AAAI(AAAI Conference on Artificial Intelligence) 由国际先进人工智能协会主办，是人工智能领域的顶级国际学术会议之一。第39届AAAI人工智能年度会议将于2025年2月在美国宾夕法尼亚州费城召开。本文将介绍自动化所在本届大会上的录用成果。

人工智能在科学领域的应用涵盖了广泛的范围，从原子层面，解决量子系统的偏微分方程，到分子层面，预测化学或蛋白质结构，甚至扩展到像传染病爆发这样的社会预测。近年来，大型语言模型（LLMs）取得了显著的进展，诸如ChatGPT等模型在涉及自然语言的任务中表现出了强大的能力，例如语言翻译、构建聊天机器人和回答问题。当我们考虑科学数据时，我们会注意到它们在序列上与自然语言有相似之处——如以文本呈现的科学文献和健康记录、按序列排列的生物组学数据，或像脑电信号这样的传感器数据。问题随之而来：我们能否利用这些最新LLMs的潜力推动科学进步？在本教程中，我们将探讨大型语言模型在科学数据三大关键类别中的应用：1）文本数据，2）生物医学序列，3）脑电信号。此外，我们还将深入探讨LLMs在科学研究中的挑战，包括确保可信度、实现个性化和适应多模态数据表示。

Xuan Wang 是弗吉尼亚理工大学计算机科学系的助理教授。她的研究兴趣包括自然语言处理、数据挖掘、科学中的人工智能以及医疗保健中的人工智能。她目前的研究方向包括基于有限监督的自然语言理解、大型语言模型的复杂推理与规划，以及通过多模态科学基础模型推动科学发现。她曾获得2025年思科研究奖、2024-2025年NSF NAIRR试点奖以及2021年NAACL最佳演示论文奖。她分别于2022年、2017年和2015年在伊利诺伊大学香槟分校获得计算机科学博士学位、统计学硕士学位和生物化学硕士学位，并于2013年获得清华大学生物科学学士学位。她曾在IEEE-BigData 2019、WWW 2022、KDD 2022和EMNLP 2024等会议上举办教程。

人工智能（AI）在科学领域的卓越能力涵盖了广泛的范畴，从原子层面（如尝试求解量子系统的偏微分方程）到分子层面（如精准预测化学物质和蛋白质的结构），甚至延伸到社会预测（如预测传染病爆发）（Zhang et al., 2023a）。在这一充满可能性的背景下，大语言模型（LLMs）的最新进展，尤其是以ChatGPT为代表的模型，已崭露头角，展示了在自然语言相关任务中的显著能力。这些任务包括语言翻译、构建聊天机器人和回答问题（Yang et al., 2023）。有趣的是，当我们将注意力转向科学数据时，会发现其与自然语言在序列形式上有着惊人的相似性。科学文献和健康记录以文本叙述的形式呈现，生物组学数据表现为分子序列，甚至像脑信号这样的传感器数据本质上也是序列化的（Wang et al., 2021a; Thirunavukarasu et al., 2023）。这一观察引发了一个引人深思的问题：我们能否利用这些先进的大语言模型的潜力来推动科学进步？在本教程中，我们将踏上探索这一交叉领域的旅程——将尖端的大语言模型与科学研究相结合。我们的探索聚焦于三类关键的科学数据：1）文本数据（Alsentzer et al., 2019; Singhal et al., 2022; Beltagy et al., 2019; Lee et al., 2020; Gu et al., 2021; Alrowili and Vijay-Shanker, 2021; Yasunaga et al., 2022），2）生物医学序列（Ji et al., 2021; Zvyagin et al., 2022; Fishman et al., 2023; Dalla-Torre et al., 2023; Nguyen et al., 2023; Yamada and Hamada, 2022; Yang et al., 2022; Chen et al., 2022; Zhang et al., 2023b; Rives et al., 2021; Bepler and Berger, 2021; Brandes et al., 2022; Madani et al., 2023; Lin et al., 2023; Zheng et al., 2023; Xu et al., 2023），以及3）脑信号（Wang et al., 2022a; Wang and Ji, 2022; Tang et al., 2023）。通过借鉴大语言模型的变革性能力，我们试图在每个领域中揭示新的理解和创新。随着教程的深入，我们还将讨论将AI融入科学研究过程中伴随的复杂挑战。可信赖性是其中至关重要的一点——我们如何确保AI增强的科学洞察力的可靠性？个性化的概念也成为一个关键考量，促使我们根据科学研究的特定需求定制大语言模型。此外，科学数据的多维度特性要求我们掌握处理跨模态数据表示的艺术。

教程大纲

本教程预计时长为3小时，中间包含30分钟的休息时间。

内容大纲如下：

1 背景与动机 [20分钟]我们将首先介绍大语言模型（LLMs）的背景知识以及“科学人工智能”（AI for Science）的整体概况。随后，我们将围绕三类关键科学数据（1）文本数据，（2）生物医学序列，以及（3）脑信号，激发对大语言模型在科学领域应用的兴趣。

2 大语言模型在科学文本数据中的应用 [40分钟]首先，我们将介绍大语言模型在科学文本数据中的应用。科学文本数据涵盖多个领域，例如生物医学文献（Beltagy et al., 2019; Lee et al., 2020; Gu et al., 2021; Alrowili and Vijay-Shanker, 2021; Yasunaga et al., 2022）和电子健康记录（Alsentzer et al., 2019; Singhal et al., 2022）。这类数据与大语言模型的基本结构高度契合，广泛应用于科学和医疗领域，支持信息提取（Wang et al., 2021b; Zhong et al., 2023; Wang et al., 2022b）和问答任务（Krithara et al., 2023）。

3 大语言模型在生物医学序列中的应用 [60分钟]接下来，我们将探讨大语言模型在复杂的生物序列数据中的应用。这一领域充满可能性，我们重点关注以下三类相互交织的生物序列：DNA序列：从生命的蓝图出发，我们深入研究了（Ji et al., 2021）、（Zvyagin et al., 2022）、（Fishman et al., 2023）、（Dalla-Torre et al., 2023）和（Nguyen et al., 2023）等开创性工作。这些研究为解密生物体本质中的秘密铺平了道路。DNA大语言模型在下游任务中应用广泛，例如从DNA序列中预测调控元件（如增强子、启动子、表观遗传标记和剪接位点）（Grešová et al., 2023; Dalla-Torre et al., 2023）。RNA序列：在基因表达的复杂世界中，我们借鉴了（Yamada and Hamada, 2022）、（Yang et al., 2022）、（Chen et al., 2022）和（Zhang et al., 2023b）等创新成果。这些进展帮助我们解码由RNA调控的生物过程。RNA大语言模型在RNA结构与功能预测（Yamada and Hamada, 2022; Zhang et al., 2023b）、RNA-蛋白质相互作用预测（Chen et al., 2022）以及细胞类型注释（Yang et al., 2022）中应用广泛。蛋白质序列：进入蛋白质的复杂领域，我们参考了（Rives et al., 2021）、（Bepler and Berger, 2021）、（Brandes et al., 2022）、（Madani et al., 2023）、（Lin et al., 2023）、（Zheng et al., 2023）和（Xu et al., 2023）等重要研究。这些研究揭示了分子功能与相互作用的复杂机制。蛋白质大语言模型在功能性蛋白质生成（Leinonen et al., 2004）和蛋白质结构预测（Suzek et al., 2015）中具有广泛应用。在这些领域中，大语言模型的变革性能力体现在众多高影响力的下游应用中。从预测分子结构到预测分子相互作用，从揭示分子功能到与疾病进展过程建立关联，大语言模型作为创新的灯塔，引导我们更深入地理解生命的基石。4 大语言模型在脑信号中的应用 [30分钟]最后，我们将探讨大语言模型在脑信号领域的迷人应用。本节首先介绍一种开创性的预训练脑信号表征模型（Wang et al., 2022a）。在此基础上，我们进一步探讨一个激动人心的主题——开放式词汇脑信号到文本的翻译（Wang and Ji, 2022; Tang et al., 2023）。这一研究旨在训练翻译模型，自动解读个体思维中的复杂内容，为技术与认知过程的潜在融合提供了引人入胜的视角。

**4.5 未来研究方向 [30分钟]**作为总结，我们将深入探讨将AI应用于科学研究中的挑战。其中一个重要挑战是确保AI增强的科学洞察力的可靠性和可信度，包括模型的可解释性、对抗攻击的鲁棒性、对不同人群的模型偏见以及数据隐私问题。我们还将探讨个性化的概念，即根据不同的个性化数据调整大语言模型。例如，不同人在相同语境下思考同一个词时，脑信号存在显著的个体差异。我们能否基于不同人的脑信号模式构建个性化的大语言模型，而非使用单一模型适应所有人？此外，科学信息的多样性要求我们掌握高效处理多类型数据的技能。例如，谷歌发布的Med-PaLM-2（Singhal et al., 2023）整合了电子健康记录中的图像、文本和基因组数据，展示了专家级的医学问答能力。我们能否开发更高效的方法，将多模态和多组学的大语言模型整合为一个强大的统一模型？