摘要：进入新的一年意味着 IT 投资的新重点。 研究公司 Gartner 预测，到 2025 年，全球 IT 支出将达到 5.74 万亿美元，比上一年增长 9.3%。 他说，对生成式 AI 的追求将推动支出的增加。
进入新的一年意味着 IT 投资的新重点。 研究公司 Gartner 预测，到 2025 年，全球 IT 支出将达到 5.74 万亿美元，比上一年增长 9.3%。 他说，对生成式 AI 的追求将推动支出的增加。
到目前为止，我们中的许多人都尝试过生成式 AI。 无论是优化文本、创建照片还是生成代码，该技术的功能都让人感觉很神奇。
但是，一些数字领导者，如弗朗西斯·克里克研究所 （Francis Crick Institute） 的首席信息官詹姆斯·弗莱明 （James Fleming），不允许他们的组织被炒作冲昏头脑。
他告诉 ZDNET，将新兴技术转化为创新的科学发现并不容易。 由于这一挑战，世界领先的研究机构之一弗朗西斯·克里克研究所 （Francis Crick Institute） 的运作方式并没有随着生成式 AI 的兴起而发生重大变化。
“在科学中使用 AI 是一回事，创建公开可用的大型语言模型 （LLM） 是另一回事，在受限的科学世界中，任何人都必须证明他们的假设，”Fleming 说。
“仅仅说你发布了一个几乎正确的模型是不够的，在大多数情况下，你需要创建一个在某些条件下完全正确的模型。 此外，我们必须证明我们的研究结果是基于基本理解的。
弗莱明将人工智能在科学中的应用描述为一把“双刃剑”。 新兴技术可能有助于加快研究过程，但在产生和提出新结论时需要高度的确定性。
“能够证明非常重要，特别是如果你正在研究可能影响现实世界的诊所或医疗设备的东西，”弗莱明说。
“例如，如果你向临床医生展示一项创新，并说，'我认为这个工具可以预测癌症的进展'，他们会说，'你真的能做到吗？
可解释性在科学研究中至关重要，但这种关注点与许多常见 AI 模型的黑盒机制和和平静度不兼容。
因此，为了揭示新兴技术的过程，弗朗西斯·克里克研究所 （Francis Crick Institute） 使用迭代方法确保研究人员可以放心地采用 AI 模型。
“我们需要慢慢地、循序渐进地朝着我们的目标迈进，”弗莱明说。 “我们从一开始就采取了非常专注的方法，其中数据来源清晰可靠。”
弗朗西斯克里克研究所的增量方法支持研究人员以两种方式部署 AI 模型。
首先是加强现有的科学方法。 据 Fleming 称，该研究所在五年前就开始了显微镜研究。
弗朗西斯·克里克研究所 （Francis Crick Institute） 的显微镜设施分析低温电子，以创建组织、细胞和单个分子的美丽、高密度图像。
但创建精美的图像只是一个起点。 这些图像需要转换为数据，以便它们可以用于提供详细信息，从而帮助他们区分癌细胞和非癌细胞。
通过迭代方法，Fleming 的团队已经证明，使用正确的模型，可以在更短的时间内产生突破性的研究结果。
“AI 模型可以代表人类执行许多繁琐的任务，例如分析和提取特征，以及将图像转换为数据以指导人类理解，”他说。
弗朗西斯·克里克研究所使用 AI 的第二个领域与发现有关，这非常受限制。
弗莱明举了一个实验室对帕金森病的研究的例子。 该团队开发了一种分类工具，用于从干细胞群体中识别哪些患者患有帕金森病。 然而，由于无法解释其机制，我们反复地朝着相反的方向进行研究。
“在模型训练完成后，有一个使用各种统计方法向后看模型的过程，我们说，'实际上，最主要的是单元的椭圆度，它更像是一个椭圆。 该模型随后提取了许多其他特征。
这些结果本身并不是答案，但它们确实鼓励了下一项研究。 “'是的，细胞形态不同，我不知道为什么。 我们下次实验应该怎么做呢？ 这就是需要迭代方法的地方。
根据弗莱明的说法，弗朗西斯·克里克研究所 （Francis Crick Institute） 逐步测试和改进 AI 技术的谨慎过程导致了一种更复杂的方法，该方法允许集成多个 AI 以创建可靠的研究计划。
最大的项目由 Samra Turaljic 领导，他的癌症动力学实验室专注于了解肾癌的进展情况。
该团队使用 AI 从病理图像中预测肿瘤的基因组进化。 Fleming 说，这项工作涉及使用基于 10 年研究的基因组数据库训练多个 AI 和交叉训练模型。
“因此，我们将创造出可以在临床上预测肾癌进展的东西，”弗莱明说。
“但在每个过程中，我们都会精心组装子组件，使它们达到信任水平，并处理多层数据以近似真实世界人口的规模。”
Fleming 说，这种高度详细的方法很重要，因为生物和图像质量的变化，例如病理切片上染色强度的差异，会影响结果。
这个循序渐进的过程证明，从长远来看，短期内缓慢、连续的工作是从 AI 中获得快速结果的关键。
每个人都可以从这个角度学习。 这是因为在 AI 时代，供应商炒作是只需单击一下即可为棘手问题提供出色的解决方案。
“你从一个小数据集开始，你理解它，你让它变得可预测并且有效，然后你引入更多的数据，”Fleming 说。
“当你添加数据时，你会再次优化模型，这个迭代过程至关重要。 因为如果你不这样做，你就无法建立理解和数据来源。
来源：科技平行论