2026/06/25
圖文引用自：www.ithome.com.tw
美國克拉克森大學（Clarkson University）研究團隊開發一套新型可逆運算框架Rex，可用來降低生成式AI反向推算的誤差，讓模型更準確回溯生成過程，未來可望應用於AI藥物設計、分子模擬、科學運算和影像編輯等高精度場景。
生成式AI已經很會創造內容了，但要精準修改或回推生成過程，仍是一大挑戰。美國克拉克森大學（Clarkson University）研究團隊開發一套新數學框架Rex，主打提高擴散模型和流匹配模型（Flow Matching Model）的可逆性，讓AI在生成圖片、設計分子或進行科學模擬時，可以更準確「倒帶」回原本狀態，減少重新生成時的失真。這項研究論文〈Rex: A Family of Reversible Exponential (Stochastic) Runge-Kutta Solvers〉也獲選在機器學習頂級會議ICML 2026中發表。
生成式AI不只要會生成，也要能精準回推
目前許多生成式AI模型，包括AI繪圖工具、分子設計模型和科學模擬工具，背後都採用擴散模型或流匹配模型。這類模型的基本概念，是從隨機雜訊出發，一步步生成有意義的結果，例如一張圖片、一個候選藥物分子，或一段科學模擬結果。
不過，真正的困難往往不是生成，而是「回推」。比如，研究者用AI產生一個分子結構後，可能想要修改其中某個化學特性，再觀察這個改動對藥效、穩定性或毒性的影響。影像編輯也有類似需求，使用者可能只想修改髮型、背景或服裝，但希望人物臉部特徵、光影和其他細節都能保留下來。
這時，AI得先把已經生成的結果，反向推回模型內部的原始表示，再重新生成修改後的內容。問題是，現有方法在反向推算過程中，常會累積數值誤差，導致模型回不到原本的位置。最後產生的結果，可能不只是局部被修改，而是整體結構或細節都跟著跑掉。
Rex要解決生成模型「倒帶失真」問題
Rex的目標，就是要讓AI模型的正向生成與反向回推過程更一致。
如果把生成過程想像成一條路線，模型原本從A點出發，經過多個步驟走到D點；現有方法在從D點倒退回A點時，可能會偏到另一個相近，但不完全相同的位置。Rex則希望讓模型更準確地沿著原路回去，降低每一步倒退時累積的誤差。
研究人員表示，Rex雖然無法完全消除數值誤差，但相較於現有可逆方法，其反向推算誤差可降低數個數量級。換句話說，它不是讓模型變成絕對完美的「時光機」，但可以讓模型倒帶時，少偏離很多。
這對生成式AI很重要，因為只要反向推算更準，模型就更容易做到可控修改，而不是每次修改都像重新抽一次籤。
可用於AI藥物設計與分子模擬
研究團隊指出，Rex的應用不只限於影像生成，更可能影響藥物設計和科學模擬。
近年AI藥物研發快速發展，許多研究機構和藥廠開始用生成式AI探索候選分子。這類應用通常不是一次生成就結束，而是需要反覆調整分子結構，觀察不同設計對分子性質的影響。…
