Czym są duże modele ilościowe (LQM)?

Duże modele ilościowe (LQM) to zasadniczo inna kategoria AI niż duże modele językowe (LLM), które napędzają chatboty takie jak ChatGPT czy Gemini. Według SandboxAQ, LQM to „AI zakotwiczona w świecie fizycznym” .

Czym LQM różnią się od LLM?

Różnice sprowadzają się do trzech obszarów: danych treningowych, celu i wyników.

Dane i trening. LLM są trenowane na tekstach internetowych i języku naturalnym – książkach, artykułach i rozmowach – aby rozumieć i generować ludzki język. LQM są natomiast trenowane na danych ilościowych i podstawowych prawach fizyki, chemii i matematyki . SandboxAQ opisuje je jako zbudowane na numerycznych danych strukturalnych, a nie na tekście .

Cel. LLM optymalizują pod kątem rozumienia i generowania języka – przewidywania kolejnego słowa w zdaniu lub streszczania dokumentu. LQM optymalizują pod kątem konkretnych celów ilościowych, takich jak przewidywanie właściwości materiałów, zachowań chemicznych lub wskaźników ryzyka finansowego .

Wynik. LLM generują tekst, podsumowania i konwersacje. LQM generują prognozy, symulacje i wnioski inżynieryjne oparte na rzeczywistości fizycznej . Jak wyjaśnia SandboxAQ, o ile LLM potrafią opisać reakcję chemiczną, o tyle LQM potrafią ją zasymulować .

CEO SandboxAQ, Jack Hidary, stwierdził, że LQM przewyższą LLM w takich sektorach jak farmacja, materiały, energetyka i finanse . Firma podkreśla, że LQM nie zastępują LLM, ale są narzędziami uzupełniającymi – LLM zajmują się interakcją z człowiekiem, a LQM precyzją ilościową .

Jakie modele są oferowane?

SandboxAQ początkowo oferuje dwa produkty LQM za pośrednictwem Google Cloud Marketplace :

• AQCat (odkrywanie materiałów) – będzie dostępny jako pierwszy
• AQPotency (odkrywanie leków) – pojawi się po AQCat

Oba są dostępne za pośrednictwem marketplace'u. SandboxAQ udostępniło również swoje LQM za pośrednictwem wiodących LLM-ów, dzięki czemu badacze mogą korzystać z nich poprzez znane już interfejsy języka naturalnego .

Czym jest pakiet Gemini for Science?

Gemini for Science to nie jeden model. To zestaw eksperymentalnych narzędzi AI ogłoszonych przez Google na I/O 2026 (19–20 maja 2026), zaprojektowanych w celu przyspieszenia metody naukowej . Najlepiej rozumieć go jako „warstwę orkiestracyjną” dla badań naukowych .

Gemini for Science składa się z trzech podstawowych filarów:

• Generowanie hipotez – oparte na Co-Scientist, zespole agentów AI, którzy współpracują ze sobą, aby generować, analizować i oceniać hipotezy badawcze. Google opublikowało tego samego dnia w czasopiśmie Nature artykuł potwierdzający skuteczność tego podejścia .
• Odkrycia obliczeniowe – oparte na AlphaEvolve i Empirical Research Assistance (ERA). Według benchmarków opublikowanych w momencie premiery, ERA pokonała model prognostyczny CDC w przewidywaniu chorób zakaźnych .
• Analiza literatury – oparta na NotebookLM, zapewniająca automatyczne streszczanie literatury i analizę badań .

Ponadto, Gemini for Science obejmuje Science Skills, oddzielną warstwę w ramach Google Antigravity, która łączy się z ponad 30 bazami danych z zakresu nauk przyrodniczych .

Narzędzia eksperymentalne są dostępne za pośrednictwem Google Labs pod adresem labs.google/science, a dostęp do nich jest stopniowo rozszerzany od momentu premiery .

Logika biznesowa stojąca za partnerstwem

Dla Google Cloud: Modele LQM SandboxAQ stanowią nową, wysoko wartościową kategorię obciążeń – naukową i ilościową AI – która napędza konsumpcję chmury. Google Cloud zyskuje zróżnicowany produkt klasy korporacyjnej obok swoich ogólnego przeznaczenia modeli Gemini, pozycjonując się jako dostawca infrastruktury dla „odkryć naukowych opartych na AI” .

Dla SandboxAQ: Google Cloud Marketplace zapewnia natychmiastowy dostęp do ogromnej bazy klientów korporacyjnych Google, zaufanego kanału rozliczeniowego i zakupowego oraz skalowalnej infrastruktury – w tym integrację z NVIDIA DGX Cloud w Google Cloud . SandboxAQ, spółka wydzielona z Alphabet (obecnie wyceniana na 5 miliardów dolarów), pogłębia w ten sposób naturalną relację biznesową .

Co obecność w marketplace'u oznacza dla naukowej AI?

To kamień milowy dla naukowej sztucznej inteligencji. Po raz pierwszy wyspecjalizowane duże modele ilościowe – kategoria odrębna od ogólnego przeznaczenia LLM – są dostępne za pośrednictwem głównego marketplace'u chmurowego z korporacyjnym procesem zakupowym, rozliczeniami i bezpieczeństwem .

Sygnalizuje to, że naukowa AI przechodzi z laboratoriów badawczych i niestandardowych wdrożeń do standaryzowanej, dostępnej komercyjnie kategorii produktów, które przedsiębiorstwa mogą kupić z półki. CEO SandboxAQ, Jack Hidary, powiedział, że LQM przewyższą LLM w takich branżach jak farmacja, materiały, energetyka i finanse , a dostępność w marketplace'ie jest infrastrukturą, która czyni tę zmianę realną.

Kluczowe wnioski

• Modele LQM są trenowane na fizyce, chemii i matematyce – a nie na tekście – i optymalizują pod kątem prognoz ilościowych, a nie generowania języka.
• AQCat (materiały) i AQPotency (leki) to pierwsze dwa modele LQM dostępne w Google Cloud Marketplace.
• Gemini for Science to pakiet orkiestracyjny, a nie pojedynczy model, łączący Co-Scientist, AlphaEvolve, ERA i NotebookLM.
• Partnerstwo pozycjonuje Google Cloud jako zaplecze infrastrukturalne dla naukowej AI, jednocześnie zapewniając SandboxAQ dystrybucję korporacyjną.
• Obecność w marketplace'ie to pierwszy przypadek udostępnienia wyspecjalizowanych LQM za pośrednictwem korporacyjnego kanału zakupowego w chmurze.

Czym są duże modele ilościowe (LQM)?

Duże modele ilościowe (LQM) to zasadniczo inna kategoria AI niż duże modele językowe (LLM), które napędzają chatboty takie jak ChatGPT czy Gemini. Według SandboxAQ, LQM to „AI zakotwiczona w świecie fizycznym” .

Czym LQM różnią się od LLM?

Różnice sprowadzają się do trzech obszarów: danych treningowych, celu i wyników.

Dane i trening. LLM są trenowane na tekstach internetowych i języku naturalnym – książkach, artykułach i rozmowach – aby rozumieć i generować ludzki język. LQM są natomiast trenowane na danych ilościowych i podstawowych prawach fizyki, chemii i matematyki . SandboxAQ opisuje je jako zbudowane na numerycznych danych strukturalnych, a nie na tekście .

Cel. LLM optymalizują pod kątem rozumienia i generowania języka – przewidywania kolejnego słowa w zdaniu lub streszczania dokumentu. LQM optymalizują pod kątem konkretnych celów ilościowych, takich jak przewidywanie właściwości materiałów, zachowań chemicznych lub wskaźników ryzyka finansowego .

Wynik. LLM generują tekst, podsumowania i konwersacje. LQM generują prognozy, symulacje i wnioski inżynieryjne oparte na rzeczywistości fizycznej . Jak wyjaśnia SandboxAQ, o ile LLM potrafią opisać reakcję chemiczną, o tyle LQM potrafią ją zasymulować .

CEO SandboxAQ, Jack Hidary, stwierdził, że LQM przewyższą LLM w takich sektorach jak farmacja, materiały, energetyka i finanse . Firma podkreśla, że LQM nie zastępują LLM, ale są narzędziami uzupełniającymi – LLM zajmują się interakcją z człowiekiem, a LQM precyzją ilościową .

Jakie modele są oferowane?

SandboxAQ początkowo oferuje dwa produkty LQM za pośrednictwem Google Cloud Marketplace :

• AQCat (odkrywanie materiałów) – będzie dostępny jako pierwszy
• AQPotency (odkrywanie leków) – pojawi się po AQCat

Oba są dostępne za pośrednictwem marketplace'u. SandboxAQ udostępniło również swoje LQM za pośrednictwem wiodących LLM-ów, dzięki czemu badacze mogą korzystać z nich poprzez znane już interfejsy języka naturalnego .

Czym jest pakiet Gemini for Science?

Gemini for Science to nie jeden model. To zestaw eksperymentalnych narzędzi AI ogłoszonych przez Google na I/O 2026 (19–20 maja 2026), zaprojektowanych w celu przyspieszenia metody naukowej . Najlepiej rozumieć go jako „warstwę orkiestracyjną” dla badań naukowych .

Gemini for Science składa się z trzech podstawowych filarów:

• Generowanie hipotez – oparte na Co-Scientist, zespole agentów AI, którzy współpracują ze sobą, aby generować, analizować i oceniać hipotezy badawcze. Google opublikowało tego samego dnia w czasopiśmie Nature artykuł potwierdzający skuteczność tego podejścia .
• Odkrycia obliczeniowe – oparte na AlphaEvolve i Empirical Research Assistance (ERA). Według benchmarków opublikowanych w momencie premiery, ERA pokonała model prognostyczny CDC w przewidywaniu chorób zakaźnych .
• Analiza literatury – oparta na NotebookLM, zapewniająca automatyczne streszczanie literatury i analizę badań .

Ponadto, Gemini for Science obejmuje Science Skills, oddzielną warstwę w ramach Google Antigravity, która łączy się z ponad 30 bazami danych z zakresu nauk przyrodniczych .

Narzędzia eksperymentalne są dostępne za pośrednictwem Google Labs pod adresem labs.google/science, a dostęp do nich jest stopniowo rozszerzany od momentu premiery .

Logika biznesowa stojąca za partnerstwem

Dla Google Cloud: Modele LQM SandboxAQ stanowią nową, wysoko wartościową kategorię obciążeń – naukową i ilościową AI – która napędza konsumpcję chmury. Google Cloud zyskuje zróżnicowany produkt klasy korporacyjnej obok swoich ogólnego przeznaczenia modeli Gemini, pozycjonując się jako dostawca infrastruktury dla „odkryć naukowych opartych na AI” .

Dla SandboxAQ: Google Cloud Marketplace zapewnia natychmiastowy dostęp do ogromnej bazy klientów korporacyjnych Google, zaufanego kanału rozliczeniowego i zakupowego oraz skalowalnej infrastruktury – w tym integrację z NVIDIA DGX Cloud w Google Cloud . SandboxAQ, spółka wydzielona z Alphabet (obecnie wyceniana na 5 miliardów dolarów), pogłębia w ten sposób naturalną relację biznesową .

Co obecność w marketplace'u oznacza dla naukowej AI?

To kamień milowy dla naukowej sztucznej inteligencji. Po raz pierwszy wyspecjalizowane duże modele ilościowe – kategoria odrębna od ogólnego przeznaczenia LLM – są dostępne za pośrednictwem głównego marketplace'u chmurowego z korporacyjnym procesem zakupowym, rozliczeniami i bezpieczeństwem .

Sygnalizuje to, że naukowa AI przechodzi z laboratoriów badawczych i niestandardowych wdrożeń do standaryzowanej, dostępnej komercyjnie kategorii produktów, które przedsiębiorstwa mogą kupić z półki. CEO SandboxAQ, Jack Hidary, powiedział, że LQM przewyższą LLM w takich branżach jak farmacja, materiały, energetyka i finanse , a dostępność w marketplace'ie jest infrastrukturą, która czyni tę zmianę realną.

Kluczowe wnioski

• Modele LQM są trenowane na fizyce, chemii i matematyce – a nie na tekście – i optymalizują pod kątem prognoz ilościowych, a nie generowania języka.
• AQCat (materiały) i AQPotency (leki) to pierwsze dwa modele LQM dostępne w Google Cloud Marketplace.
• Gemini for Science to pakiet orkiestracyjny, a nie pojedynczy model, łączący Co-Scientist, AlphaEvolve, ERA i NotebookLM.
• Partnerstwo pozycjonuje Google Cloud jako zaplecze infrastrukturalne dla naukowej AI, jednocześnie zapewniając SandboxAQ dystrybucję korporacyjną.
• Obecność w marketplace'ie to pierwszy przypadek udostępnienia wyspecjalizowanych LQM za pośrednictwem korporacyjnego kanału zakupowego w chmurze.