人工智能正在人類活動和市場投資的兩個關(guān)鍵領(lǐng)域擴展——健康和語言?！?021 年 AI 現(xiàn)狀》報告的作者Nathan Benaich 和 Ian Hogarth討論了這些領(lǐng)域的 AI 應(yīng)用和研究 。去年，Benaich 和 Hogarth 證明生物學正在經(jīng)歷人工智能時代。他們解釋說，這反映了已發(fā)表研究的巨大變化，從根本上摒棄了對生物實驗進行某種統(tǒng)計分析的老派方法。新方法在大多數(shù)情況下用深度學習代替了統(tǒng)計分析，并且產(chǎn)生了更好的結(jié)果。

[[431547]]

Benaich 指出，在生物學領(lǐng)域中有很多可以適應(yīng)這種范式的唾手可得的成果。去年是這種使用機器學習解決各種問題的方法超速運轉(zhuǎn)的時候。這種在生物學中使用機器學習的想法的輸出之一是在制藥行業(yè)。

幾十年來，我們都知道并且都遭受這樣一個事實，即藥物需要很長時間才能被發(fā)現(xiàn)、測試，然后最終獲得批準。也就是說，除非有一些巨大的災(zāi)難性壓力需要采取其他措施。這就是深度學習取得的進展。因此，新時代制藥公司在很大程度上表示，以前已經(jīng)嘗試過舊制藥公司的方法。它有點行不通。那是計算化學和物理學。驗證新時代制藥方法是否有效的唯一方法是，它們是否可以生成實際在臨床中的候選藥物，并最終使這些藥物獲得批準，” Benaich 說。

改變是不可避免的。最終的問題是，你能否真正改變成本曲線，在更少的實驗上花更少的錢，并獲得更高的命中率。Benaich 認為，這仍然需要時間。Hogarth 指出，這并不是機器學習影響制藥公司的唯一前沿領(lǐng)域，并指出了機器學習如何用于解析研究文獻的例子。

這涉及我們之前與 John Snow Labs 首席技術(shù)官 David Talby 的對話，因為醫(yī)療保健領(lǐng)域的自然語言處理是 John Snow Labs 的核心專長。反過來，這不可避免地將對話引向了語言模型。

Benaich 和 Hogarth 在他們報告的研究部分指出了語言模型的進展;然而，我們被事物的商業(yè)化方面所吸引。我們專注于 OpenAI 的 GPT3，以及他們?nèi)绾螐耐暾l(fā)布模型到通過 API 將其商業(yè)化，并與 Microsoft 合作。