Ch19 应用 AI · 一页信息图¶
一句话总纲: 应用 AI = AI 在垂直行业的落地: AI for Finance (量化/风控) + 蛋白设计 (AlphaFold) + 药物发现 (分子生成) + Agentic Systems (LLM Agent) + Healthcare (诊断/影像)。
一 · 知识拓扑图¶
flowchart TB
A["AI for Finance
量化/风控
🟢"] -->|金融| B["蛋白设计
AlphaFold
🔴"]
B --> C["药物发现
分子生成
🔴"]
C --> D["Agentic Systems
LLM Agent
🔴"]
D --> E["Healthcare
诊断/影像
🔴"]
A --> F["多模态
视觉+语言
🟡"]
F --> G["AI 应用栈
从模型到落地
🔴"]
二 · 核心公式速查表¶
| # | 概念 | 公式 / 说明 |
|---|---|---|
| F1 | Sharpe ratio | \(S = \frac{R_p - R_f}{\sigma_p}\) |
| F2 | Value at Risk | \(VaR_\alpha = -\inf\{l : P(L > l) \leq \alpha\}\) |
| F3 | AlphaFold pLDDT | 0-100 残基置信度 |
| F4 | TM-score | 结构相似度 [0, 1] |
| F5 | QED | 药物相似度 [0, 1] |
| F6 | LogP | 脂溶性 |
| F7 | Agent ReAct | Reasoning + Acting 循环 |
| F8 | Tool use | LLM 调用外部工具 |
| F9 | RAG | 检索增强生成 |
| F10 | AUROC | 医学诊断 ROC |
| F11 | 敏感性 / 特异性 | 诊断评估 |
| F12 | Dice score | 影像分割 |
| F13 | Pearson 相关 | 股价预测 |
| F14 | IC (信息系数) | 量化策略评估 |
| F15 | DDI (药物相互作用) | 药物风险 |
三 · 关键流程 (4 步)¶
流程 A: AI 药物发现¶
- 靶点: 选定蛋白 (e.g., 受体)
- 生成: Diffusion / RL 生成分子
- 筛选: docking + QED
- 优化: 合成 + 测试
流程 B: LLM Agent¶
- 任务: 用户给目标
- 规划: LLM 拆分子任务
- 执行: 调工具 / 检索 / 写代码
- 验证: 检查结果, 循环
流程 C: 蛋白结构预测¶
- MSA: 多序列比对
- Pair representation: 残基对
- Evoformer: 推理
- Structure module: 3D 输出
流程 D: 量化交易¶
- 数据: K 线 / 财报 / 新闻
- 特征: 技术指标 / NLP
- 模型: LSTM / Transformer
- 回测: 策略验证
四 · 真题 / 面试 100 题¶
| # | 题面 | 难度 |
|---|---|---|
| Q1 | Sharpe ratio 含义 | ★★ |
| Q2 | AlphaFold 架构 | ★★★ |
| Q3 | 药物分子生成方法 | ★★★ |
| Q4 | LLM Agent 与 LLM 区别 | ★★ |
| Q5 | RAG 原理 | ★★ |
| Q6 | ReAct 框架 | ★★★ |
| Q7 | 医学影像分割 Dice | ★★ |
| Q8 | 量化策略回测 | ★★★ |
| Q9 | 蛋白结构 TM-score | ★★ |
| Q10 | Agent tool use | ★★★ |
五 · 与上下章连接¶
- Ch07 §04 Transformer → Ch19 全部 (蛋白/药物/Agent 都用)
- Ch12 §05 EGNN → Ch19 §02 蛋白设计
- Ch08 §04 Diffusion → Ch19 §03 药物生成
- Ch17 §03 vLLM → Ch19 §04 Agent 部署
六 · 一段话总结¶
应用 AI = AI 在垂直行业的落地: §01 AI for Finance (量化/风控) → §02 蛋白设计 (AlphaFold/Evoformer/MSA) → §03 药物发现 (分子生成/QED) → §04 Agentic Systems (LLM Agent/ReAct/RAG) → §05 Healthcare (诊断/影像分割)。核心心智模型: 垂直行业 = 领域知识 + 数据 + 模型 + 评测 + 合规。