科学时代的大语言模型中的人工智能_124页_13mb

AI驱动科学：基于大语言模型的研究综述

科学文本领域

科学大语言模型（Scientific Large Language Models）如SciBERT、BioBERT等，已应用于药物发现、医学问答等领域，但其在复杂任务、多模态融合及信任性方面仍面临挑战。Med-PaLM-2在医学考试题中表现超越人类，但实际临床决策中仍需人工监督，因其易忽略关键测试、无法安全解释病情。

脑信号与脑-文字翻译

基于EEG的脑基础模型如BrainBERT、MMM和LaBraM，通过整合时空数据实现了脑电信号到文本的准确转换（如EEG2Text），但仍需解决空间编码优化和个体化建模问题。未来方向包括多模态融合与脑-文字生成。

生物序列建模

生物语言模型（如DNABERT、ProtST）能够解析基因组、蛋白质序列等，其中基因组级模型Evo通过跨分子级建模实现全细胞活动理解。ProtST结合文本与蛋白质数据，显著提升了蛋白质功能预测和酶挖掘能力，体现了生物语言模型在多模态融合中的潜力。

总结

本次报告探讨了大语言模型在科学领域的最新进展，介绍了科学文本处理、脑电信号解析与生物序列建模的挑战与突破，并提出了未来研究方向：复杂推理与多模态融合、基因组级建模及信任性优化。