（2025年10月23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佈式，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於訓練；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“分佈式融合”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佈“端到端FP8低比特訓練全套方案”（涵蓋預訓練及後訓練）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、顯存峯值佔用減少逾一成、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佔用進一步壓縮。團隊已啓動更低成本的FP4精度訓練探索，相關成果已發表於學術論文1；經測試，其在醫療的診斷和推理上超過目前業界發佈同等尺寸最優模型領域2；在科研智能體領域（Research Agent）中的任務複雜度，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級GPU小時，且融合後模型在多項權威測試中性能顯着優於原始模型。
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），這意味着通往通用人工智能（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，並研發專屬“癌症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，用於癌症個性化治療規劃，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牀落地。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）趙汝恆教授表示：“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，並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，標誌香港在全球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。