วิธีสร้าง GPT-3 สำหรับวิทยาศาสตร์

ต้องการสร้างภาพของ velociraptors ทำงานบนตึกระฟ้า ในสไตล์ “Lunch Atop A Skyscraper” ปี 1932? ใช้ DALL-E ต้องการสร้างจินตภาพ การแสดงตลกเดี่ยวโดย Peter Thiel, Elon Musk และ Larry Page? ใช้ GPT-3 ต้องการทำความเข้าใจการวิจัย COVID-19 อย่างลึกซึ้งและตอบคำถามของคุณตามหลักฐานหรือไม่? เรียนรู้วิธีค้นหาแบบบูลีน อ่านเอกสารทางวิทยาศาสตร์ และอาจได้รับปริญญาเอก เนื่องจากไม่มีโมเดล AI กำเนิดที่ได้รับการฝึกฝนเกี่ยวกับสิ่งตีพิมพ์งานวิจัยทางวิทยาศาสตร์จำนวนมาก หากมี การได้รับคำตอบเป็นภาษาธรรมดาสำหรับคำถามทางวิทยาศาสตร์ที่มีหลักฐานสนับสนุนจะเป็นประโยชน์ที่ง่ายที่สุด Genative AI สำหรับวิทยาศาสตร์สามารถช่วยย้อนกลับ การชะลอตัวของนวัตกรรมทางวิทยาศาสตร์ by ทำให้มัน ง่ายดาย และ ราคาถูก เพื่อค้นหาแนวคิดใหม่ๆ โมเดลดังกล่าวยังสามารถให้คำเตือนที่มีข้อมูลสำรองเกี่ยวกับสมมติฐานการรักษาที่ล้มเหลวอย่างแน่นอน ถ่วงดุลอคติของมนุษย์และหลีกเลี่ยงพันล้านดอลลาร์ ตรอกซอกซอยยาวหลายสิบปี. ในที่สุดโมเดลดังกล่าวก็สามารถต่อสู้ได้ วิกฤตการทำซ้ำ โดยการทำแผนที่ การชั่งน้ำหนัก และการปรับผลการวิจัยตามบริบท โดยให้คะแนนด้านความน่าเชื่อถือ

เหตุใดเราจึงไม่มี DALL-E หรือ GPT-3 สำหรับวิทยาศาสตร์ เหตุผลก็คือแม้ว่าการวิจัยทางวิทยาศาสตร์จะเป็น เนื้อหาที่มีค่าที่สุดในโลก อีกทั้งยังเป็นเนื้อหาที่เข้าถึงและเข้าใจได้น้อยที่สุดในโลก ฉันจะอธิบายสิ่งที่ต้องใช้เพื่อปลดล็อกข้อมูลทางวิทยาศาสตร์ในวงกว้างเพื่อให้ AI กำเนิดสำหรับวิทยาศาสตร์เป็นไปได้ และจะเปลี่ยนแปลงวิธีที่เรามีส่วนร่วมกับการวิจัยได้อย่างไร 

อะไรทำให้ข้อมูลการวิจัยทางวิทยาศาสตร์มีความท้าทาย

สิ่งพิมพ์วิจัยเป็นแหล่งเก็บข้อมูลที่สำคัญที่สุดในโลกสำหรับเนื้อหาและข้อมูลที่เคยสร้างมา พวกเขาเชื่อมโยงความคิดและการค้นพบเข้าด้วยกันข้ามเวลาและสาขาวิชา และได้รับการเก็บรักษาไว้ตลอดไปโดยเครือข่ายห้องสมุด โดยได้รับการสนับสนุนจากหลักฐาน การวิเคราะห์ ข้อมูลเชิงลึกของผู้เชี่ยวชาญ และความสัมพันธ์ทางสถิติ พวกเขามีค่าอย่างยิ่ง แต่ส่วนใหญ่ซ่อนจากเว็บและใช้อย่างไม่มีประสิทธิภาพมาก เว็บเต็มไปด้วยวิดีโอแมวน่ารักน่ากอด แต่ส่วนใหญ่ไม่มีการวิจัยมะเร็งที่ทันสมัย ตัวอย่างเช่น เว็บวิทยาศาสตร์ เป็นหนึ่งในดัชนีความรู้ทางวิทยาศาสตร์ที่ครอบคลุมมากที่สุด มีมานานหลายทศวรรษแล้ว แต่อาจเป็นสิ่งที่ผู้อ่านส่วนใหญ่ไม่เคยได้ยินมาก่อนด้วยซ้ำ นับประสาปฏิสัมพันธ์ด้วย พวกเราส่วนใหญ่ไม่มีสิทธิ์เข้าถึงรายงานการวิจัย และแม้ว่าเราจะทำเอกสารเหล่านี้ก็แน่น เข้าใจยาก และบรรจุเป็น PDF ซึ่งเป็นรูปแบบที่ออกแบบมาสำหรับการพิมพ์ ไม่ใช่สำหรับเว็บ

เนื่องจากเอกสารทางวิทยาศาสตร์ไม่สามารถเข้าถึงได้ง่าย เราจึงไม่สามารถใช้ข้อมูลเพื่อฝึกแบบจำลองกำเนิดเช่น GPT-3 หรือ DALL-E ได้อย่างง่ายดาย คุณสามารถ ลองนึกภาพว่านักวิจัยสามารถเสนอการทดลองและโมเดล AI สามารถบอกพวกเขาได้ทันทีว่าเคยทำมาก่อนหรือไม่ (และดีกว่านั้นคือให้ผลลัพธ์แก่พวกเขา) จากนั้นเมื่อมีข้อมูลจากการทดลองใหม่แล้ว AI สามารถแนะนำการทดลองติดตามผลตามผลลัพธ์ได้ สุดท้าย ลองนึกภาพเวลาที่สามารถบันทึกได้หากผู้วิจัยสามารถอัปโหลดผลลัพธ์และแบบจำลอง AI สามารถเขียนต้นฉบับผลลัพธ์ได้ พวกเขา. วิทยาศาสตร์ที่ใกล้เคียงที่สุดที่เราเคยพบใน DALL-E คือ Google Scholar แต่ไม่ใช่โซลูชันที่ยั่งยืนหรือปรับขนาดได้ IBM Watson ยังตั้งเป้าหมายที่จะบรรลุสิ่งที่ฉันอธิบายไว้ที่นี่ แต่งานส่วนใหญ่มาก่อนความก้าวหน้าล่าสุดในโมเดลภาษาขนาดใหญ่ และไม่ได้ใช้ข้อมูลที่เหมาะสมหรือเพียงพอเพื่อให้ตรงกับโฆษณาทางการตลาด

สำหรับการปลดล็อกคุณค่าที่ฉันอธิบาย เราต้องการการลงทุนระยะยาว ความมุ่งมั่น และวิสัยทัศน์ ตามที่เสนอมา เมื่อเร็ว ๆ นี้ in อนาคตเราจำเป็นต้องปฏิบัติต่อสิ่งตีพิมพ์ทางวิทยาศาสตร์เสมือนเป็นสารตั้งต้นเพื่อนำมารวมกันและวิเคราะห์ตามขนาด เมื่อเราขจัดอุปสรรค เราจะสามารถใช้วิทยาศาสตร์เพื่อป้อนแบบจำลอง AI ที่หิวกระหายข้อมูลได้ โมเดลเหล่านี้มีศักยภาพมหาศาลในการเร่งความเร็วทางวิทยาศาสตร์และเพิ่มความรู้ทางวิทยาศาสตร์ เช่น ผ่านการฝึกอบรมเพื่อสร้างแนวคิดทางวิทยาศาสตร์ใหม่ ช่วยนักวิทยาศาสตร์จัดการและสำรวจวรรณกรรมทางวิทยาศาสตร์จำนวนมาก ช่วยระบุงานวิจัยที่มีข้อบกพร่องหรือปลอมแปลง และสังเคราะห์และแปลผลการวิจัยที่ซับซ้อนเป็น คำพูดของมนุษย์ธรรมดา

เราจะรับ DALL-E หรือ GPT-3 สำหรับวิทยาศาสตร์ได้อย่างไร

หากคุณอยู่ในสายเทคโนโลยี แสดงให้เพื่อนเห็นผลลัพธ์จากโมเดล AI กำเนิด เช่น DALL-E or จีพีที-3 ก็เหมือนการแสดงมายากล เครื่องมือเหล่านี้เป็นตัวแทนของเว็บรุ่นต่อไป สิ่งเหล่านี้ได้มาจากการสังเคราะห์ข้อมูลจำนวนมหาศาล นอกเหนือไปจากการเชื่อมโยงง่ายๆ เพื่อสร้างเครื่องมือที่มีความสามารถในการกำเนิด แล้วเราจะสร้างประสบการณ์มหัศจรรย์ที่คล้ายคลึงกันในด้านวิทยาศาสตร์ได้อย่างไร โดยที่ทุกคนสามารถถามคำถามเกี่ยวกับวรรณกรรมทางวิทยาศาสตร์ในภาษาธรรมดาๆ และได้รับคำตอบที่เข้าใจได้โดยมีหลักฐานสนับสนุน เราจะช่วยนักวิจัยสร้าง พัฒนา ปรับแต่ง และทดสอบสมมติฐานได้อย่างไร เราจะหลีกเลี่ยงการเสียเงินหลายพันล้านดอลลาร์กับ สมมติฐานล้มเหลวในการวิจัยโรคอัลไซเมอร์ และ ความสัมพันธ์ที่ผิดพลาดระหว่างพันธุกรรมกับภาวะซึมเศร้า? 

คำตอบสำหรับคำถามเหล่านี้อาจฟังดูเหมือนนิยายวิทยาศาสตร์ แต่มีหลักฐานว่าเราสามารถทำสิ่งที่น่าอัศจรรย์และคิดไม่ถึงได้ เมื่อมีการใช้งานทางวิทยาศาสตร์เป็นมากกว่าแค่ผลรวมของส่วนต่างๆ อันที่จริง การใช้โครงสร้างโปรตีนเกือบ 200,000 โครงสร้าง ใน ธนาคารข้อมูลโปรตีน ได้ให้ อัลฟ่าโฟลด์ ความสามารถ เพื่อทำนายโครงสร้างโปรตีนอย่างแม่นยำ สิ่งที่ทำเพื่อ โปรตีนทุกตัวที่เคยบันทึกไว้ (กว่า 200 ล้าน!) การใช้ประโยชน์จากเอกสารวิจัยในลักษณะที่คล้ายกับโครงสร้างโปรตีนจะเป็นขั้นตอนต่อไปโดยธรรมชาติ 

ย่อยสลายกระดาษเป็นส่วนประกอบน้อยที่สุด

เอกสารการวิจัยเต็มไปด้วยข้อมูลที่มีค่า รวมถึงตัวเลข แผนภูมิ ความสัมพันธ์ทางสถิติ และการอ้างอิงถึงเอกสารอื่นๆ การแยกย่อยออกเป็นส่วนประกอบต่างๆ และการใช้งานตามขนาดสามารถช่วยเราในการฝึกอบรมเครื่องจักรสำหรับงานที่เกี่ยวข้องกับวิทยาศาสตร์ การแจ้งเตือน หรือข้อสงสัยประเภทต่างๆ คำถามง่ายๆ อาจได้รับคำตอบด้วยการฝึกอบรมเกี่ยวกับองค์ประกอบประเภทเดียว แต่คำถามหรือข้อความแจ้งที่ซับซ้อนกว่านั้นจะต้องมีการรวมองค์ประกอบหลายประเภท และความเข้าใจในความสัมพันธ์ซึ่งกันและกัน  

ตัวอย่างข้อความแจ้งที่อาจเกิดขึ้นที่ซับซ้อน ได้แก่

“บอกฉันทีว่าทำไมสมมติฐานนี้ถึงผิด”
“บอกฉันทีว่าทำไมแนวคิดการรักษาของฉันถึงใช้ไม่ได้ผล”
“สร้างแนวคิดการรักษาใหม่”
“มีหลักฐานอะไรสนับสนุนนโยบายสังคม X?”
“ใครเป็นผู้ตีพิมพ์งานวิจัยที่น่าเชื่อถือที่สุดในสาขานี้”
“เขียนรายงานทางวิทยาศาสตร์โดยอิงจากข้อมูลของฉัน”

บางกลุ่มกำลังดำเนินการตามวิสัยทัศน์นี้ ตัวอย่างเช่น, ล้วง ใช้ GPT-3 กับชื่อบทความและบทคัดย่อหลายล้านฉบับเพื่อช่วยตอบคำถามของนักวิจัย เช่น Alexa แต่สำหรับวิทยาศาสตร์ System แยกความสัมพันธ์ทางสถิติระหว่างเอนทิตีที่แสดงว่าแนวคิดและเอนทิตีต่างกันอย่างไร เชื้อปะทุ ไม่ได้เน้นที่เอกสารการวิจัยโดยตรง แต่ทำงานร่วมกับ arXiv และจัดทำแดชบอร์ดข้อมูลที่องค์กรและรัฐบาลใช้เพื่อสังเคราะห์และทำความเข้าใจข้อมูลจำนวนมากจากหลายแหล่ง 

เข้าถึงส่วนประกอบทั้งหมด

น่าเสียดายที่กลุ่มเหล่านี้ใช้เฉพาะชื่อและบทคัดย่อเท่านั้น ไม่ใช่ข้อความทั้งหมด เนื่องจากบทความประมาณห้าในหกบทความไม่สามารถเข้าถึงได้โดยเสรีหรือโดยง่าย สำหรับกลุ่มเช่น Web of Science และ Google ที่มีข้อมูลหรือเอกสาร ใบอนุญาตและขอบเขตการใช้งานคือ จำกัดหรือไม่ได้กำหนด. ในกรณีของ Google ยังไม่ชัดเจนว่าเหตุใดจึงไม่มีความพยายามในการฝึกอบรมแบบจำลอง AI เกี่ยวกับการวิจัยทางวิทยาศาสตร์ฉบับเต็มใน Google Scholar อย่างเปิดเผย น่าแปลกที่สิ่งนี้ไม่เปลี่ยนแปลงแม้แต่ในช่วงระหว่างการระบาดใหญ่ของ COVID-19 ซึ่งทำให้โลกหยุดนิ่ง ทีมงาน Google AI ก้าวขึ้นต้นแบบทางให้คนทั่วไปถาม เกี่ยวกับ COVID-19. แต่ — และนี่คือนักเตะ — พวกเขาทำได้โดยใช้เอกสารการเข้าถึงแบบเปิดจาก PubMed เท่านั้น ไม่ใช่ Google Scholar 

ปัญหาในการเข้าถึงเอกสารและใช้งานมากกว่าการอ่านทีละฉบับเป็นสิ่งที่กลุ่มต่างๆ ได้ให้การสนับสนุนมานานหลายทศวรรษ ฉันทำงานด้วยตัวเองมาเกือบทศวรรษแล้ว โดยเปิดตัวแพลตฟอร์มการเผยแพร่แบบเปิดที่เรียกว่า วินโนเวอร์ ในช่วงปีสุดท้ายของปริญญาเอกของฉัน และจากนั้นก็ทำงานเพื่อสร้าง บทความแห่งอนาคต ที่สตาร์ทอัพอื่นที่เรียกว่า Authorea. แม้ว่าความคิดริเริ่มเหล่านั้นจะไม่ได้เป็นไปตามที่ฉันต้องการ แต่ก็นำฉันไปสู่งานปัจจุบันของฉันที่ อ้างซึ่งได้แก้ไขปัญหาการเข้าถึงอย่างน้อยบางส่วนด้วยการทำงานร่วมกับผู้เผยแพร่โดยตรง 

เชื่อมต่อส่วนประกอบและกำหนดความสัมพันธ์

เป้าหมายของเราที่ อ้าง คือการแนะนำ การอ้างอิงรุ่นต่อไป - เรียกว่า Smart Citations - ซึ่งแสดงให้เห็นว่าบทความ นักวิจัย วารสาร หรือหัวข้อใด ๆ ได้รับการอ้างถึงและกล่าวถึงโดยทั่วไปในวรรณคดีอย่างไรและทำไม ด้วยการทำงานร่วมกับผู้จัดพิมพ์ เราแยกประโยคโดยตรงจากบทความฉบับเต็มที่พวกเขาใช้การอ้างอิงในข้อความ ประโยคเหล่านี้ให้ข้อมูลเชิงลึกเชิงคุณภาพเกี่ยวกับวิธีการอ้างอิงเอกสารโดยงานใหม่ มันเหมือนกับมะเขือเทศเน่าสำหรับการวิจัย

ซึ่งจำเป็นต้องเข้าถึงบทความฉบับเต็ม และความร่วมมือกับผู้จัดพิมพ์ เพื่อให้เราสามารถใช้การเรียนรู้ของเครื่องเพื่อแยกและวิเคราะห์ข้อความอ้างอิงในวงกว้าง เนื่องจากมีบทความ Open Access มากพอที่จะเริ่มต้น เราจึงสามารถสร้างการพิสูจน์แนวคิดและทีละรายการ เราแสดงให้ผู้จัดพิมพ์เห็นถึงความสามารถในการค้นพบที่เพิ่มขึ้นของบทความที่จัดทำดัชนีในระบบของเรา และจัดให้มีระบบเพื่อ แสดงเมตริกที่ดีขึ้น เพื่อการประเมินการวิจัยที่มีความรับผิดชอบมากขึ้น สิ่งที่เรามองว่าเป็นคำกล่าวของผู้เชี่ยวชาญ พวกเขามองว่าเป็นตัวอย่างของบทความ ขณะนี้ผู้จัดพิมพ์ได้ลงนามใน en masse และเราได้จัดทำดัชนี Smart Citations กว่า 1.1 พันล้านรายการจากมากกว่าครึ่งหนึ่งของบทความทั้งหมดที่เผยแพร่

ใช้ข้อมูลเชิงสัมพันธ์เพื่อฝึกโมเดล AI

องค์ประกอบและความสัมพันธ์ที่ดึงมาจากเอกสารสามารถนำมาใช้ในการฝึกอบรมแบบจำลองภาษาขนาดใหญ่ใหม่สำหรับการวิจัย GPT-3 แม้จะทรงพลังมาก แต่ก็ไม่ได้สร้างมาเพื่อทำงานด้านวิทยาศาสตร์และ ตอบคำถามที่คุณอาจเห็นใน SAT . ได้ไม่ดี. เมื่อ GPT-2 (GPT-3 เวอร์ชันก่อนหน้า) เป็น ดัดแปลงโดยการฝึกอบรมในเอกสารวิจัยหลายล้านฉบับมันทำงานได้ดีกว่า GPT-2 เพียงอย่างเดียวในงานความรู้เฉพาะ สิ่งนี้ชี้ให้เห็นว่าข้อมูลที่ใช้ในการฝึกแบบจำลองมีความสำคัญอย่างยิ่ง 

 บางกลุ่มเพิ่งมี ใช้ GPT-3 ในการเขียนเอกสารวิชาการและถึงแม้ว่าสิ่งนี้จะน่าประทับใจ แต่ข้อเท็จจริงหรือข้อโต้แย้งที่พวกเขาอาจอ้างว่าแสดงอาจผิดมาก หากโมเดลไม่สามารถถามคำถามแบบ SAT ง่ายๆ ได้ เราจะวางใจให้นางแบบเขียนบทความฉบับเต็มได้หรือไม่ SCIGENซึ่งเกิดขึ้นก่อน GPT-3 เกือบ 20 ปี แสดงให้เห็นว่าการสร้างเอกสารที่ดูเหมือนจริงนั้นค่อนข้างง่าย ระบบของพวกเขาในขณะที่ง่ายกว่ามาก สร้างเอกสารที่ ได้รับการยอมรับในการประชุมต่างๆ. เราต้องการโมเดลที่ไม่เพียงแค่ดูเป็นวิทยาศาสตร์แต่เป็นวิทยาศาสตร์ และต้องมีระบบเพื่อตรวจสอบการอ้างสิทธิ์สำหรับเครื่องจักรและมนุษย์ Meta เพิ่งเปิดตัวa ระบบตรวจสอบการอ้างอิงวิกิพีเดีย, สิ่งที่ผู้เผยแพร่บางคนมีเสียงพูด อยากให้มีสิ่งพิมพ์ทางวิชาการ.

ความคืบหน้าปัจจุบัน

อีกครั้งหนึ่ง ตัวบล็อกหลักที่จะทำให้ระบบนี้บรรลุผลคือการขาดการเข้าถึงเอกสารและทรัพยากรเพื่อสร้างมัน ในกรณีที่เอกสารหรือข้อมูลมีให้ใช้ในวงกว้าง เราจะเห็น เครื่องมือและรูปแบบใหม่เจริญรุ่งเรือง ทีมสิทธิบัตรของ Google ใช้ 100 ล้านสิทธิบัตรเพื่อฝึกอบรมระบบเพื่อช่วยในการวิเคราะห์สิทธิบัตรGooglePatentBERT อย่างมีประสิทธิภาพ คนอื่นได้แนะนำรุ่นเช่น ไบโอเบิร์ต และ วิทยาศาสตร์และแม้ว่าข้อเท็จจริงที่พวกเขาได้รับการฝึกอบรมเพียงประมาณ 1% ของข้อความทางวิทยาศาสตร์ในโดเมนเฉพาะเรื่องเท่านั้น แต่พวกเขาก็ประทับใจในงานวิชาการ ซึ่งรวมถึงระบบการจัดประเภทการอ้างอิงของเราที่ scite 

ไม่นานมานี้ นักวิชาการBERT แบบจำลองได้รับการเผยแพร่แล้ว ซึ่งใช้วรรณกรรมทางวิทยาศาสตร์ทั้งหมดอย่างมีประสิทธิภาพในการฝึกอบรม BERT พวกเขาเอาชนะปัญหาการเข้าถึงได้ แต่โดยเฉพาะอย่างยิ่งเป็นแม่เกี่ยวกับวิธีการเพียงแค่เน้นการใช้งานของพวกเขาที่จะ "ไม่สิ้นเปลือง" กรณีการใช้งานนี้อาจเปิดประตูสู่ ผู้อื่นใช้บทความโดยไม่ได้รับอนุญาตอย่างชัดแจ้งจากผู้จัดพิมพ์และอาจเป็นขั้นตอนสำคัญในการสร้าง DALL-E ของวิทยาศาสตร์ อย่างไรก็ตาม น่าแปลกที่ ScholarBERT ทำงานด้านความรู้เฉพาะทางได้แย่กว่าแบบจำลองภาษาวิทยาศาสตร์ที่มีขนาดเล็กกว่าอย่าง SciBERT 

ที่สำคัญ โมเดลสไตล์ BERT มีขนาดเล็กกว่าโมเดลภาษาขนาดใหญ่อย่าง GPT-3 มาก และไม่อนุญาตให้ใช้การแจ้งแบบทั่วไปและการเรียนรู้ในบริบทแบบเดียวกันที่ขับเคลื่อน GPT-3 อย่างมาก คำถามยังคงอยู่: จะเกิดอะไรขึ้นถ้าเราใช้ข้อมูลเดียวกันจาก ScholarBERT เพื่อฝึกแบบจำลองกำเนิดที่ขยายขนาดเช่น GPT-3 จะเกิดอะไรขึ้นถ้าเราสามารถแสดงให้เห็นว่าคำตอบจากเครื่องนั้นมาจากที่ใด บางทีอาจเชื่อมโยงโดยตรงกับวรรณกรรม (เช่น Smart Citations)

ทำไมตอนนี้?

โชคดีที่เอกสารเปิดกว้างมากขึ้นและเครื่องจักรก็มีประสิทธิภาพมากขึ้น ตอนนี้เราสามารถเริ่มใช้ข้อมูลที่มีอยู่ในเอกสารและที่เก็บที่เชื่อมต่อเพื่อฝึกเครื่องจักรเพื่อตอบคำถามและสังเคราะห์แนวคิดใหม่จากการวิจัย สิ่งนี้สามารถเปลี่ยนแปลงได้สำหรับการดูแลสุขภาพ นโยบาย เทคโนโลยี และทุกสิ่งรอบตัวเรา ลองนึกภาพว่า หากเราไม่ได้ค้นหาเฉพาะชื่อเอกสารแต่ค้นหาคำตอบโดยเฉพาะ จะส่งผลต่อการวิจัยและเวิร์กโฟลว์ในทุกสาขาวิชาอย่างไร 

 การปลดปล่อยความรู้ทางวิทยาศาสตร์ของโลกจากอุปสรรคสองประการของการเข้าถึงและความเข้าใจจะช่วยผลักดันการเปลี่ยนจากเว็บที่เน้นที่การคลิก มุมมอง การชอบ และความสนใจไปยังเว็บที่เน้นที่หลักฐาน ข้อมูล และความเป็นจริง Pharma มีแรงจูงใจอย่างชัดเจนที่จะนำสิ่งนี้มาสู่ความสำเร็จ ดังนั้นจำนวนการเริ่มต้นที่เพิ่มขึ้นที่ระบุเป้าหมายยาที่เป็นไปได้โดยใช้ AI แต่ฉันเชื่อว่าสาธารณชน รัฐบาล และใครก็ตามที่ใช้ Google อาจเต็มใจละทิ้งการค้นหาฟรีเพื่อความไว้วางใจและเวลา- ประหยัด. โลกต้องการระบบดังกล่าวอย่างมาก และต้องการอย่างรวดเร็ว 

 

 

เผยแพร่ 18 สิงหาคม 2022