近日香港理工大學（理大）人工智能高等研究院（PAAI）研究團隊在生成式人工智能（GenAI）領域取得多項關鍵技術突破。團隊創新提出「協作式生成人工智能（Co-Generative AI）」模式，將AI訓練從傳統集中式轉向分布式，不僅大幅降低訓練成本、保障數據隱私，更打破資源壁壘，讓全球更多研究機構得以參與AI研發，為全球人工智能創新注入強勁動力。

當前，GenAI領域面臨三重核心制約：基礎模型訓練需耗費巨量計算資源，僅少數機構可以負擔，導致學術界難以直接參與基礎模型的訓練、領域專屬知識與數據無法融入模型；隱私保護與版權歸屬問題使醫療、金融等敏感數據難以用于訓練；基礎模型難以及時吸收新知識，每次重新訓練需「天文數字級」資源，嚴重阻礙技術迭代。針對這些痛點，理大PAAI團隊從「低成本訓練」與「分布式融合」兩大方向展開攻關，在理論證明和應用落地方面取得突破性成果。

理大成為業界首個開源發布「端到端FP8低比特訓練全套方案」（涵蓋預訓練及后訓練）的大學團隊，該技術打破全球基礎模型以BF16精度訓練的主流格局，是全球少數掌握該核心技術的研究團隊之一。與BF16相比，FP8核心優勢體現在多方面：訓練速度提高逾兩成、顯存峰值占用減少逾一成、成本大幅下降；整合「持續預訓練」、「監督式微調」和「強化學習」，訓練效果媲美BF16模型且訓練時間和顯存占用進一步壓縮。團隊已啟動更低成本的FP4精度訓練探索，相關成果已發表于學術論文1；經測試，其在醫療的診斷和推理上超過目前業界發布同等尺寸最優模型領域2；在科研智能體領域（Research Agent）中的任務復雜度，泛化能力和生成報告質量上均取得重大突破3。

傳統基礎模型遵循「縮放定律」（參數越多、知識越廣、性能越強），但集中式訓練需耗費百萬計GPU小時，僅少數機構可以負擔。理大團隊研發的「InfiFusion模型融合技術」則實現關鍵突破：僅需數百GPU小時，即可融合出傳統需100萬至200萬GPU小時訓練的大模型；團隊更以實例驗證效率——用160個GPU小時完成4個尖端模型融合4-5，不僅避免了單個尖端模型傳統訓練需要的百萬計GPU小時，且融合后模型在多項權威測試中性能顯著優于原始模型。

此外，這項由Thinking Machines Lab非常倡導模型融合的理念，被理大團隊首次從理論上驗證了可行性。研究團隊通過嚴謹的數學推導，提出了「模型融合縮放定律」（Model Merging Scaling Law），這意味著通往通用人工智能（AGI）可能還有另一條途徑６。理大PAAI執行院長、計算器及數學科學學院副院長（環球事務）及電子計算學系教授楊紅霞教授指出：「以超低資源實現基礎模型訓練，加上高效模型融合，可助全球學術人員投入GenAI研究，匯聚更多力量創新。」

在技術落地層面，理大團隊已取得多領域實質進展。醫療領域中，團隊訓練出性能領先的醫療基礎大模型，并研發專屬「癌癥GenAI」——在同規模模型中性能最佳，可快速積累高質量醫療數據、直接對接醫療設備，用于癌癥個性化治療規劃，目前正聯合復旦大學附屬華山醫院、中山大學腫瘤防治中心、山東省腫瘤醫院及香港伊利沙伯醫院推動合作與臨床落地。此外，團隊在智能體AI（Agentic AI）領域亦有突破，該技術可作為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。

理大高級副校長（研究及創新）趙汝恒教授表示：「人工智能是加速培育新質生產力的核心，理大新成立的PAAI致力加速人工智能技術在各個重點領域的深度融合，并針對不同行業開發具備專業領域知識的人工智能模型。此舉不但能鞏固理大在相關領域的領先地位，更將助力推動香港成為全球生成式人工智能發展的樞紐。」

楊紅霞教授領導的研究項目分別獲得研究資助局「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「人工智能資助計劃」資助，標志香港在全球AI創新領域邁出堅實步伐，為AI技術普惠化與產業落地注入新動能。她表示目前這個項目已經聯合香港幾大高校包括港科大、港大、港中文等高校研發，將來也希望和南方科技大學等大灣區的高校合作共建，希望能構建起一個高校共建的平臺，讓這個模型實現全球化研究，并借此實現企業化，市場化的應用。