LGen

ICLR 2025 研讨会提案第二届基因组学探索机器学习 (MLGenX)

基于这些基本问题，学界认识到，传统的基础模型方法，如大型语言模型 (LLM)，可能会限制生成新颖的生物学假设的能力 (Gao et al., 2024)。与生成遵循语义和句法规则的文本不同，创建新的科学假设和自动化湿实验室实验需要以推理、规划和科学知识为基础 (Wu et al., 2024)。因此，有必要探索和讨论将“AI 科学家”实现为混合系统的潜力——通过人类监督、LLM、机器学习模型和实验工具增强的 AI 代理 (Huang et al., 2024)。如果成功，这些生物学中的 AI 代理应该能够制定生物医学假设、批判性地评估它们、表征它们的不确定性并适应新的生物学见解 (Richard et al., 2024)。这种适应性将确保人工智能代理在快速发展的生物数据面前保持相关性，同时平衡新发现的吸收与既有知识的保留（Chaves 等人，2024 年）。