文章图片
文章图片
文章图片
由于研究生物系统的数据和定性分析的数量不断增加 ， 以及从更传统的还原论转向整体和基于系统的方法 ， 生物学正在经历一场知识革命 。 这在一定程度上源于并促进了人工智能(AI)和机器人技术的作用越来越大 。 AI尝试构建智能代理 。 面对任务带来的变化、困难和复杂性 ， 人工智能系统有能力实现既定的目标 。 当解决方案不能以传统的确定性方式编程时 ， 它们是必不可少的 。
人工智能继承了其他学科的许多思想、观点和技术 。 例如 ， 推理和学习理论是从哲学中出现的 。 数学已经借用了人工智能的逻辑、概率、决策和计算理论 。 计算机科学提供了使人工智能成为现实的工具 。 一些人工智能方法和工具可以为生命科学问题提供解决方案 ， 在这些问题中 ， 传统的数学、统计和蛮力方法被证明是无效或低效的 。 机器学习、知识管理和多代理系统等人工智能领域可以为实验实施做出重大贡献 。
代理、人机交互、自然语言处理、视觉和计算创造力等领域可以为整合和优化人与机器人的能力提供方法和技术支持 。 最后 ， 数据挖掘、基于知识的系统和计算理论等领域可以提供从数据到知识的自然联系 。 全基因组序列和新的高通量技术使研究人员能够系统地、大规模地解决问题 。 他们可以研究基因组中的所有基因或特定组织、器官或肿瘤中的转录本 ， 或者我们数以万计的基因和蛋白质相互以及环境产生大量数据的方式在生物系统研究的多个复杂层次上 ， 产生了一个新的高维生物学领域 。
这一新兴学科正在挑战生物学研究的方法 。 前基因组时代深深植根于将复杂系统简化为其基本形式的方法论 。 这导致建立了独立的遗传学、生物化学和分子生物学领域 。 这些方法中有许多是定性的 ， 并不是特别数字化 ， 信息通常以非结构化格式提供 。 它们还为生物学观察提供了重要的现象学基础 。 前基因组方法必然是完全假设驱动的 ， 并且涉及评估有限数量的变量 。
与此形成鲜明对比的是 ， 后基因组科学采用全球系统方法并将信息从DNA整合到蛋白质水平 。 高吞吐量技术通常与数字输出一起使用 。 这迅速提供了大量数据 ， 其高维度需要使用关系数据库 。 这为将假设驱动的研究与数据驱动的方法相结合提供了一个全新的机会 。 表征后基因组研究的流程流程 ， 其中涉及基于已知知识的问题的形成、回答问题的拟议实验、实验实施、数据分析和解释 ， 这些又可能被添加到知识库中 。
这些阶段可以分为设计、实施和分析 ， 每个阶段都处理不同类型的被操纵的知识 。 目前 ， 实验由研究人员设计 ， 部分由人类技术人员实施 ， 部分由机器人站实施 。 然后 ， 研究人员分析和解释结果 ， 并将结果反馈给研究界 。 然而 ， 所涉及的参数和变量数量的迅速增加以及三个阶段对质量保证结果的日益增长的需求使得构建能够学习以帮助这些过程的智能自动化系统变得非常必要 。
【机器人|面对任务带来的变化、困难和复杂性，人工智能系统有能力实现既定的目标】
相关经验推荐
- 机器人|预算紧张补上骁龙8系旗舰，这款2K档新机担值得考虑
- 工业机器人|曾嘲笑苹果的它，最终变成了曾经讨厌的模样，刘海加持
- 机器人|高端制造高歌猛进，中国要在机器人技术领域杀出一条血路！
- 机器人|四轴和六轴机器人的区别是什么，看了就知道！
- 苹果|有颜有值有实力，云米AI扫拖机器人Alpha 3体验：做个懒人，真舒坦
- 英特尔|号称“没有竞品”！百度首款汽车机器人靠谱吗？
- 机器人|手机内部有自动优化，绿树会更绿，脸色会轻微偏好看的红色
- iPhoneSE|AI和虚拟包围地球，机器人取代人类？
- AMD|“我将毁灭人类”？曾说出这句话的机器人索菲亚，如今怎样了？
- 扫地机器人|性能比原装强2倍，iPhone 13最佳辅助配件来袭，体积仅为饼干大小