力支撑。

释放数据价值,共谋行业发展
2020年席卷全球的疫情,让人们重新审视了生命科学数字化转型的重要性。面对不断变化发展的监管环境,如何从海量数据中安全、高效、准确地汲取到关键信息,以更低成本实现更好结果,成为了摆在行业从业者面前的重要议题。
作为高级分析领域的领导者,SAS拥有丰富的经验和专业知识,可为生命健康组织提供大规模值得信赖的、先进的解决方案充分激发数据潜力,助力广大客户应对数字健康挑战,改善发现、开发、制造和商业化疗法的方式,并在临床研发、药品生产和供应链等领域为客户提供帮助,在高度监管的环境中更快地为患者提供更好、更安全的治疗。
针对生命科学数字化变革发展趋势,SAS全球技术业务副总裁Deepak Ramanathan在演讲中提到:“从成立之日起,SAS就致力于推动企业有效利用数据实现生产力提升。如今,生命科学行业正处于蓬勃发展的关键时期。面对未来竞争日益激烈的市场环境,SAS将持续创新推动生命科学领域技术突破,赋能生命科学行业未来健康成长。”

SAS全球技术业务副总裁Deepak Ramanathan
拥抱数字变革,赋能未来成长
众所周知,生命科学是学科高度交叉融合的典型学科。近年来,随着人工智能、大数据等数字技术的飞速发展,生命科学行业在临床诊断、精准治疗等方面迎来了发展的机遇与挑战,未来全新一轮科技革命将在生命科学领域全面展开。
SAS副总裁兼大中华区董事总经理何伟信先生说道:“举办此次峰会的初衷在于深度聚焦人工智能与数据分析在生命科学行业中的融合,助力数据分析人士、医疗行业精英实现技术与资源共享,拓展行业视野。如今,财富500强企业中的生命科学公司100%使用SAS,还有超过2350家各种规模的生命科学公司正在使用SAS。 这些行业的信任源自SAS深厚的行业专业知识和开放的生态系统,我们期待通过此次机会结交更多行业伙伴,更希望借助自身在数据分析领域的技术沉淀,帮助全面释放数据的重要价值,为广大客户提供更为高效的分析解决方案。”
长期以来,SAS一直是机器学习和自然语言处理领域的先驱。通过在软件中嵌入人工智能功能,SAS可以提供专门满足生命科学组织需求的、更加智能的解决方案。以在制药行业的应用为例,SAS的高级分析及人工智能功能可以助力保障药品安全、更加快速地将新疗法推向市场、更快更准确地发现生产中的问题,从而极大地改变治疗方法,帮助行业客户解决复杂难题。
生命科学领域与未来人类健康息息相关,利用数据驱动生命科学领域实现发展责任重大、意义深远。作为数据分析领域的推进者,SAS将持续聚焦数据分析前沿技术,与各企业和组织携手应对生命科学领域未来挑战,为生命科学行业加速推进数字化变革奠定牢固基础。
继在北京成功举办之后, 2023 SAS中国用户大会之生命科学峰会上海站将11月16日在上海嘉里大酒店隆重举行,欢迎行业伙伴莅临参与,共同探索生命科学行业数字化发展新景象。
好文章,需要你的鼓励
近期有观点认为,大规模使用生成式AI和大语言模型会增强人类左脑的逻辑分析能力,同时削弱右脑的创造力,导致人类社会逐渐成为左脑主导的群体。但研究表明,左右脑功能分工理论缺乏科学依据,大脑两半球在创造性和逻辑性任务中都会协同工作。此外,AI不仅能辅助逻辑思维,同样可用于诗歌创作、图像生成等创意任务。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软全球AI巡展在迪拜举行,宣布启动Microsoft Elevate UAE项目,计划为超过25万名学生和教育工作者以及5.5万名联邦政府员工提供AI技能培训。该项目是微软152亿美元投资计划的一部分,旨在加强AI基础设施建设,培养本地人才能力。微软还将与G42和JAHIZ平台合作,为联邦公务员提供技术培训,支持阿联酋成为AI领域的区域和全球领导者。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。