物聯網產生大量數據，但因處理和互通性限制，數據未被充分運用。歐洲提倡改善感應器數據訪問，尊重知識產權。新方法利用語言模型轉換數據，提高可重複使用性。GPT-4在實驗中表現出高精確度和召回率，顯示其潛力。 PubMed DOI

自然語言處理進步，讓智能系統支援工廠知識分享成為可能。使用大型語言模型（LLM）系統，從文件和專家中檢索資訊，協助解決問題。研究指出LLM有優勢，但偏好向人類專家學習。比較後發現GPT-4最佳，開源模型更具優勢。提供工廠考慮使用LLM進行知識管理的見解和系統設計。 PubMed DOI

Transformer神經網絡，特別是大型語言模型(LLMs)，在材料分析、設計和製造上很有效。它們能處理各種數據，支持工程分析，像MechGPT在材料力學領域表現出理解能力。檢索增強的本體知識圖表等策略可提高生成性能，解決困難。這些方法在材料設計探索中有優勢，並提供見解。非線性取樣和基於代理的建模增強生成能力，改進內容生成和評估。例如，問答、代碼生成和自動生成力場開發。 PubMed DOI

LLMs在臨床試驗文件生成上有潛力。輝瑞挑戰使用LLMs自動化臨床試驗文件，尤其是為CSRs創建安全表摘要。評估顯示性能差異，特別是在事實準確性和寫作風格方面。團隊多使用GPT模型，改進方向包括表格輸入、上下文添加和微調。挑戰結果顯示LLMs在自動化CSRs中表格摘要有潛力，強調需優化人類輸入和持續研究。 PubMed DOI

大型語言模型（LLMs）透過龐大文本數據訓練，可在醫療保健領域提升準確性。研究者正致力改善LLM在消化系疾病上的表現，但準確性範圍仍有挑戰。整合檢索增強生成（RAG）、監督微調（SFT）和人類反饋的強化學習（RLHF）等方法，是克服障礙的關鍵。結合人類反饋與先進模型訓練，對於提升LLMs在醫療保健中的效能至關重要。 PubMed DOI

研究探討人工智慧應用，尤其是像ChatGPT這樣的大型語言模型，在產品風險評估中的應用。ChatGPT在項目如頭腦風暴失敗模式和風險緩解方面表現優勢，但也有錯誤和提供一般性指導。儘管有限制，人工智慧仍可在產品風險評估的構思中發揮作用，專家可專注審查人工智慧生成的內容。 PubMed DOI

大型語言模型(LLMs)在臨床決策中或許有好處，但目前還不適合實際醫療使用。一項研究指出，LLMs在真實病例中無法正確診斷、無法遵循指引、難以解釋檢驗結果，且難以整合到臨床流程中，可能危害患者健康。需要更多研究以改進LLMs在臨床決策的應用。 PubMed DOI

最近，人工智慧和自動化的進展正在徹底改變催化劑的發現與設計，從傳統的試錯方法轉向更高效的高通量數位方法。這一變化主要受到高通量信息提取、自動化實驗、實時反饋和可解釋機器學習的驅動，促成了自駕實驗室的誕生，加速了材料研究的進程。近兩年，大型語言模型的興起也為這個領域帶來了更大的靈活性，改變了催化劑設計的方式，標誌著學科的革命性轉變。 PubMed DOI

知識圖譜（KGs）改變了知識的表現方式，將實體及其關係以圖形結構組織，提升了推薦系統和問答系統的效能。像是Expert.AI的Sensigrafo，專注於透過機器導向的詞彙來增進自然語言理解。不過，維護知識圖譜仍然面臨挑戰，通常需要手動輸入。近期大型語言模型（LLMs）的進展，為自動化知識圖譜的豐富提供了新機會，本文探討了基於LLM的最新技術，並針對數據質量、經濟性、隱私等問題提供見解。 PubMed DOI

大型語言模型（LLMs）的環境影響引發了不同看法。一些研究指出，訓練和使用LLMs會產生顯著的碳足跡，而另一些則認為LLMs可能比傳統方法更可持續。我們的分析顯示，儘管LLMs對環境有影響，但在美國，它們的效率可能高於人力勞動。經濟考量可能促使人類與LLMs共同工作，而非單純取代。隨著LLMs規模增長，能源消耗可能上升，這凸顯了持續研究以確保其可持續性的重要性。 PubMed DOI