ALKHOBAR: Giderek daha büyük yapay zeka modelleri inşa etme yarışına teknoloji endüstrisi hakim durumda, ancak yaşlanma biyolojisi üzerine yapılan yeni araştırmalar, bilimsel yapay zekanın farklı bir yaklaşıma ihtiyaç duyup duymadığını sınay Uzun ömür araştırmaları için eğitilmiş daha küçük, uzmanlaşmış modellerin yanı sıra, yapay zeka sistemlerinin yaşlanmayla ilgili biyolojik veriler üzerinde mantık yürütüp yürütemeyeceğini ölçmek için bir kıyaslama aracı geliştirdi.
Araştırma sonuçları, bilimsel yapay zeka için daha geniş bir soruyu gündeme getiriyor: Yalnızca model boyutunu artırmak karmaşık biyolojik verileri yorumlamak için gereken uzmanlaşmış akıl yürütmeyi sağlayabilir mi, yoksa alana özgü kanıtlara dayanan daha küçük sistemler bazen daha iyi performans gösterebilir mi?
Körfez bölgesi açısından bu araştırma, aynı zamanda bölgenin yapay zeka odaklı bilimdeki genişleyen rolünü de yansıtıyor. Insilico Medicine'ın Abu Dabi araştırma merkezi çalışmanın lider kurumsal ortağı olurken, şirket ayrıca Suudi Aramco ve Kral Abdullah Bilim ve Teknoloji Üniversitesi dahil akademik ortaklarla üretken yapay zekanın malzeme araştırmalarına uygulanması konusunda ayrı ayrı iş birliği yapıyor.
Uzun ömür araştırmalarının merkezinde, klinik, epigenetik, transkriptomik, proteomik ve genetik verileri kapsayan 17 görevi içeren açık bir kıyaslama aracı olan LongevityBench yer alıyor.
Insilico Medicine'ın kurucusu ve CEO'su Alex Zhavoronkov, bu kıyaslama aracının, deneysel biyolojik kanıtları yorumlayabilen yapay zeka sistemleri ile çoğunlukla eğitim sırasında karşılaşılan bilgilere dayanarak ikna edici yanıtlar üreten sistemleri birbirinden ayırmak için geliştirildiğini söyledi.
Zhavoronkov, Arab News'e yaptığı açıklamada, "Hiç sahip olmadığımız şey, basit bir soruyu sormanın ortak ve titiz bir yoluydı: Bir yapay zeka sistemi bu veriler üzerinde eğitimli bir biyoloğun yapacağı şekilde mantık yürütebiliyor mu, yoksa sadece doğru kulağa gelen akıcı metinler mi üretiyor?" dedi.
Kendisi, mevcut kıyaslama araçlarının genellikle modellerin yaşlanmayla ilgili biyolojik ölçümlerden doğrudan mantık yürütmesini gerektirmekten ziyade dizi-fonksiyon tahmini, klinik soru yanıtlama veya genel farmakolojiye odaklandığını belirtti.
LongevityBench bunun yerine DNA metilasyon verilerinden biyolojik yaşı karşılaştırma, transkriptomik bilgilerden doku örneklerini yaşa göre sınıflandırma ve proteomik profilleri kullanarak kronolojik yaşı tahmin etme dahil olmak üzere ölçülebilir sonuçlar kullanıyor.
Araştırmacılar, ekip tarafından geliştirilen beş uzmanlaşmış Longevity-LLM ile birlikte altı yapay zeka geliştirici ekibin (OpenAI, Google, Anthropic, xAI, DeepSeek ve Moonshot AI) sistemlerini değerlendirdi.
Zhavoronkov'a göre daha küçük modeller, daha büyük ölçeğin mutlaka daha iyi bilimsel performans anlamına geldiği varsayımına meydan okudu.
"En önemli bulduğum bulgu bu ve yapay zekada 'büyük olan her zaman kazanır' şeklindeki hakim varsayıma ters düşüyor" dedi.
Uzmanlaşmış modeller, kıyaslama testinde değerlendirilen öncü sistemlerin çoğunu yakaladı veya onları geride bıraktı. Zhavoronkov, DNA metilasyon yaşı karşılaştırmasında uzmanlaşmış bir modelin test edilen en iyi öncü sistemi geride bıraktığını, 0,6 milyar parametreli bir modelin ise proteomik yaş tahmin görevinde, en iyi genel amaçlı sisteme kıyasla ortalama mutlak hatayı önemli ölçüde azalttığını söyledi.
"Genel zekayı ölçeklendirmek size akıcılık kazandırır. Bu durum, yaşlanma biyolojisi gibi veri yoğun bir alanda size otomatik olarak bilimsel yetkinlik kazandırmaz" diyen Zhavoronkov, sözlerini şöyle sürdürdü: "İlerleyen yol sadece daha büyük modeller değildir. Temel biyolojik ölçümlere düzgün bir şekilde dayandırılmış modellerdir ve bu modeller Abu Dabi'deki bir araştırma merkezinden inşa edilebilir, değerlendirilebilir ve piyasaya sürülebilir."
Çalışma Eylül ayında Cell dergisinde yayınlandı