IT思维

自 2022 年 11 月公开发布以来，ChatGPT 引起了全世界的关注，在全球数百万用户面前展示了人工智能的非凡潜力。

催化剂优化过程通常依赖于化学家基于筛选数据的归纳和定性假设。

人工智能已经将蛋白质工程研究的时间缩短了数年。

化合物效力预测是机器学习在药物发现中的一种流行应用，为此使用了越来越复杂的模型。

除了一些活组织之外，很少有材料能够在长时间暴露于意料之外的环境负载情况下自主学习表现出所需的行为。

机器学习方法的进步提供了在科学研究中具有广泛适用性的工具。这些技术正在应用于核物理研究主题的多样性，从而带来促进科学发现和社会应用的进步。

在人工智能计算机芯片的广阔前景中，服务于「边缘」市场的产品，包括无人机、物联网设备、电话和低功耗服务器环境，为供应商提供了肥沃的土壤，成为少有的市场之一。

谷歌的人工智能负责人 Laurence Moroney 做出了回应，试图证明人工智能可以做什么。尽管他最初并不担心人工智能会取代他或其他作家。

形状记忆合金 (SMA) 是固态驱动和热能收集应用的优秀候选材料。

又是一年谷歌 I/O 开发者大会，AI 依旧是绝对的主角。

近日，来自斯坦福大学的 Sadasivan Shankar 和 Richard N. Zare 在《Nature Machine Intelligence》发表 Correspondence 文章：「The perils of machine learning in designing new chemicals and materials」，指出了机器学习在设计新化学品和材料中的危险。

在过去的两年里，人工智能程序的语言流畅度达到了惊人的水平。

蛋白质设计一直依赖于结构功能与蛋白序列的对应关系。

因此，研究人员想出了一种技术，将公平性直接引入模型的内部表示本身。

越来越多的生物制药初创公司使用机器学习、数据科学和其他计算方法来寻找新的药物靶点、设计新的治疗方法，并支持他们的测试。

神经网络并非如此，这是执行类人任务的领先人工智能系统。

临床医生越来越多地借助算法工具做出重要的医疗保健决策，这些工具利用大量复杂数据，其程度远远超过人类思维的推理能力。

随着越来越多的医疗保健机构和供应商致力于使用 AI 和数据改善患者护理，由 AI 驱动的药物发现初创公司 Protai，正利用蛋白质组学和端到端的 AI 平台，重塑药物发现和开发过程。

科学家和机构每年都投入非常多的资源来发现新材料，以期为燃料提供催化剂。

大数据时代，AI 技术在复杂对象的特征表征、多模态融合、样本自动生成等问题中表现出独特的优势，为合成生物学的应用插上了腾飞的翅膀。

总部位于圣地亚哥的初创公司 LifeVoxel 已在种子轮中筹集了 500 万美元，以支持其 AI 诊断可视化平台的数据智能，以实现更快、更精确的预测。

因此，许多神经科学家开始将大脑视为「预测机器」。

今天，生物医学研究人员可以通过使用机器学习进行基于图像的分析，有效地对显微镜图像中的数千个细胞进行分类。

杜氏肌营养不良症（Duchenne muscular dystrophy，DMD）是一种由肌营养不良蛋白基因突变引起的肌肉萎缩性遗传疾病。

高性能人工智能 (AI) 计算的先驱 Cerebras 和生物技术平台公司 Peptilogics，近日宣布了一项合作，将通过人工智能加速肽疗法的开发周期。