منبع: Scholaris/Pixabay

کاوش در کاربردهای یادگیری ماشینی هوش مصنوعی (AI) امری دشوار است و مدل‌های زبان بزرگ (LLM) لحظات خود را در کانون توجه قرار می‌دهند. سال گذشته، LLM ها در انواع مطالعات تحقیقاتی برای کشف پیچیدگی های روانشناسی، علوم اعصاب و بسیاری از زمینه های دیگر مورد استفاده قرار گرفتند.

ارزیابی ترانسفورماتورهای LLM با استفاده از اصول برگرفته از شناخت و روانشناسی انسان، زمینه رشد امسال خواهد بود. محققان به تازگی سطح را در ارزیابی LLM های هوش مصنوعی با استفاده از آنچه دانشمندان از روانشناسی و رفتار انسانی می دانند، خراشیده اند. به عنوان مثال، سال گذشته یک مطالعه هوش مصنوعی عقلانیت مدل‌های زبانی بزرگ را با استفاده از روان‌شناسی شناختی از یک سری وظایف طراحی شده برای شناسایی اکتشافات و سوگیری‌های انسانی مورد بررسی قرار داد.

درک دقیق اینکه مغز انسان چگونه گفتار و زبان را پردازش می‌کند، می‌تواند پیشرفت‌ها را در طیف گسترده‌ای از کاربردهای دنیای واقعی، مانند رابط‌های مغز و رایانه، یادگیری ماشینی هوش مصنوعی، رباتیک، فناوری عصبی، رشد کودک، گفتار درمانی، ترکیب‌کننده‌های گفتار، پردازش زبان طبیعی سرعت بخشد. فن آوری کمکی برای معلولان، چت ربات های تجاری، محصولات تشخیص صدا، ترجمه ماشینی، وسایل نقلیه خودمختار، روانشناسی، روانپزشکی، پزشکی تشخیص، داروسازی، بیوتکنولوژی و مراقبت های بهداشتی.

در سال 2025، انتظار اکتشاف بیشتر هوش مصنوعی محاوره ای در زمینه گفتار و زبان انسان را داشته باشید. سال گذشته هجوم هایی با استفاده از LLM برای روشن کردن مغز بیولوژیکی انجام شد. به عنوان مثال، یک 2024 PNAS مطالعه گلدین میدو و دیگران از LLM ایجاد شده توسط گوگل به نام BERT (نمایش رمزگذار دو جهته از ترانسفورمرز) برای تعیین زمان نقطه عطف کودکان در بهره وری زبانی، توانایی تولید زبان جدید در مقابل تقلید گفتار استفاده کرد. این کشف پتانسیل کمک به پزشکان در رشد کودک، گفتار درمانی و رشد هوش مصنوعی را دارد.

روند دیگری که باید در سال 2025 تماشا کرد، استفاده از LLM برای شناسایی الگوهایی از مجموعه‌ای از داده‌های بیولوژیکی پیچیده است که توسط فناوری‌های تصویربرداری و ضبط فعالیت مغز ثبت شده است. انتظار افزایش مطالعات تحقیقاتی با استفاده از LLM ها و داده های فعالیت عصبی را دارید. بیشترین افزایش در مطالعاتی که از داده‌های عصبی ثبت‌شده از طریق روش‌های غیرتهاجمی به‌وسیله تصویربرداری تشدید مغناطیسی کاربردی (fMRI)، مغناطیسی مغزی (MEG) و الکتروانسفالوگرافی (EEG) استفاده می‌کنند یا حتی از طریق یک خال کوبی الکترونیکی دیجیتال موقت (e-tattoo) که مستقیماً روی چاپ می‌شود، انتظار می‌رود. پوست سر همانطور که در سال 2024 نشان داده شد.

مطالعه دیگری در سال 2024 منتشر شده در هوش ماشین طبیعت انواع LLM ها و ضبط های واقعی فعالیت مغز انسان را مقایسه کرد تا کشف کند که LLM و مغز انسان در حال همگرایی هستند. یعنی، این مطالعه نشان داد که LLM های مورد مطالعه پردازش سلسله مراتبی مشابه مناطقی از مغز بیولوژیکی که مسئول پردازش صدا و زبان هستند را نشان می دهند.

یک روند نوظهور در موقعیت گسترش در سال 2025، ارزیابی قابلیت های پیش بینی LLMs در مقابل متخصصان انسانی در علوم اعصاب است. سال گذشته، یک نقطه عطف هوش مصنوعی با نشان دادن اینکه قابلیت‌های پیش‌بینی مدل‌های زبانی بزرگ از متخصصان علوم اعصاب انسانی در تعیین نتایج علوم اعصاب در این مطالعه برجسته که در این مطالعه منتشر شد، بهتر عمل کرد، ایجاد شد. طبیعت رفتار انسان

همچنین در سال 2024، LLM GPT-4 OpenAI در یک مطالعه منتشر شده در European Radiology در مورد تشخیص گزارش‌های بالینی MRI در دنیای واقعی از موارد تومور مغزی، در مقابل نورو رادیولوژیست‌های انسانی مورد آزمایش قرار گرفت. دانشمندان دریافتند که عملکرد GPT-4 می تواند به عنوان یک ابزار مشاوره نوررادیولوژی برای پزشکان و همچنین یک نظر دوم مفید در مورد تشخیص نهایی نورورادیولوژی باشد.

فراتر از قلمرو علوم اعصاب، انتظار ادغام بیشتر LLM ها را به عنوان پیشرفت های بالقوه برای محصولات مصرف کننده، به ویژه در حمل و نقل، داشته باشید. برای مثال، در سال 2024، محققان دانشگاه پردو مطالعه‌ای را انجام دادند که شامل هوش مصنوعی مکالمه‌ای مبتنی بر چارچوب LLM به نام Talk2Drive بود که می‌تواند دستورات صوتی انسان را برای هدایت وسایل نقلیه خودران تفسیر کند. این تحقیق اولین در نوع خود بود که آزمایش میدانی چند سناریویی را انجام داد که LLMها را بر روی یک خودروی خودران در دنیای واقعی مستقر کرد.

روند مهمی که در سال 2025 باید مشاهده شود، افزایش استفاده از LLM توسط دانشمندان به‌عنوان یک ابزار تحقیقاتی در طول چرخه حیات مطالعه تحقیقاتی برای عملکردهای مختلف، مانند جمع‌آوری اطلاعات، ویرایش، قالب‌بندی، بررسی دستور زبان، جستجوی مترادف، جمع‌آوری داده‌های پس‌زمینه است. ، جستجوهای تحقیقاتی منتشر شده، تمیز کردن پایگاه داده، تجزیه و تحلیل داده ها، گزارش های آماری، نوشتن، بازنویسی، طوفان فکری، تولید داده های مصنوعی، تولید برچسب داده ها و موارد دیگر استفاده می کند.

در سال گذشته، یک پیش چاپ انجام شده توسط محققان موسسه آلن برای هوش مصنوعی (Ai2)، دانشگاه واشنگتن، دانشگاه کپنهاگ، و دانشگاه پرینستون نشان می دهد که اکثریت (80.9٪) از بیش از 800 نویسنده منتشر شده تایید شده در فهرست Semantic Scholar فهرست شده اند. بررسی‌شده با استفاده از LLM در یک یا چند حوزه در تحقیق خود گزارش‌دهی داشتند.

انتظار می رود این تعداد افزایش یابد زیرا محققان بیشتری از LLM به عنوان یک فناوری کمکی در طول فرآیند تحقیقات علمی استفاده می کنند. از ایده های طوفان فکری گرفته تا کمک به گزارش نویسی. روند دیگری که باید تماشا کرد، فراخوان رو به رشد برای شفافیت و افشای زمان استفاده از LLM و نحوه استفاده از آنها برای تولید مطالعات تحقیقاتی در آینده است.

سال گذشته سال قابل توجهی از کشف در تقاطع فناوری ترانسفورماتور هوش مصنوعی و علوم بود. انتظار می‌رود مطالعات تحقیقاتی بیشتری برای ارزیابی قابلیت‌های مدل‌های زبان بزرگ در مقابل متخصصان انسانی، و همچنین افزایش استفاده از LLM برای تولید خود تحقیق واقعی انجام شود. استفاده از رفتار انسانی و روانشناسی کاربردی برای درک کارآمدی ها و قابلیت های مدل های زبانی بزرگ زمینه رشد مهمی در سال 2025 و پس از آن خواهد بود.

کپی رایت © 2025 Cami Rosso کلیه حقوق محفوظ است.