نماذج Liquid AI وInsilico Medicine تتفوق بأبحاث الشيخوخة
أطلقت Liquid AI وInsilico Medicine نماذج ذكاء اصطناعي متخصصة في أبحاث الشيخوخة، قادرة على تحليل بيانات بيولوجية مثل البروتينات وعلامات الحمض النووي، مع نتائج قوية أمام نماذج ذكاء اصطناعي أكبر.
تفاصيل الخبر
نشرت Liquid AI وInsilico Medicine مجموعة من النماذج المتخصصة في علم الشيخوخة، بالتزامن مع إطلاق LongevityBench، وهو معيار مفتوح لتقييم قدرة نماذج الذكاء الاصطناعي على فهم بيانات الشيخوخة عبر أنواع متعددة من البيانات البيولوجية.
ومن أبرز ما كشفت عنه كل من Liquid AI وInsilico Medicine:
- يختبر LongevityBench أداء النماذج عبر 17 مهمة وخمسة مجالات من البيانات البيولوجية.
- تشمل البيانات السجلات السريرية، وبيانات DNA methylation، والتعبير الجيني، وبروتينات البلازما، والأدلة الجينية.
- أطلقت Liquid AI نموذجين متخصصين هما LFM2-1.2B-Longevity وLFM2-2.6B-Longevity.
- خضعت النماذج لتدريب متخصص على بيانات مرتبطة بالشيخوخة، بدل الاعتماد فقط على التدريب العام واسع النطاق.
- أظهرت النماذج الصغيرة أداءً تنافسيًا مع نماذج أكبر بكثير في عدد من مهام الاختبار.
- وفق النتائج المنشورة، تصدر L-Qwen3.5-9B الترتيب الإجمالي بين النماذج التي جرى تقييمها، بينما جاء L-LFM2-2.6B في المركز الثاني ضمن التصنيف الإجمالي.
- في إحدى مهام بيانات البروتينات، تفوقت النماذج المتخصصة على النماذج العامة التي تمت مقارنتها بها، ما يوضح أهمية التدريب المتخصص للمهام البيولوجية.
وتشير Liquid AI إلى أن الهدف من LongevityBench ليس فقط مقارنة النماذج، بل اختبار قدرتها فعليًا على استخدام القياسات البيولوجية للوصول إلى نتائج صحيحة، بدل الاكتفاء بإنتاج إجابات تبدو مقنعة لغويًا.
الأهداف المستقبلية
تركز Liquid AI وInsilico Medicine على توسيع استخدام الذكاء الاصطناعي في أبحاث الشيخوخة، ومن أبرز الخطوات المستقبلية:
- إضافة مهام وأنواع جديدة من البيانات إلى LongevityBench.
- تحسين أداء النماذج المتخصصة عبر مجموعة الاختبارات الكاملة.
- تقييم موثوقية النماذج وعدالتها وسرعتها وتكلفتها في بيئات بحثية واقعية.
- توفير نماذج صغيرة يمكن تشغيلها محليًا، خصوصًا عند التعامل مع بيانات مرضى حساسة.
- دعم الباحثين في تطوير نماذجهم ومقارنتها باستخدام معيار مفتوح.
- تطوير أدوات ذكاء اصطناعي تساعد في تحليل المؤشرات الحيوية ودراسة آليات الشيخوخة.
وتؤكد Liquid AI أن النتائج الحالية تمثل خطوة أولية نحو نماذج متخصصة لأبحاث طول العمر، وأن استخدامها في التطبيقات البحثية الواقعية سيحتاج إلى تحقق متخصص وضوابط مناسبة قبل الاعتماد عليها في القرارات العلمية أو الطبية.
تكشف هذه التجربة عن اتجاه متزايد نحو تدريب نماذج أصغر على بيانات متخصصة بدل الاعتماد على حجم النموذج وحده. ومع تطوير LongevityBench والنماذج المتخصصة، يمكن للباحثين امتلاك أدوات أكثر تركيزًا لتحليل بيانات الشيخوخة ودراسة المؤشرات البيولوجية المرتبطة بها.
