瘧疾候選藥物誰來把關？VIDRAFT_LAB 上線開放式 AI 藥物評分擂台
Hugging Face Blog（FINAL-Bench / VIDRAFT_LAB）· 2026-08-15
背景
生成式 AI 現在能在數小時內產出成千上萬個候選分子，但能判斷「這個分子到底好不好」的驗證工具卻集中在少數幾家機構手上。驗證能力的稀缺成了整條藥物發現流程的瓶頸：模型端門檻不斷降低，評分端卻幾乎沒有公開、可重現的標準。Open Discovery Challenge 由 VIDRAFT_LAB 發起，聚焦瘧疾這個長期缺乏商業誘因的疾病領域，把候選分子的計算式評分公開成一個任何人都能參賽的排行榜。
方法細節
排行榜對每個提交的候選分子，依六項標準做計算式評分，六維度評分取代了過去單一活性數字的粗略比較。
- 全細胞活性（whole-cell activity）
- 標靶結合力（target binding）
- 選擇性（selectivity）
- ADMET（吸收、分布、代謝、排泄與毒性）
- 新穎性（novelty）
- 合成可行性（synthesis feasibility）
團隊在文章中罕見地公開了開發過程中發現的十四個評分系統缺陷，例如毒性門檻曾經誤判已核准藥物為不合格、以及會靜默吃掉分數的計算錯誤。公開缺陷紀錄是這篇文章的另一個重點，作者用它證明評分系統本身經過反覆校正，而不是一次性上線的黑箱工具。
影響範圍
挑戰賽開放至 2026-09-30，第一名可獲得 1,000 美元獎金，任何研究者或團隊都可以提交候選分子供排行榜評分。低門檻參賽的設計用意，是讓原本被少數機構壟斷的藥物驗證能力，變成公共基礎設施的一部分，尤其對瘧疾這類主要影響低收入地區、藥廠投入意願低的疾病更具意義。目前排行榜尚未公布首批提交結果,後續是否能吸引真正的濕實驗（wet-lab）驗證跟進，將是檢驗這套評分系統實用性的關鍵。
印尼首座大學級 AI 技術中心落地：UGM 攜手 Indosat、NVIDIA 打造主權運算基地
NVIDIA Blog · 2026-08-14
背景
印尼政府近年把「AI 主權」列為數位政策核心，但大學端長期缺乏可自主使用的高階運算資源。大學級 AI 基礎設施的缺口在 2026-08-13 這天出現轉折點：Universitas Gadjah Mada（UGM）、電信商 Indosat Ooredoo Hutchison、NVIDIA 三方在日惹的 GIK UGM 場館，正式啟用印尼第一座設於大學校園內的 AI Technology Center，計畫由印尼通訊與數位事務部主導的「AI 卓越中心」倡議支持。UGM 官方公告與 NVIDIA 部落格同步發布了這項合作。
方法細節
中心的運算底層由 Indosat 的 GPU Merdeka（主權 GPU 即服務方案）提供，結合 NVIDIA 全端 AI 平台，讓研究人員與學生能在校內直接取用企業級運算資源,而不必仰賴海外雲端服務。主權運算模式是這次合作的核心賣點：Indosat 把原本面向企業客戶的 GPU 服務，下放到教育與研究場景。中心啟用同時公布三個先導專案，涵蓋醫療篩檢、農業與防災三個印尼在地急需的應用領域。
eNose-TB：以電子鼻感測結合 AI 做結核病篩檢SmartAgri：整合 IoT、雲端運算與 AI 的精準農業系統Tech4Disaster：面向防災整備的資料驅動決策平台
影響範圍
印尼通訊與數位事務部部長 Meutya Hafid 在啟用儀式上表示，「AI 主權不代表印尼要自我孤立」，UGM 校長 Ova Emilia 則強調校方已致力於透過 AI 優化打造智慧大學。在地應用優先是這座中心與一般企業級 AI 中心最大的差異：三個先導專案全部針對印尼自身的公衛、農業與防災需求設計，而非通用型模型研發。作為印尼第一座大學級 AI 技術中心，這個案例後續可能成為其他東南亞大學與電信商合作模式的參考範本。
原始來源：NVIDIA Blog、UGM 官方公告
把「局部注意力」跟「全域知識」拆開處理：LoKiFormer 讓預訓練收斂快 1.33 倍
arXiv 2608.12419 · 2026-08-12（v1）· Accepted by ICML 2026
背景
標準的 self-attention 對序列內部的局部關係沒有明確的歸納偏置（inductive bias），導致模型得花額外容量去反覆學習「相鄰詞之間本來就該相關」這種淺層規律。局部建模的浪費是這篇論文瞄準的第一個問題。第二個問題出在 mixture-of-experts（MoE）架構：MoE 把「知識儲存」跟「計算路徑」隱性綁在一起，模型想要存取序列以外的全域知識時，只能透過路由到特定專家這條間接路徑，缺乏直接的知識檢索機制。作者團隊（Qiuwu Chen、Mingkui Tan 等 11 人）在 arXiv:2608.12419 提出 LoKiFormer 來同時解決這兩個結構性限制。
核心改動
LoKiFormer 在標準 decoder 架構上加了兩個獨立模組。雙模組解耦設計是這篇論文的核心貢獻：一個處理局部訊號，一個處理全域知識，彼此不互相干擾。
Local Fusion Attention（LFA）：在 attention 之前加入卷積融合（convolutional fusion），先顯式捕捉局部模式，讓後續的 attention 運算能作用在資訊量更高的表徵上，而不必自己從頭學習局部關係。Knowledge Memory Module（KMM）：引入參數化的 key-value 記憶體，把全域知識明確儲存在可定址的插槽（addressable slots）中，讓儲存與計算路徑解耦，模型可以直接檢索知識而不必經過路由機制。
這種設計等於是把 Transformer 原本「一個 attention 機制包辦所有事」的做法，拆成「局部模式」與「全域知識」兩條分工明確的路徑。檢索式知識存取相比 MoE 的隱性路由,理論上能讓模型更精準地取用特定知識，而不用擔心路由選錯專家。
影響範圍
論文報告 LoKiFormer 在預訓練階段的收斂速度比基線模型快 1.33x，作者以此作為架構優越性的主要證據。收斂加速直接反映在訓練成本上：同樣的算力預算下，更快收斂意味著可以用更少的 GPU 時數達到相同的損失水準,或是在相同預算下訓練出更好的模型。論文已被 ICML 2026 接受，但摘要與現有揭露內容尚未列出具體使用的資料集名稱與模型規模,這部分仍需等候正式會議版本或程式碼釋出後才能進一步核實。
原始來源：arXiv:2608.12419