在分子生物學中，探索分子間的關聯性至關重要，而大型語言模型（LLMs）的出現大幅推進了這一領域。這些模型在自然語言處理和圖像生成上表現優異，能夠從龐大數據集中捕捉複雜關係，成為基礎模型。 目前的數據集涵蓋RNA、DNA、蛋白質序列及單細胞和空間轉錄組，為模型開發提供了豐富基礎。未來，基礎模型的發展將專注於提升可解釋性、整合多組學數據及增強預測能力，對於改進我們對生物系統的理解及治療策略具有巨大潛力。 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

這項調查探討了基礎模型（FMs）在人工智慧中的影響，特別是它們如何與聯邦學習（FL）結合應用於生物醫學研究。像ChatGPT、LLaMa和CLIP等模型透過無監督預訓練和人類反饋強化學習，提升了機器學習的能力，能處理臨床報告和診斷影像等多種數據。結合基礎模型與聯邦學習，不僅能分析數據，還能保護醫療數據隱私，改善醫療診斷和個性化治療。調查也指出了當前的挑戰，並建議未來的研究方向，以促進醫療保健的創新。 PubMed DOI

基礎模型（FMs）是大型深度學習模型，透過自我監督學習在廣泛數據集上訓練，已在醫療領域取得成功。這項調查提供FMs在醫療中的歷史、學習策略、主要模型及應用的深入分析，特別是BERT和GPT如何影響臨床語言處理、醫學影像分析等領域。儘管FMs帶來許多機會，但也面臨挑戰，調查指出未解的研究問題，為研究人員和實務工作者提供見解，以促進FMs的應用並應對潛在風險。 PubMed DOI

大型語言模型（LLMs）如ChatGPT已經改變了人機互動和語言分析。這些模型基於自然語言處理和機器學習的進步，特別是變壓器模型的引入，能更有效理解上下文。 LLMs的訓練過程分為預訓練和監督式微調，讓模型學習語法和推理能力。然而，它們也有缺陷，常生成聽起來合理但不正確的資訊，可能誤導使用者。因此，在使用LLMs時，特別是在敏感領域如放射學，必須謹慎評估其輸出。 PubMed DOI

這篇文章探討了工業基礎模型（IFMs）的出現，作為對通用基礎模型在專業環境中限制的回應。文章介紹了IFMsys系統架構，包含三個主要部分：模型訓練、模型適應和模型應用。模型訓練透過多模態工業數據進行預訓練並微調；模型適應則進一步微調以符合特定任務；模型應用則建立以代理為中心的協作系統，增強工業產品的生命周期。此外，還提到MetaIndux原型系統及其在工業任務中的應用，並強調未來研究方向及未解決問題。 PubMed DOI

這篇論文探討大型語言模型（LLMs），如GPT-4o，對科學發現的影響，特別是在假設生成方面。作者展望未來，學術界將更多利用這些模型來提升研究效率。文章提出的核心問題是如何加速科學發現，並識別了兩個挑戰：有效利用模型知識及評估其研究效能。作者提出知識驅動的想法鏈（KG-CoI）來生成假設，以及IdeaBench進行可自訂的基準測試，目的是激發創新，促進人類與人工智慧的合作。 PubMed DOI

這篇論文強調地理空間基礎模型在公共與環境健康中的潛力，特別是在數位健康監測方面。傳統模型多集中於文本，卻忽略了地理空間特徵如空間關係和流動性。作者討論了最新進展，指出這些模型能提升健康監測與評估的機會，同時也提到納入地理空間背景的挑戰及倫理考量。最後，論文主張發展多模態地理空間基礎模型，以開啟數位健康研究的新可能性。 PubMed DOI

基礎模型像 ChatGPT 這類 AI，現在也被用在化學領域，幫忙解決材料發現、結構和性質預測等難題。這些模型能克服資料不足和泛化能力差的問題，展現很大潛力。這篇綜述整理了最新進展、趨勢，還有未來在化學研究上的發展方向。 PubMed DOI

大型語言模型正帶動材料科學革新，讓自動化材料發現成真，像是資料擷取、性質預測都更有效率。不過，目前還有專業知識整合不夠、資源消耗大等問題。未來要加強LLM的適應性、效率和可信度，才能讓這些技術在實際應用上更可靠、更公平。 PubMed DOI