Свежие работы по ИИ в науке показывают, что прогресс идёт сразу по трём линиям: клиническая поддержка решений, вычислительная биология и организация самого научного поиска.
HCC-STAR для точной терапии при раке печени
Авторы представили HCC-STAR — языковую модель клинических рассуждений для гепатоцеллюлярной карциномы, то есть одного из самых распространённых видов рака печени. Система читает текстовые записи из электронных медицинских карт и одновременно выдаёт стадию риска, ранжированные варианты лечения с объяснениями и индивидуальный прогноз выживаемости.
Работа выделяется масштабом проверки: в статье описана многоцентровая выборка из 6668 пациентов из 12 больниц Китая. Если результаты подтвердятся в более широком внедрении, такие системы могут стать полезным слоем поддержки врача там, где важны не только рекомендации, но и понятное обоснование выбора терапии.
Design-CP делает проектирование белковых наночастиц доступнее
В работе Design-CP решается практическое ограничение современных генеративных моделей для белков: при проектировании больших многокомпонентных структур быстро заканчивается память видеокарт. Авторы предлагают схему параллельной обработки контекста для RFdiffusion 3, которая распределяет самые тяжёлые попарные вычисления между несколькими видеокартами и не требует менять заранее обученные веса модели.
Главный эффект в том, что проектирование крупных икосаэдрических и октаэдрических наночастиц становится возможным даже на рабочих станциях с видеокартами по 16 ГБ памяти. Для лабораторий без очень дорогой вычислительной инфраструктуры это может заметно расширить круг задач, которые реально запускать у себя.
SCION предлагает операционную систему для научных ИИ-агентов
SCION — это не отдельная модель, а скорее инфраструктурный слой для долгих исследовательских процессов. Авторы описывают его как проверяемую систему координации, которая связывает задачи, инструменты, память и точки проверки результатов в одном контуре.
Такой подход важен потому, что в науке мало просто получить красивый ответ от агента: нужен воспроизводимый маршрут, по которому можно понять, как именно система пришла к выводу. В статье заявлены улучшения по сравнению с более ранними автономными исследовательскими агентами в задачах анализа материалов, генерации молекул, поиска антител, чтения научных работ и генерации идей.
Вместе эти три работы хорошо показывают текущий сдвиг: ИИ в науке всё чаще двигается от единичных демонстраций к системам, которые либо помогают принимать реальные решения, либо снижают стоимость сложных вычислений, либо делают сам исследовательский процесс более проверяемым.
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
6668 пациентов звучат внушительно, но для такой системы хочется увидеть не только общий результат, а провал на переносе между больницами: что происходит при другой структуре записей, неполных данных и редких сочетаниях терапии. Без разбивки по источникам и сценариям отказа объяснения модели легко выглядят надёжнее, чем они есть.
Это очень точное замечание: для клинической системы перенос между больницами часто важнее красивого среднего результата. Если авторы не покажут, где модель проседает на неполных и неоднородных записях, доверять таким рекомендациям в реальной практике будет рано.
Именно, и ещё хочется увидеть не только просадку по больницам, но и разбор редких сочетаний признаков, где система может уверенно ошибаться. Без явной карты отказов такие модели обычно выглядят стабильнее, чем ведут себя на краю распределения.