在科學(xué)研究越來(lái)越依靠標(biāo)準(zhǔn)化精密計(jì)算手段的今天，用智能體技術(shù)來(lái)自動(dòng)化加速科研的潛力讓人心潮澎湃。但在現(xiàn)實(shí)使用中，無(wú)論是 Cursor 還是 Codex，這類智能體多作為輔助工具存在：每推進(jìn)幾步，仍需人工介入驗(yàn)證或調(diào)整。

那么，一旦把流程完全交由智能體自動(dòng)化，怎樣確保它足夠可信，能獨(dú)立完成需要精密判斷的科研工作？

這是一個(gè)宏大而開放的問(wèn)題。團(tuán)隊(duì)近期完成的，傾注一年半心血的科研項(xiàng)目，就是從一個(gè)具體的科學(xué)場(chǎng)景切入，初步探索答案。我們著眼于基因表達(dá)分析這個(gè)任務(wù)，并通過(guò)它挖掘在控制多種混淆因子后仍然穩(wěn)定的基因—表型關(guān)聯(lián)。

具體來(lái)說(shuō)，從原始的轉(zhuǎn)錄組數(shù)據(jù)和半結(jié)構(gòu)化的臨床信息出發(fā)，自動(dòng)完成數(shù)據(jù)選擇、預(yù)處理與統(tǒng)計(jì)分析，識(shí)別與目標(biāo)性狀顯著相關(guān)的基因集合，并支持條件分析以剔除年齡、性別、共病等變量的干擾。

之所以選擇它，一方面因?yàn)榛?表型關(guān)聯(lián)對(duì)于疾病易感、藥物反應(yīng)與患者預(yù)后等問(wèn)題至關(guān)重要；另一方面因?yàn)樗銐螂y：平臺(tái)異構(gòu)、命名演化、批次效應(yīng)、樣本量與維度的不匹配，以及隱匿的混淆因素，使這一任務(wù)既代表了生物醫(yī)學(xué)數(shù)據(jù)分析的普遍挑戰(zhàn)，也對(duì)智能體技術(shù)的規(guī)劃、代碼生成與錯(cuò)誤恢復(fù)能力提出了實(shí)打?qū)嵉囊蟆?/p>

本文將分三部分展開：任務(wù)難在哪里、方法設(shè)計(jì)、核心實(shí)驗(yàn)結(jié)果與觀察。

論文標(biāo)題： GenoMAS: A Multi-Agent Framework for Scientific Discovery via Code-Driven Gene Expression Analysis 論文地址： https://arxiv.org/abs/2507.21035 GitHub地址： https://github.com/Liu-Hy/GenoMAS

圖1（系統(tǒng)架構(gòu)示意）：GenoMAS的多智能體協(xié)作框架。各角色通過(guò)帶類型的消息協(xié)議進(jìn)行協(xié)作，形成端到端的有序閉環(huán)。 一、為什么自動(dòng)化轉(zhuǎn)錄組分析這么難？

在開始接到這個(gè)課題的很長(zhǎng)一段時(shí)間里，我們是一籌莫展的?？紤]混淆后的基因-表型關(guān)聯(lián)絕大部分是未知的，無(wú)法在現(xiàn)有文獻(xiàn)中驗(yàn)證。

在研發(fā)這樣的智能體之前，為了評(píng)估它的性能好壞，我們需要有一套標(biāo)準(zhǔn)。于是想到，如果有一個(gè)數(shù)據(jù)集收集了人類專家按照最佳實(shí)踐分析數(shù)據(jù)得到的高質(zhì)量結(jié)果，與之對(duì)比就能判斷自動(dòng)化方法的優(yōu)劣。

我們首先找到 CMU 的一位計(jì)算生物學(xué)教授，邀請(qǐng)她加入這個(gè)課題，希望能組織她教授的一門研究生課上的學(xué)生來(lái)共同打造這個(gè)基準(zhǔn)數(shù)據(jù)集。在一次視頻會(huì)議里，我展示了這個(gè)任務(wù)需要的分析流程后，她搖了搖頭，說(shuō)這個(gè)太專業(yè)化了（specialized），作為課程項(xiàng)目來(lái)說(shuō)對(duì)學(xué)生的挑戰(zhàn)過(guò)大。

我們只好在校內(nèi)組織一個(gè)團(tuán)隊(duì)來(lái)建造這個(gè)數(shù)據(jù)集。我們很快就發(fā)現(xiàn)那個(gè)教授說(shuō)得沒錯(cuò)，我們發(fā)現(xiàn)甚至網(wǎng)上的樣例代碼都不容易搜到，找到的寥寥幾個(gè)有用的例子都是基于 R 的。

于是我們這些 CS 背景的人通過(guò)看書、看網(wǎng)課，請(qǐng)教生物專家，惡補(bǔ)這方面的知識(shí)，一邊召集團(tuán)隊(duì)，等了很久才在本校湊齊一個(gè)有足夠計(jì)算生物背景的隊(duì)伍，來(lái)建這個(gè)數(shù)據(jù)集。

基準(zhǔn)數(shù)據(jù)集搭建完成后，我們開始研發(fā)智能體。我們先試了當(dāng)時(shí)最強(qiáng)的大模型和最先進(jìn)的智能體。那會(huì)還是 GPT-4 時(shí)代，不出所料，所有方法和模型都無(wú)法生成代碼來(lái)跑通從原始數(shù)據(jù)到分析結(jié)果的全流程，更不用說(shuō)準(zhǔn)確率了。

隨著大模型能力的飛速提升，從 Claude Sonnet 4 開始，代碼跑通已經(jīng)不成問(wèn)題了?？墒牵?dāng)我們測(cè)試現(xiàn)有的先進(jìn)智能體時(shí)，發(fā)現(xiàn)它們?nèi)匀唤?jīng)常犯隱蔽而嚴(yán)重的錯(cuò)誤，導(dǎo)致整個(gè)分析得到的結(jié)果科學(xué)上無(wú)效（論文附錄 A 有詳細(xì)的分析和例子）。

自動(dòng)化方法在這里遇到的困難，植根于大模型自身的特點(diǎn)。首先，作為統(tǒng)計(jì)模型，它完成任務(wù)的表現(xiàn)高度依賴于任務(wù)相關(guān)互聯(lián)網(wǎng)數(shù)據(jù)的高頻性。它在眾多學(xué)科展現(xiàn)出的強(qiáng)大能力，也源于互聯(lián)網(wǎng)上大量的教材、習(xí)題等語(yǔ)料。

除了解數(shù)學(xué)題、算法題等相對(duì)容易靠強(qiáng)化學(xué)習(xí)后訓(xùn)練提升的領(lǐng)域以外，真實(shí)世界大部分專業(yè)性和開放性強(qiáng)的任務(wù)中，大模型都會(huì)面臨分布外泛化的嚴(yán)峻挑戰(zhàn)。如果任務(wù)足夠?qū)I(yè)化，就像一個(gè)優(yōu)秀的應(yīng)屆畢業(yè)生到了公司里需要從頭接受培訓(xùn)才能上手的任務(wù)，大模型往往也難以正確完成。

其次，大模型把所有信息以字符串的形式一股腦輸入 attention 處理，這難以應(yīng)對(duì)需要從若干個(gè)幾十至幾百兆的文件中整合數(shù)據(jù)、分析判斷的基因表達(dá)分析任務(wù)。

當(dāng)上下文窗口過(guò)長(zhǎng)，往往會(huì)淹沒重要信息，嚴(yán)重降低大模型的任務(wù)表現(xiàn)。人的“工作記憶”遠(yuǎn)不如大模型的上下文窗口，但人會(huì)主動(dòng)探索，會(huì)使用工具，也會(huì)選擇對(duì)哪些輸入信息進(jìn)行思維深加工。一位熟練的生信專家往往只需在關(guān)鍵節(jié)點(diǎn)從大型文件中定位并閱讀幾十行關(guān)鍵信息，就能高質(zhì)量完成整個(gè)分析任務(wù)。

二、設(shè)計(jì)理念：可信的科學(xué)自動(dòng)化，需要結(jié)合智能體和工作流的優(yōu)勢(shì)

有了上面的思考，我們的目標(biāo)就很明晰了：在智能體層面彌補(bǔ)大模型的不足，一是給它足夠的領(lǐng)域知識(shí)幫它完成“入行培訓(xùn)”，規(guī)范它行為的同時(shí)，讓它可以在此基礎(chǔ)上，在任務(wù)中自己積累經(jīng)驗(yàn)；二是在規(guī)劃模塊的層面上讓它自主探索環(huán)境，選擇性地處理和整合數(shù)據(jù)。

探索就不可避免會(huì)犯錯(cuò)，所以我們要讓它能即時(shí)從錯(cuò)誤中恢復(fù)，避免隨著上下文積累變長(zhǎng)后加劇的”自我條件”效應(yīng)走入死胡同。我們?cè)谠O(shè)計(jì)智能體的過(guò)程中，階段性地拿我們的基準(zhǔn)數(shù)據(jù)集評(píng)估性能，不斷迭代，力求研發(fā)一個(gè)可信的全自動(dòng)化基因表達(dá)分析任務(wù)的智能體。

這就引發(fā)一個(gè)問(wèn)題：什么是可信的科學(xué)自動(dòng)化？也許很多人認(rèn)為，現(xiàn)在的大模型已經(jīng)足夠強(qiáng)大和智慧，潛力無(wú)限。我們只要進(jìn)一步提升它的 agentic 能力，再讓它學(xué)會(huì)使用外部工具，那么不久的將來(lái)，它就能可信地自動(dòng)進(jìn)行科研工作。

雖然這些是非常重要且激動(dòng)人心的技術(shù)路線，但我們認(rèn)為，即使大模型可以變得非常強(qiáng)大智慧，也不一定“可信”。這是因?yàn)?，?duì)于科學(xué)或者說(shuō)科研，大家并沒有一致認(rèn)同的標(biāo)準(zhǔn)答案。

一個(gè)學(xué)科里會(huì)有觀點(diǎn)相左的不同學(xué)派，不同實(shí)驗(yàn)室對(duì)于科研的理解和規(guī)則也會(huì)有差異。在執(zhí)行重要任務(wù)時(shí)，這些差異會(huì)體現(xiàn)在操作細(xì)則的各個(gè)方面，而且越是重要的任務(wù)，越缺少妥協(xié)的余地。

倘若向全世界最強(qiáng)的智能體丟一句簡(jiǎn)單的命令，讓它根據(jù)自己的想法全自動(dòng)做科研，然后直接把結(jié)果端給用戶，對(duì)于嚴(yán)肅的科研工作者來(lái)說(shuō)恐怕是難以接受的。

所以我們認(rèn)為，可信的科學(xué)自動(dòng)化，首先要讓用戶選擇自己信任的 guidelines。這個(gè) guidelines 也許只是一個(gè)具體任務(wù)的簡(jiǎn)單指示，也許是復(fù)雜得多的一組文件。

對(duì)于要進(jìn)行的任務(wù)來(lái)說(shuō)，這個(gè) guidelines 要包含足夠的文本信息讓用戶確信自己認(rèn)同它將在這個(gè)任務(wù)中體現(xiàn)的科研風(fēng)格、學(xué)派立場(chǎng)等等，于是用戶在充分知情與認(rèn)同的前提下，對(duì)產(chǎn)出的結(jié)果承擔(dān)信任與責(zé)任。

而 agent 這一側(cè)，則需要確保按照用戶信任的 guidelines 工作，同時(shí)也要對(duì)實(shí)際執(zhí)行中的各種問(wèn)題自主地探索解決方案，靈活處理，避免像人為編排的工作流那樣僵化。因此，一個(gè)可信的智能體是需要結(jié)合 agent 和 workflow 優(yōu)勢(shì)的。

當(dāng)然，以上更多是原則性的思考。由于大模型的概率本質(zhì)，我們無(wú)法確保智能體 100% 的遵守 guidelines，而是通過(guò)智能體的編排，在大模型指令遵守和減少幻覺方面進(jìn)展的基礎(chǔ)上再進(jìn)一步。

三、方法設(shè)計(jì)：把可控的指南與自主的智能體放到一起

沿著“可信”這條主線，我們沒有試圖讓一個(gè)模型包打天下，而是把“如何做事”先寫清楚，再把足夠的自主性交給執(zhí)行者。

具體來(lái)說(shuō)，GenoMAS 把用戶認(rèn)可的指南看作一套可編輯的有向無(wú)環(huán)圖，并把其中的關(guān)鍵動(dòng)作切分為語(yǔ)義自洽、可原子執(zhí)行的 Action Unit。每一個(gè) Action Unit 都像是一段可復(fù)核的實(shí)驗(yàn)步驟，既能被獨(dú)立審閱，也能在必要時(shí)回滾與替換。

編程智能體不會(huì)被迫一條路走到黑，而是在每一步做出“前進(jìn)、修訂、跳過(guò)或回退”的選擇：當(dāng)早期判斷在下游暴露出矛盾，就把代碼與狀態(tài)一起拉回到合適的分叉點(diǎn)，從替代路徑繼續(xù)推進(jìn)。

這套機(jī)制并不是為了“多一個(gè)花哨層”，而是為了把可控與自適應(yīng)壓在同一個(gè)框架里。系統(tǒng)中的六個(gè)角色分工明確、彼此制衡：PI 負(fù)責(zé)統(tǒng)籌調(diào)度；兩位數(shù)據(jù)工程師分別面向 GEO 與 TCGA 的數(shù)據(jù)預(yù)處理；統(tǒng)計(jì)學(xué)家承擔(dān)回歸建模與顯著基因識(shí)別；代碼審閱者與領(lǐng)域?qū)＜姨峁┵|(zhì)量控制與生物學(xué)判斷。

角色之間通過(guò)帶類型的消息協(xié)議溝通，所有請(qǐng)求與響應(yīng)都有據(jù)可查，避免跨步與遺漏。在代碼層面，我們堅(jiān)持“編寫—審閱—修訂”的閉環(huán)：審閱者在隔離上下文的前提下檢查可執(zhí)行性與對(duì)指南的遵循，必要時(shí)給出明確的否決與修改建議；編程智能體據(jù)此整合歷史診斷信息完成修訂，直到通過(guò)或達(dá)到上限。

涉及生物學(xué)語(yǔ)義的節(jié)點(diǎn)（如臨床特征抽取與基因符號(hào)映射）則由領(lǐng)域?qū)＜以诰劢股舷挛闹薪o出判斷，并直接以可執(zhí)行的形式落地。

為了應(yīng)對(duì)真實(shí)數(shù)據(jù)的規(guī)模與異質(zhì)性，我們?cè)诠こ躺涎a(bǔ)足了“跑得穩(wěn)”的基本盤：并行與斷點(diǎn)續(xù)跑、緩存與資源監(jiān)控、超時(shí)保護(hù)與失敗回收；通過(guò)“代碼記憶”，系統(tǒng)把已通過(guò)審閱的片段按 Action Unit 類型索引與重用，在保持穩(wěn)健的同時(shí)逐步積累經(jīng)驗(yàn)，減少無(wú)謂重復(fù)。

為了保證可復(fù)現(xiàn)性與一致性，我們將基因同義詞庫(kù)與基因—表型關(guān)聯(lián)資源本地化并版本化管理。值得一提的是，我們采用“異質(zhì)模型”的團(tuán)隊(duì)配置：擅長(zhǎng)代碼代理的模型承擔(dān)編程主力，更強(qiáng)的推理模型主導(dǎo)規(guī)劃與審閱，而在生物知識(shí)上表現(xiàn)突出的模型提供領(lǐng)域判斷。

這種認(rèn)知多樣性的組織方式，在復(fù)雜任務(wù)上往往更穩(wěn)健，也更接近真實(shí)的跨學(xué)科協(xié)作。

圖2（編程智能體機(jī)制）：?jiǎn)蝹€(gè)編程智能體的規(guī)劃、代碼記憶與自我糾錯(cuò)流程示意。 四、實(shí)驗(yàn)與結(jié)果：在GenoTEX上的系統(tǒng)檢驗(yàn)

如果說(shuō)前面對(duì)“可信”的討論還停留在方法學(xué)層面，那么 GenoTEX 基準(zhǔn)數(shù)據(jù)集提供了一個(gè)足夠嚴(yán)苛的現(xiàn)實(shí)場(chǎng)景來(lái)檢驗(yàn)它：913 個(gè)真實(shí)數(shù)據(jù)集、132 個(gè)表型、共 1,384 個(gè)基因—表型問(wèn)題，從“數(shù)據(jù)選擇—數(shù)據(jù)預(yù)處理—統(tǒng)計(jì)分析”三段閉環(huán)評(píng)估。

這些表型涵蓋了從重大常見疾病到具有代表性的罕見疾病，以及身高和骨密度等身體特征，具備明確的生物學(xué)與臨床相關(guān)性。

我們?cè)陬A(yù)處理中同時(shí)考察結(jié)構(gòu)與數(shù)值的一致性（屬性交并系數(shù) AJ、樣本交并系數(shù) SJ 與復(fù)合相似相關(guān) CSC=AJ×SJ×相關(guān)系數(shù)均值），在統(tǒng)計(jì)分析階段考察 AUROC、Precision/Recall/F1 與 GSEA，并且記錄端到端成功率、時(shí)間與成本，避免只盯住“分?jǐn)?shù)”的單一維度。

結(jié)果顯示，GenoMAS 在數(shù)據(jù)預(yù)處理上取得 89.13% 的 CSC，在顯著基因識(shí)別上取得 60.48% 的 F1，較此前最優(yōu)方法分別提升 10.61% 與 16.85%；端到端執(zhí)行成功率達(dá)到 98.78%，同時(shí)將 API 成本降低約 44.7%。

這些數(shù)字并非只是“更高一些”的改良，而是說(shuō)明把“可復(fù)核指南 + 自主執(zhí)行 + 嚴(yán)格審閱”組織在一起，確實(shí)能在真實(shí)復(fù)雜度面前站穩(wěn)腳跟。

進(jìn)一步的對(duì)照顯示，異構(gòu)（多模型協(xié)作）配置在保持可控性的同時(shí)帶來(lái)額外收益：識(shí)別能力更強(qiáng)、成本更低。相反，通用工具集成更豐富的生物醫(yī)學(xué)智能體并未在此任務(wù)占優(yōu)，并不是“模型不夠強(qiáng)”，而是任務(wù)強(qiáng)調(diào)“遵循可復(fù)核指南”的受控執(zhí)行與對(duì)邊界情形的穩(wěn)健處理，而非開放域下的完全自主。

圖3（主結(jié)果對(duì)比）：GenoMAS 在 GenoTEX 上的端到端性能對(duì)比（F1 提升 16.85%，AUROC 提升 0.17，API 成本降低約 44.7%）。 五、進(jìn)一步分析：瓶頸、消融與系統(tǒng)行為

把鏈路拆開看，早期誤差的“放大效應(yīng)”最為直觀：數(shù)據(jù)集篩選本身并不困難，但一旦起步偏離，后續(xù)每一步都會(huì)為此付出代價(jià)。

預(yù)處理階段呈現(xiàn)出鮮明的分化：在表達(dá)矩陣的處理上，系統(tǒng)能夠穩(wěn)定達(dá)到高一致性；而在臨床特征抽取上，受制于半結(jié)構(gòu)化文本、命名異構(gòu)與來(lái)源不一致，CSC 顯著偏低，這是當(dāng)前主要瓶頸。

換句話說(shuō)，難點(diǎn)不在“數(shù)值歸一化”這樣的常規(guī)工程，而在于如何把真實(shí)世界的臨床語(yǔ)義穩(wěn)穩(wěn)地落到結(jié)構(gòu)化變量上。

統(tǒng)計(jì)分析的對(duì)照實(shí)驗(yàn)給了我們一個(gè)更清晰的參照系：當(dāng)直接使用專家預(yù)處理的數(shù)據(jù)時(shí)，系統(tǒng)的 F1 可達(dá)到約 95%；若去掉批次效應(yīng)校正，則顯著下降。

這一結(jié)果把“難題的坐標(biāo)”釘在了恰當(dāng)?shù)奈恢谩獑?wèn)題并不在于選擇何種回歸模型，而在于能否可靠地處理混淆，尤其是批次效應(yīng)與協(xié)變量控制。面向這一點(diǎn)，我們?cè)诩軜?gòu)層面把“引導(dǎo)式規(guī)劃—領(lǐng)域判斷—多輪審閱”綁在一起，目的就是把這些易被忽略卻決定有效性的步驟牢牢嵌入執(zhí)行鏈路。

消融結(jié)果進(jìn)一步印證了這種設(shè)計(jì)的必要性：去掉情境感知的引導(dǎo)式規(guī)劃、領(lǐng)域?qū)＜一蚨噍唽忛?，都?huì)帶來(lái)明顯退化；把審閱輪數(shù)限制為一輪，“看似笨重”的迭代在長(zhǎng)鏈路里卻是剛需。

此外，我們?cè)O(shè)置了“零樣本、不讀數(shù)據(jù)”的對(duì)照，AUROC 僅約 0.56，強(qiáng)調(diào)了結(jié)構(gòu)化數(shù)據(jù)處理與領(lǐng)域推理的不可替代性。

從系統(tǒng)行為看，“代碼記憶”在前期迅速爬升至約 65% 的復(fù)用率，節(jié)省了可觀的時(shí)間；消息流量集中在規(guī)劃與校驗(yàn)，PI 低頻調(diào)度、編程與顧問(wèn)高頻互動(dòng)的模式與真實(shí)跨學(xué)科團(tuán)隊(duì)相似。

圖4（合作模式示意）：智能體通信網(wǎng)絡(luò)與消息類型分布。數(shù)據(jù)工程師（含 GEO/TCGA）承擔(dān)多數(shù)交互，PI 低頻調(diào)度，規(guī)劃請(qǐng)求占比最高，體現(xiàn)“引導(dǎo)式規(guī)劃 + 多輪審閱”的主軸。

在一個(gè)代表性的 20 個(gè)問(wèn)題會(huì)話中，數(shù)據(jù)工程師角色主導(dǎo)過(guò)半的信息交互，統(tǒng)計(jì)學(xué)家負(fù)責(zé)分析階段的關(guān)鍵回合；PI 僅收發(fā)少量消息用于編排，體現(xiàn)編程智能體的高度自治。規(guī)劃請(qǐng)求/響應(yīng)居首，其次是代碼校驗(yàn)請(qǐng)求；低頻的“需要修訂”提示引導(dǎo)式規(guī)劃與多輪顧問(wèn)機(jī)制能前置性地防錯(cuò)，從而推高我們觀測(cè)到的約 98.78% 的端到端成功率。

這一通信結(jié)構(gòu)與角色分工，本質(zhì)上是在“集中執(zhí)行 + 分布式專長(zhǎng)”之間找到平衡：讓流程有主軸，但在邊界情形上保留適配空間。

六、收束與展望

把視角拉回到文章開頭的追問(wèn)：怎樣讓一個(gè)完全自動(dòng)化的系統(tǒng)在真實(shí)科研任務(wù)上“值得信任”。GenoMAS 的經(jīng)驗(yàn)是，不去迷信某個(gè)更大或更強(qiáng)的單點(diǎn)突破，而是把可復(fù)核的指南、自治的執(zhí)行與嚴(yán)格的審閱組織在一起，并在真實(shí)數(shù)據(jù)的異質(zhì)性與邊界條件中反復(fù)錘煉。

它當(dāng)然不是終點(diǎn)：臨床特征抽取的穩(wěn)健性、極端數(shù)據(jù)情形的處理、對(duì)指南遵循的進(jìn)一步可驗(yàn)證化，都還有大量工作要做。我們也在把這一范式推廣到更復(fù)雜的多組學(xué)與多模態(tài)場(chǎng)景，結(jié)合更強(qiáng)的規(guī)劃算法與更細(xì)粒度的執(zhí)行追蹤，進(jìn)一步刻畫因果與混淆，讓“可信”從流程合規(guī)走向知識(shí)層面的可靠。

如果這篇報(bào)道有意義，或許在于它給出了一條務(wù)實(shí)的路徑：先把“如何做事”講清楚，再讓系統(tǒng)在這個(gè)框架內(nèi)自主工作、允許犯錯(cuò)、學(xué)會(huì)修正，最終用數(shù)據(jù)說(shuō)話。我們希望繼續(xù)把這條路徑走實(shí)，也歡迎同行的審視、質(zhì)疑與合作。

來(lái)源：公眾號(hào)【PaperWeekly】

llustration From IconScout By IconScout Store

-The End-

掃碼觀看！

本周上新！

“AI技術(shù)流”原創(chuàng)投稿計(jì)劃

TechBeat是由將門創(chuàng)投建立的AI學(xué)習(xí)社區(qū)（www.techbeat.net）。社區(qū)上線700+期talk視頻，3000+篇技術(shù)干貨文章，方向覆蓋CV/NLP/ML/Robotis等；每月定期舉辦頂會(huì)及其他線上交流活動(dòng)，不定期舉辦技術(shù)人線下聚會(huì)交流活動(dòng)。我們正在努力成為AI人才喜愛的高質(zhì)量、知識(shí)型交流平臺(tái)，希望為AI人才打造更專業(yè)的服務(wù)和體驗(yàn)，加速并陪伴其成長(zhǎng)。

投稿內(nèi)容

// 最新技術(shù)解讀/系統(tǒng)性知識(shí)分享 //

// 前沿資訊解說(shuō)/心得經(jīng)歷講述 //

投稿須知

稿件需要為原創(chuàng)文章，并標(biāo)明作者信息。

我們會(huì)選擇部分在深度技術(shù)解析及科研心得方向，對(duì)用戶啟發(fā)更大的文章，做原創(chuàng)性內(nèi)容獎(jiǎng)勵(lì)

投稿方式

發(fā)送郵件到

michellechang@thejiangmen.com

或添加工作人員微信（michelle333_）投稿，溝通投稿詳情

關(guān)于我“門”

將門是一家以專注于數(shù)智核心科技領(lǐng)域的新型創(chuàng)投機(jī)構(gòu)，也是北京市標(biāo)桿型孵化器。 公司致力于通過(guò)連接技術(shù)與商業(yè)，發(fā)掘和培育具有全球影響力的科技創(chuàng)新企業(yè)，推動(dòng)企業(yè)創(chuàng)新發(fā)展與產(chǎn)業(yè)升級(jí)。

將門成立于2015年底，創(chuàng)始團(tuán)隊(duì)由微軟創(chuàng)投在中國(guó)的創(chuàng)始團(tuán)隊(duì)原班人馬構(gòu)建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術(shù)型創(chuàng)業(yè)公司。

如果您是技術(shù)領(lǐng)域的初創(chuàng)企業(yè)，不僅想獲得投資，還希望獲得一系列持續(xù)性、有價(jià)值的投后服務(wù)，歡迎發(fā)送或者推薦項(xiàng)目給我“門”:

bp@thejiangmen.com

點(diǎn)擊右上角，把文章分享到朋友圈