Beyond LLMs: చైనీస్ AI పరిశోధకులు ఏమి నిర్మిస్తున్నారు, ఎందుకు ముఖ్యం

చాలా AI చర్చలు ఇప్పటికీ large language models తోనే మొదలవుతాయి. మేము వాటి reasoning, coding సామర్థ్యం మరియు benchmark స్కోర్లను పోల్చుతాము. ప్రతి కొత్త విడుదలకు శ్రద్ధ లభిస్తుంది, ఎందుకంటే language models software మరియు పనిలోని అనేక భాగాల్లో ఉపయోగకరంగా మారాయి.

కానీ AI ను కేవలం language models ద్వారా చూస్తే చిత్రం అసంపూర్ణంగానే ఉంటుంది.

China అంతటా పరిశోధకులు వేర్వేరు సమస్యలపై పనిచేస్తున్నారు: వాతావరణాన్ని అంచనా వేయడం, ప్రయోగశాల పరీక్షలు నిర్వహించడం, సంభావ్య మందులను కనుగొనడం, భౌతిక వస్తువులను పట్టుకోవడం నేర్పించడం, మరియు కంప్యూటింగ్ వ్యవస్థలను నిర్మించడానికి కొత్త మార్గాలను అన్వేషించడం. కొన్ని ప్రాజెక్టులు language models ను భాగాలుగా ఉపయోగిస్తాయి. మరికొన్ని పూర్తిగా వేరే పద్ధతులపై ఆధారపడతాయి.

ఆసక్తికరమైన ప్రశ్న ఏమిటంటే ఈ అభివృద్ధులు ఒక దేశం మరొకదాని కంటే ముందుందని నిరూపిస్తాయా అని కాదు. అసలు ప్రశ్న పరిశోధకులు నిజంగా ఏమి ప్రదర్శించారు, వారి ఫలితాలు ఎలా పరీక్షించబడ్డాయి, మరియు పరిమితులు ఎక్కడ ఉన్నాయి అన్నది.

వాతావరణాన్ని సాధారణ లెక్కలు లేకుండా అంచనా వేయడం

సంప్రదాయ వాతావరణ అంచనా numerical models ను ఉపయోగిస్తుంది. ఇవి భౌతిక సమీకరణాల ప్రకారం వాతావరణ పరిస్థితులు ఎలా మారుతాయో లెక్కిస్తాయి. వీటికి భారీ కంప్యూటింగ్ శక్తి అవసరం. AI అంచనా మరో మార్గం తీసుకుంటుంది: గత వాతావరణ డేటా నుండి నమూనాలను నేర్చుకుని, వాటి ఆధారంగా భవిష్యత్ పరిస్థితులను అంచనా వేస్తుంది. శిక్షణ పొందిన తర్వాత, కొన్ని వ్యవస్థలు వేగంగా అంచనాలు ఇవ్వగలవు. అయినా training మరియు operational infrastructure కు ఇంకా ఖర్చులు ఉంటాయి.

2023లో Huawei Cloud పరిశోధకులు Pangu-Weather ను Nature లో వివరించారు. ఈ వ్యవస్థ వాతావరణ సమాచారాన్ని వివిధ ఎత్తుల్లో సూచించడానికి మూడు-డైమెన్షనల్ neural-network architecture ను ఉపయోగించింది. దాని రచయితలు తమ ప్రయోగ పరిస్థితుల్లో పోటీ సామర్థ్యం గల medium-range అంచనాలు మరియు వేగవంతమైన అంచనా ఉత్పత్తి నివేదించారు. మూలం: Nature. అధికారిక కోడ్: GitHub repository, పబ్లిక్; licence ఫైల్ లేదు, కాబట్టి సూచన కోసం మాత్రమే లింక్ చేయబడింది.

ఇతర చైనీస్ పరిశోధనా సహకారాలు FengWu మరియు FuXi ను అభివృద్ధి చేశాయి. వాటి విధానాలు వేరుగా ఉన్నాయి: FuXi అంచనాను వేర్వేరు lead times కు ఆప్టిమైజ్ చేసిన దశలుగా విభజించింది, FengWu వాతావరణ variables అంతటా సమాచారాన్ని కలిపింది. ఇవి ఒకే ఏకరూప పద్ధతి కాకుండా పోటీ పడే సాంకేతిక వ్యూహాలు.

అవే పరిస్థితుల్లో పరిశోధకులు వాటిని పోల్చినప్పుడు ఏమైంది?

2024లో npj Climate and Atmospheric Science లో వచ్చిన అధ్యయనం Pangu-Weather, FengWu, FuXi, Google GraphCast మరియు NVIDIA FourCastNet v2 లను తూర్పు ఆసియా మరియు పశ్చిమ ఉత్తర పసిఫిక్ ప్రాంతంలో మూల్యాంకనం చేసింది. అధ్యయనంలోని సాధారణ ప్రారంభ పరిస్థితుల్లో, FengWu తన ప్రధాన వాతావరణ అంచనా కొలమానాల్లో ఉత్తమంగా పనిచేసింది, తర్వాత FuXi మరియు GraphCast వచ్చాయి. Pangu-Weather ఐదింటిలో తక్కువ స్థానంలో నిలిచింది. ఫలితాలు పనిని బట్టి కూడా మారాయి. పరిశీలించిన తుఫానుల కోసం, FengWu storm tracks అంచనాలో బాగా పనిచేసింది, కానీ పోల్చిన మోడళ్లలో అత్యధిక storm-intensity లోపాలు దాని వద్దే ఉన్నాయి. స్వతంత్ర పోలిక.

Model	ఒకే ప్రారంభ పరిస్థితుల్లో మొత్తం ఫలితం	తుఫాను track	తుఫాను intensity
FengWu	ప్రధాన వాతావరణ కొలమానాల్లో ఉత్తమం	బాగా పనిచేసింది	పోల్చిన మోడళ్లలో అత్యధిక intensity లోపాలు
FuXi	FengWu తర్వాత రెండవది	సమీక్షించిన మూలాల్లో పేర్కొనలేదు	సమీక్షించిన మూలాల్లో పేర్కొనలేదు
GraphCast	FuXi తర్వాత మూడవది	సమీక్షించిన మూలాల్లో పేర్కొనలేదు	సమీక్షించిన మూలాల్లో పేర్కొనలేదు
FourCastNet v2 మరియు Pangu-Weather	తక్కువ స్థానంలో	సమీక్షించిన మూలాల్లో పేర్కొనలేదు	సమీక్షించిన మూలాల్లో పేర్కొనలేదు

ఆ తేడా ముఖ్యమైనది. తుఫాను ఎక్కడికి వెళ్తుందో అంచనా వేయడం, అది ఎంత శక్తివంతమవుతుందో అంచనా వేయడం ఒకటి కాదు.

2026లో European Centre for Medium-Range Weather Forecasts (ECMWF) Pangu-Weather తో సహా అనేక పాత బయటి AI వాతావరణ మోడళ్ల నిజ-సమయ అమలును ఆపివేసింది. ఆ నిర్ణయం దాని operational కార్యక్రమంలో మార్పులను, ఆ పాత మోడళ్లను కొనసాగించడంలోని ఉపయోగాన్ని ప్రతిబింబించింది. అది వాటి పరిశోధన సహకారాలను చెరిపివేయలేదు. మూలం: ECMWF.

ఇక్కడ సాధించినది శాశ్వత ర్యాంకింగ్ కాదు. చైనీస్ పరిశోధకులు గమనించిన వాతావరణ పరిస్థితులతో మూల్యాంకనం చేయగల, స్వతంత్ర వాతావరణ బృందాలు పోల్చగల పద్ధతులను అభివృద్ధి చేయడంలో సహాయపడ్డారు. అది ఒక headline benchmark కంటే అభివృద్ధి గురించి మరింత అర్థవంతమైన చిత్రాన్ని ఇస్తుంది.

AI శాస్త్రీయ ప్రయోగశాలలోకి ప్రవేశించినప్పుడు

శాస్త్రీయ పరిశోధనలో సమాధానం ప్రతిపాదించడం కంటే ఎక్కువ ఉంటుంది. పరిశోధకులు పదార్థాలు సిద్ధం చేస్తారు, పరికరాలను నడుపుతారు, ఫలితాలను కొలుస్తారు, ఆపై ఏం పరిశోధించాలో నిర్ణయించడానికి ఆ కొలతలను ఉపయోగిస్తారు. కొన్ని చైనీస్ పరిశోధనా బృందాలు ఈ దశలను AI-assisted experimental systems ద్వారా కలుపుతున్నాయి.

2022లో University of Science and Technology of China తో అనుబంధించబడిన పరిశోధకులు AI-Chemist ను వివరించారు. వారి వ్యవస్థ computational planning ను synthesis, characterization మరియు performance testing వంటి పనులకు ఉపయోగించే 14 ప్రయోగశాల workstations పై నడిచే robotic equipment తో కలిపింది. ముఖ్యమైన సహకారం software నిర్ణయాలను భౌతిక ప్రయోగాలతో అనుసంధానించడం. ప్రయోగాన్ని కేవలం పదాలలో వర్ణించే సామర్థ్యం మాత్రమే కాదు. మూలం: ప్రచురిత పరిశోధన.

ఈ చిత్రానికి ప్రత్యామ్నాయ టెక్స్ట్ వివరణ

రేఖాచిత్రం యొక్క టెక్స్ట్ వెర్షన్. ఈ చక్రంలో నాలుగు దశలు ఉన్నాయి. 1. Plan: software మరియు language-model agents తదుపరి ప్రయోగాన్ని ప్రతిపాదిస్తాయి. 2. Run: robotic workstation synthesis నిర్వహిస్తుంది. 3. Measure: characterization మరియు performance పరీక్షలు తీసుకుంటారు. 4. Decide: ఫలితాలు తదుపరి ప్రయోగాన్ని ఎంచుకుంటాయి, చక్రం పునరావృతమవుతుంది.

ఈ ప్రదర్శనకు పరిమితులు ఉన్నాయి. ఇది ప్రయోగశాలలోని అందుబాటులో ఉన్న సాధనాలు మరియు నిర్వచించిన ప్రయోగ workflows లోపలే పనిచేసింది. ఏ యంత్రమైనా ఏ శాస్త్రీయ సమస్యనైనా స్వతంత్రంగా పరిష్కరించగలదని ఇది నిరూపించలేదు.

ఇటీవలి ఉదాహరణ MARS. ఇది Shenzhen Institutes of Advanced Technology (Chinese Academy of Sciences లో భాగం) నేతృత్వంలోని, సహకారుల భాగస్వామ్యంతో జరిగిన పరిశోధన. ప్రచురించిన ప్రాజెక్టు 19 ప్రత్యేక language-model agents, 16 research tools మరియు robotic laboratory operations ను వివరిస్తుంది. Agents planning, analysis మరియు execution ను సమన్వయం చేయడంలో సహాయపడతాయి, ప్రయోగ కొలతలు తర్వాతి దశలకు మార్గదర్శకత్వం చేస్తాయి. దీని పరిశోధకులు perovskite materials పై ఫలితాలు నివేదించారు, అందులో పరిమిత ప్రయోగాల శ్రేణిలో ఆప్టిమైజేషన్ కూడా ఉంది. మూలం: Matter పేపర్.

MARS ఒక ఉపయోగకరమైన ప్రశ్నను లేవనెత్తుతుంది: language models ను ఉపయోగించినప్పుడు ఇది beyond LLMs AI పరిశోధనగా లెక్కించబడుతుందా? అవును, ఆ తేడాపై మనకు స్పష్టత ఉంటే. Language models వ్యవస్థలో భాగం, కానీ వ్యవస్థ లక్ష్యం ప్రత్యేక సాధనాలు మరియు భౌతిక పరికరాలతో కూడిన ప్రయోగాత్మక పని. Beyond LLMs అంటే LLMs లేకుండా అని కాదు. అంటే సంభాషణ సామర్థ్యానికి మించి, ఈ వ్యవస్థలు మద్దతు ఇచ్చే పనులను చూడటం.

ఈ సిరీస్‌లోని తదుపరి వ్యాసం autonomous laboratories ను మరింత లోతుగా పరిశీలిస్తుంది, ఇంకా మిగిలి ఉన్న reliability మరియు reproducibility సమస్యలతో సహా.

మందు అభివృద్ధిలో AI పాత్ర

Drug discovery వేరే రకమైన సాక్ష్యాన్ని తెస్తుంది. AI జీవసంబంధ లక్ష్యాలను మరియు ఆశాజనకమైన molecular structures ను గుర్తించడంలో పరిశోధకులకు సహాయపడగలదు, కానీ కంప్యూటర్ రూపొందించిన అభ్యర్థి మందుకు చాలా దూరంలో ఉంటుంది. ప్రయోగశాల పరీక్షలు, preclinical పరిశోధన మరియు మానవ ట్రయల్స్ ఇప్పటికీ ముఖ్యమైనవి.

Rentosertib, idiopathic pulmonary fibrosis కోసం ఒక investigational చికిత్స, ఈ మార్గాన్ని వివరిస్తుంది. దీనిని Insilico Medicine అభివృద్ధి చేసింది, ఇది చైనాలో గణనీయమైన పరిశోధన మరియు క్లినికల్ కార్యకలాపాలు కలిగిన అంతర్జాతీయ biotechnology కంపెనీ. ఈ కార్యక్రమాన్ని కేవలం ఒక చైనీస్ ప్రయోగశాల మాత్రమే చేసిన ఆవిష్కరణగా పేర్కొనడం సరికాదు.

Nature Medicine లో 2025లో ప్రచురించిన randomized phase 2a ట్రయల్ చైనాలోని 21 సైట్లలో 71 మంది పాల్గొనేవారిని నమోదు చేసింది. దాని ప్రధాన దృష్టి 12 వారాల పాటు భద్రత మరియు సహనశీలతపై ఉంది. ఊపిరితిత్తుల పనితీరు మార్పులు ద్వితీయ ఫలితాలలో ఉన్నాయి. పరిశోధకులు కొన్ని సమూహాల్లో ప్రోత్సాహకరమైన సంకేతాలు నివేదించారు, కానీ చిన్న నమూనా, తక్కువ follow-up, adverse events మరియు చికిత్స నిలిపివేతలు ఆ ఫలితాలు ఏమి నిరూపించగలవో పరిమితం చేస్తాయి. మూలం: క్లినికల్ అధ్యయనం.

2026 సెప్టెంబర్ 10న Insilico Medicine, పెద్ద, 52-week phase 3 GENESIS-IPF-3 ట్రయల్‌లో మొదటి పాల్గొనేవారికి మోతాదు ఇచ్చినట్లు ప్రకటించింది. ఇది ఒక ముఖ్యమైన అభివృద్ధి దశ, విజయవంతమైన phase 3 ఫలితం లేదా regulatory approval కాదు. మూలం: కంపెనీ ప్రకటన.

దశ	ఏమి తెలుసు	స్థితి
Discovery	AI ఒక జీవసంబంధ లక్ష్యాన్ని మరియు అభ్యర్థి molecule ను గుర్తించడంలో సహాయపడింది. అభ్యర్థి ఇంకా మందు కాదు.	కార్యక్రమంలో భాగంగా పూర్తయింది
Phase 2a (randomized, 2025 లో ప్రచురణ)	చైనాలోని 21 సైట్లలో 71 మంది. ప్రధాన దృష్టి: 12 వారాల పాటు భద్రత మరియు సహనశీలత. ఊపిరితిత్తుల పనితీరు మార్పులు ద్వితీయ ఫలితాలు.	ప్రచురితం. చిన్న, తక్కువ కాలపు అధ్యయనం
Phase 3 (GENESIS-IPF-3)	52 వారాల ట్రయల్. 2026 సెప్టెంబర్ 10న మొదటి పాల్గొనేవారికి మోతాదు. కంపెనీ ప్రకారం చైనాలోని 47 కేంద్రాల్లో 320 మంది ప్రణాళిక.	కొనసాగుతోంది. ఇంకా ఎలాంటి efficacy ఫలితం లేదు
Regulatory approval	ఏదీ లేదు	ఆమోదం లేదు

ఈ ఉదాహరణ AI-designed మందులు సాధారణంగా ఇతర పద్ధతులతో అభివృద్ధి చేసిన మందుల కంటే మెరుగ్గా ఉంటాయని నిరూపించదు. AI-assisted discovery నియంత్రిత క్లినికల్ పరీక్షలకు చేరే కార్యక్రమంలో భాగం కాగలదని ఇది చూపిస్తుంది. అక్కడ జీవసంబంధ మరియు వైద్య సాక్ష్యమే ఫలితాన్ని నిర్ణయించాలి, సాంకేతికత ఎక్కడ నుండి వచ్చిందన్నది కాదు.

భౌతిక ఉదాహరణల ద్వారా రోబోట్లకు నేర్పించడం

Robots కు text మాత్రమే నేర్పలేని సమస్యలు ఉంటాయి. వస్తువులను పట్టుకున్నప్పుడు, ఎత్తినప్పుడు, కదిలించినప్పుడు లేదా వివిధ పరిస్థితుల్లో ఉంచినప్పుడు ఏమి జరుగుతుందో ఒక యంత్రం నేర్చుకోవాలి.

చైనీస్ robotics డెవలపర్ AgiBot AgiBot World ను పరిచయం చేసింది, ఇది 217 పనుల్లో ఒక మిలియన్‌కు పైగా రికార్డు చేసిన robot trajectories ఉన్న పరిశోధనా dataset. ప్రతి trajectory భౌతిక manipulation కు సంబంధించిన observations మరియు actions ను నమోదు చేస్తుంది. మూలం: AgiBot World పేపర్.

ఇది ఉపయోగకరమైన training infrastructure, కానీ dataset పరిమాణం general-purpose robotic intelligence కు కొలమానం కాదు. ముఖ్యమైనది ఏమిటంటే, అలాంటి డేటాపై శిక్షణ పొందిన మోడళ్లు తెలియని వస్తువులు మరియు మారుతున్న పరిస్థితుల్లో నమ్మదగినవిగా పనిచేయగలవా అన్నది. ఆ ప్రశ్నను, నిజమైన హార్డ్‌వేర్ నుండి వచ్చిన సాక్ష్యాన్ని, Article 3 లో పరిశీలిస్తాము.

కంప్యూటింగ్‌కు భిన్నమైన విధానం

Zhejiang University వద్ద Darwin కార్యక్రమం neuromorphic computing ను అన్వేషిస్తుంది: జీవసంబంధ నాడీ సంకేతాల కొన్ని అంశాలపై ప్రేరణ పొందిన architectures. దీని Darwin Monkey వ్యవస్థ large spiking neural network simulations కు మద్దతు ఇవ్వడానికి 960 Darwin3 chips ను కలుపుతుందని నివేదించబడింది. మూలం: Zhejiang University.

ఇది ఒక ముఖ్యమైన పరిశోధనా architecture, కానీ మనిషి లాంటి మేధస్సుకు సాక్ష్యం కాదు. అనుకరణ neuron సంఖ్యలు సాధారణ accelerators పై ఆధిక్యాన్ని నిరూపించవు. ఉపయోగకరమైన పోలికలకు సమాన workloads, ఖచ్చితత్వం మరియు శక్తి కొలతలు అవసరం. Neuromorphic computing ఏమి అందించగలదో, ఏమి అందించలేదో Article 4 పరిశీలిస్తుంది.

పరిశోధన నుండి ఆచరణాత్మక ఉపయోగానికి

పరిశోధనా ప్రపంచం విశ్వవిద్యాలయాలకు మించి విస్తరిస్తోంది. చైనీస్ తయారీదారులు కూడా నిర్దిష్ట పారిశ్రామిక పనుల కోసం AI ను ఉపయోగిస్తున్నట్లు నివేదిస్తున్నారు. ఉదాహరణకు CITIC Dicastal ఆటోమోటివ్ వీల్ ఉత్పత్తిలో లోపాలను గుర్తించడానికి AI-assisted X-ray inspection ను వివరించింది. ఇది స్థిరపడిన తయారీ ప్రక్రియకు computer vision ను ఉపయోగించడానికి ఒక స్పష్టమైన ఉదాహరణ. అయితే దాని నివేదించిన ఉత్పాదకత మెరుగుదలలను, స్వతంత్రంగా పోల్చదగిన కొలతలు మద్దతు ఇవ్వకపోతే, కంపెనీ వాదనలుగానే పరిగణించాలి.

ఈ ఉదాహరణలు వేర్వేరు రకాల పురోగతిని చూపుతాయి. వాతావరణ మోడళ్లను పరిశీలనలతో మూల్యాంకనం చేయవచ్చు. ప్రయోగశాల వ్యవస్థలు ప్రయోగ ఫలితాలను ఇవ్వాలి. మందు అభ్యర్థులకు క్లినికల్ సాక్ష్యం అవసరం. Robots భౌతిక హార్డ్‌వేర్‌పై పనిచేయాలి. ప్రత్యామ్నాయ కంప్యూటింగ్ వ్యవస్థలు పోల్చదగిన workloads ద్వారా తమ ప్రయోజనాలను నిరూపించాలి.

ఈ పని వివిధ రకాల సంస్థల నుండి కూడా వస్తోంది: విశ్వవిద్యాలయాలు, ప్రభుత్వ అనుబంధ సంస్థలు, వ్యాపారాలు మరియు అంతర్జాతీయ సహకారాలు. ఇదంతా ఒకే సమన్వయిత జాతీయ ప్రయత్నమని వర్ణించడం ఎవరు ఏమి అభివృద్ధి చేశారు, ప్రతి సహకారాన్ని ఎలా అంచనా వేయాలి అనే విషయాన్ని మసకబారుస్తుంది.

ఈ పరిశోధన స్థాపించేది దేశాల ర్యాంకింగ్‌పై పోటీ కంటే మరింత ఆసక్తికరమైనది. చైనీస్ పరిశోధకులు మరియు చైనాతో అనుబంధించబడిన బృందాలు అనేక సాంకేతిక రంగాలలో గణనీయమైన సహకారాలు అందించాయి, కానీ వారి విజయాలు వేర్వేరు స్థాయి పరిపక్వతలో ఉన్నాయి. కొన్ని స్వతంత్రంగా మూల్యాంకనం చేయబడ్డాయి. మరికొన్ని ఇంకా పరిమిత ప్రయోగాలుగా లేదా సంస్థలు నివేదించిన సామర్థ్యాలుగా మిగిలి ఉన్నాయి.

AI పురోగతి మోడళ్లు మనకు ఏమి చెప్పగలవో దానికి మించి విస్తరిస్తుంది. అవి ఏమి అంచనా వేయగలవు, కనుగొనగలవు మరియు సాధించడంలో సహాయపడగలవో, ఆ సామర్థ్యాలు పని చేస్తాయో లేదో చూపే సాక్ష్యం కూడా అందులో భాగమే.

వనరులు మరియు మరింత చదవడానికి

1. Pangu-Weather: Nature (2023).
2. ఐదు AI వాతావరణ మోడళ్ల స్వతంత్ర పోలిక: npj Climate and Atmospheric Science (2024).
3. ECMWF: బయటి AI మోడళ్లకు వీడ్కోలు (2026).
4. AI-Chemist: ప్రచురిత అధ్యయనం (2022).
5. MARS: Matter పరిశోధన.
6. Rentosertib phase 2a: Nature Medicine (2025).
7. GENESIS-IPF-3 phase 3 ప్రారంభం: Insilico Medicine (2026).
8. AgiBot World Colosseo: పరిశోధన preprint (2025).
9. Darwin సిరీస్: Zhejiang University (2026).