1. 首頁 > 科技 > >

機器人|面對任務帶來的變化、困難和復雜性，人工智能系統有能力實現既定的目標

機器人

機器人|面對任務帶來的變化、困難和復雜性，人工智能系統有能力實現既定的目標

文章圖片

機器人|面對任務帶來的變化、困難和復雜性，人工智能系統有能力實現既定的目標

文章圖片

機器人|面對任務帶來的變化、困難和復雜性，人工智能系統有能力實現既定的目標

文章圖片


由于研究生物系統的數據和定性分析的數量不斷增加 ， 以及從更傳統的還原論轉向整體和基于系統的方法 ， 生物學正在經歷一場知識革命 。 這在一定程度上源于并促進了人工智能(AI)和機器人技術的作用越來越大 。 AI嘗試構建智能代理 。 面對任務帶來的變化、困難和復雜性 ， 人工智能系統有能力實現既定的目標 。 當解決方案不能以傳統的確定性方式編程時 ， 它們是必不可少的 。



人工智能繼承了其他學科的許多思想、觀點和技術 。 例如 ， 推理和學習理論是從哲學中出現的 。 數學已經借用了人工智能的邏輯、概率、決策和計算理論 。 計算機科學提供了使人工智能成為現實的工具 。 一些人工智能方法和工具可以為生命科學問題提供解決方案 ， 在這些問題中 ， 傳統的數學、統計和蠻力方法被證明是無效或低效的 。 機器學習、知識管理和多代理系統等人工智能領域可以為實驗實施做出重大貢獻 。



代理、人機交互、自然語言處理、視覺和計算創造力等領域可以為整合和優化人與機器人的能力提供方法和技術支持 。 最后 ， 數據挖掘、基于知識的系統和計算理論等領域可以提供從數據到知識的自然聯系 。 全基因組序列和新的高通量技術使研究人員能夠系統地、大規模地解決問題 。 他們可以研究基因組中的所有基因或特定組織、器官或腫瘤中的轉錄本 ， 或者我們數以萬計的基因和蛋白質相互以及環境產生大量數據的方式在生物系統研究的多個復雜層次上 ， 產生了一個新的高維生物學領域 。

這一新興學科正在挑戰生物學研究的方法 。 前基因組時代深深植根于將復雜系統簡化為其基本形式的方法論 。 這導致建立了獨立的遺傳學、生物化學和分子生物學領域 。 這些方法中有許多是定性的 ， 并不是特別數字化 ， 信息通常以非結構化格式提供 。 它們還為生物學觀察提供了重要的現象學基礎 。 前基因組方法必然是完全假設驅動的 ， 并且涉及評估有限數量的變量 。



與此形成鮮明對比的是 ， 后基因組科學采用全球系統方法并將信息從DNA整合到蛋白質水平 。 高吞吐量技術通常與數字輸出一起使用 。 這迅速提供了大量數據 ， 其高維度需要使用關系數據庫 。 這為將假設驅動的研究與數據驅動的方法相結合提供了一個全新的機會 。 表征后基因組研究的流程流程 ， 其中涉及基于已知知識的問題的形成、回答問題的擬議實驗、實驗實施、數據分析和解釋 ， 這些又可能被添加到知識庫中 。

這些階段可以分為設計、實施和分析 ， 每個階段都處理不同類型的被操縱的知識 。 目前 ， 實驗由研究人員設計 ， 部分由人類技術人員實施 ， 部分由機器人站實施 。 然后 ， 研究人員分析和解釋結果 ， 并將結果反饋給研究界 。 然而 ， 所涉及的參數和變量數量的迅速增加以及三個階段對質量保證結果的日益增長的需求使得構建能夠學習以幫助這些過程的智能自動化系統變得非常必要 。

【機器人|面對任務帶來的變化、困難和復雜性，人工智能系統有能力實現既定的目標】

相關經驗推薦