理大突破AI訓練瓶頸　低成本分散式技術引領創新

**生成式人工智能（GenAI）**的快速發展正在重塑科技格局。然而，高昂的訓練成本和資源門檻卻讓許多研究機構望而卻步。

香港理工大學（理大）人工智能高等研究院（PAAI）的研究團隊近日宣布一項重要技術進展——提出「協作式生成人工智能（Co-Generative AI）」模式，成功將AI訓練從傳統集中式轉向分散式，不僅大幅降低訓練成本，更為全球學術界打開參與AI研發的大門。

該技術的核心在於開源發布了「端到端FP8低比特訓練全套方案」。憑藉這一舉措，理大成為全球少數掌握該技術的學術機構之一。相比主流的BF16精度訓練（一種高精度資料格式，適用於深度學習模型的高效訓練），FP8技術（一種低比特訓練格式，具備更高的計算效率）將訓練速度提升逾兩成，顯存峰值佔用減少逾一成，成本更是顯著下降。此外，團隊還開發了名為「InfiFusion模型融合技術」的創新方法，其特點是僅需數百GPU小時即可完成以往需要百萬級GPU小時的訓練任務，效率提升令人矚目。

打破資源壁壘　助力人工智慧普及應用

目前，生成式人工智慧在技術發展面臨三大挑戰：計算資源需求龐大、數據隱私難以保障，以及新知識吸收效率偏低。針對這些問題，理大團隊從「低成本訓練」與「分散式融合」兩大方向展開攻關。以醫療領域為例，團隊訓練出性能優異的醫療基礎大模型，並研發專屬「癌症GenAI系統（專門用於癌症治療的人工智慧系統）」，可快速積累高質量醫療數據，直接連接醫療設備進行個人化治療規劃。目前，該技術已在復旦大學附屬華山醫院、中山大學腫瘤防治中心等多家機構的合作下，成功推動臨床應用。

楊紅霞教授表示：「我們希望通過**超低計算資源（即極低硬體資源需求）**實現基礎模型訓練，加上高效模型融合，讓更多學術人員能夠投入GenAI研究，匯聚更多力量創新。」這項技術的普及意味著，即便資源有限的中小型研究機構也能參與到前沿AI研發中，從而加速技術迭代。

模型融合的規模效應定律　提供AGI研究新方向

除了降低成本，理大團隊還首次理論驗證了「模型融合的規模效應定律」的可行性。這一定律表明，通過模型融合的方式，可能為通往通用人工智慧（AGI）提供另一條途徑。據了解，這一理念由Thinking Machines Lab倡導；理大團隊則通過嚴謹的數學推導，進一步鞏固了其理論基礎。

趙汝恒教授指出：「人工智慧是加速培育**創新驅動的生產力（即新的生產方式和經濟模式）**的核心，理大新成立的PAAI致力於加速人工智慧技術在各個重點領域的深度融合，並針對不同行業開發具備專業領域知識的人工智慧模型。」他強調，這不僅能鞏固理大在相關領域的領先地位，更能助力香港成為全球生成式人工智慧發展的重要基地。

技術應用前景廣闊

除了醫療，理大團隊在**智能體人工智能（Agentic AI，即具備自主決策能力的人工智慧）**領域亦取得顯著成果。該技術可用作研究生學術助手，協助論文撰寫與審閱，同時作為多模態專利檢索引擎，為創新研發提供高效支持。據悉，楊紅霞教授領導的研究項目已獲得研究資助局「2025/26年度主題研究計劃」、香港特區政府創新科技署「產學研1+計劃」及數碼港「人工智慧資助計劃」的資助，標誌著香港在全球人工智慧創新領域取得具體進展。

隨著這一系列技術的逐步落地，香港有望在生成式人工智慧領域迎來新的發展機遇，為全球人工智慧技術的普及應用提供新契機。