انقلابی در علوم
#اعصاب با همکاری
#هوش #مصنوعیسال گذشته شاهد پیشرفتهای بزرگی در مدلهایlarge language model(LLM) مانند ChatGPT بودیم. توانایی این مدلها برای تفسیر و تولید منابع متنی انسانی (و سایر دادههای توالی) پیامدهایی برای افراد در بسیاری از زمینههای فعالیت انسانی دارد.
یک مقاله در ژورنال Neuron استدلال میکند که مانند بسیاری از متخصصان، دانشمندان علوم اعصاب میتوانند از مشارکت با این ابزارهای قدرتمند سود ببرند یا خطر عقب ماندن را داشته باشند.
در مطالعات قبلی خود، نویسندگان نشان دادند که پیششرطهای مهمی برای توسعه LLMهایی که میتوانند دادههای علوم اعصاب مانند ChatGPT را تفسیر و تحلیل کنند، برآورده میشوند. این مدلهای هوش
مصنوعی میتوانند برای انواع مختلف دادهها، از جمله تصویربرداری عصبی، ژنتیک، ژنومیک تک سلولی و حتی گزارشهای بالینی دستنویس ساخته شوند.
در مدل سنتی تحقیق، یک دانشمند دادههای قبلی را در مورد یک موضوع مطالعه میکند، فرضیههای جدیدی ایجاد میکند و آنها را آزمایش میکند. به دلیل حجم انبوه دادههای موجود، دانشمندان اغلب بر حوزهی محدودی از تحقیقات مانند تصویربرداری عصبی یا ژنتیک تمرکز میکنند. با این حال، LLM ها می توانند تحقیقات علوم اعصاب بیشتری را نسبت به یک انسان منفرد جذب کنند.
در مقاله نورون، محققان استدلال میکنند که روزی میتوان از LLMهای تخصصی در زمینههای مختلف علوم اعصاب و برقراری ارتباط با یکدیگر برای پل زدن با حوزههای مخفی تحقیقات علوم اعصاب استفاده کرد، و حقایقی را کشف کرد که یافتن آنها توسط انسان به تنهایی غیرممکن است.
برای مثال، در مورد کشف دارو، یک LLM متخصص در ژنتیک میتواند همراه با یک LLM تصویربرداری عصبی استفاده شود. عصب شناس این LLM ها را هدایت می کند و خروجی های آنها را تأیید می کند.
دانیلو بزدوک، نویسنده اصلی این احتمال را ذکر میکند که دانشمند، در موارد خاص، همیشه قادر به درک کامل مکانیسم پشت فرآیندهای بیولوژیکی کشفشده توسط این LLMها نباشد.
او میگوید: ما باید پذیرای این واقعیت باشیم که برخی چیزها در مورد مغز ممکن است ناشناخته باشند، یا حداقل زمان زیادی طول بکشد تا درک شوند. با این حال، ما هنوز هم ممکن است بینش هایی را از پیشرفته ترین LLM ها ایجاد کنیم و پیشرفت بالینی داشته باشیم، حتی اگر به طور کامل روش رسیدن به نتیجه را درک نکنیم.
بزدوک میگوید برای درک پتانسیل کامل LLM در علوم اعصاب، دانشمندان به زیرساختهای بیشتری برای پردازش و ذخیرهسازی دادهها نسبت به آنچه امروزه در بسیاری از سازمانهای تحقیقاتی موجود است، نیاز دارند.
جایی که مطالعات به شدت بر هوش
مصنوعی و LLMها متکی هستند توسط مجلات پیشرو منتشر میشوند و توسط آژانسهای دولتی تامین مالی میشوند.
در حالی که مدل سنتی تحقیقات مبتنی بر فرضیهها کلیدی است و از بین نمیرود، بزدوک میگوید استفاده از فناوریهای نوظهور LLM ممکن است برای تحریک نسل بعدی درمانهای عصبی در مواردی که مدل قدیمی کمتر ثمربخش بوده است، مهم باشد.
توانایی ما برای تولید داده های زیست مولکولی توانایی ما برای به دست آوردن درک از این سیستم ها را تحت الشعاع قرار می دهد. LLM ها پاسخی برای این مشکل ارائه می دهند و ممکن است بتوانند دانش را در سراسر حوزه های علوم اعصاب استخراج، هم افزایی و ترکیب کنند، وظیفه ای که ممکن است از درک انسان فراتر رود.
ترجمهی : یاس
https://neurosciencenews.com/llm-ai-neuroscience-25591/⚛ @AndisheKonim