密苏里大学许东：大模型时代，Prompt 为生物信息学研究带来新动力丨IJAIRR

编程并不是一个机械性的工作，而是需要有思考，有创新的工作，语法是固定的，但解决问题的思路则是依靠人的思维，这就需要我们坚持学习和更新自己的知识。今天golang学习网就整理分享《密苏里大学许东：大模型时代，Prompt 为生物信息学研究带来新动力丨IJAIRR》，文章讲解的知识点主要包括，如果你对科技周边方面的知识点感兴趣，就不要错过golang学习网，在这可以对大家的知识积累有所帮助，助力开发能力的提升。

自2022年ChatGPT问世以来，人工智能领域发生了翻天覆地的变化。大语言模型（LLMs）凭借其强大的文本处理能力，迅速成为研究和开发的焦点。然而，如何有效地与这些模型互动成为了一个关键问题，而提示词（Prompt）的概念也因此备受关注。

提示词是什么？在传统的计算机交互中，提示词是指用户在提示符（例如MS Dos的C:>或Python的>>>）后输入的指令。但在大型语言模型的语境下，提示词则是一种引导性语句或问题，它如同魔法咒语般，激发着大语言模型的潜能，引导其生成文本、回答问题或执行任务。

与大语言模型的互动中，提示词是打开知识宝库的钥匙，是沟通的桥梁，更是挖掘模型潜力的工具。ChatGPT的创始人Sam Altman将提示词工程（Prompt Engineering）誉为一种利用自然语言进行编程的黑科技，认为这是一项高回报的技能。

ChatGPT或其他大语言模型能否给出令人满意的答案，很大程度上取决于提示词的使用技巧。在人工智能生成内容（AIGC）时代，提示词的重要性日益凸显。

然而，Prompt技术的复杂性远超想象。早期的研究者们如同进行炼金术实验般，通过反复尝试不同的提示词，试图找到激发模型最佳性能的“魔法咒语”。这种方法缺乏系统性和可复制性。

为了提升Prompt技术，需要将其从经验技艺转变为基于科学原理的工程学科。这需要深入分析和总结现有技术，建立完整的理论体系和方法论。例如，不同的提示词如何影响模型的理解和生成？在不同应用场景下，如何设计和优化提示词？近期，《Iterative Prompt Refinement for Mining Gene Relationships from ChatGPT》一文发表在《International Journal of Artificial Intelligence and Robotics Research》（IJAIRR）期刊上，为我们提供了新的思路。

该论文关注大语言模型在生物信息学领域的应用，研究如何利用大型语言模型（如ChatGPT）挖掘基因关系，并提出了一种迭代提示优化技术来提高预测基因关系的准确性。这为生物信息学研究者提供了一种新的工作流程改进方法，提升了工作效率。

论文链接：https://gairdao.com/doi/10.1142/S2972335324500054

论文引用链接：https://www.worldscientific.com/action/showCitFormats?doi=10.1142%2FS2972335324500054&area=0000000000000001

生物信息学：迎来第二次繁荣

上世纪90年代，生物信息学迎来了第一次黄金时代，这得益于人类基因组计划、蛋白质结构预测竞赛以及信息技术的飞速发展。如今，人工智能技术的突破，特别是AI大模型的应用，有望开启生物信息学的第二个繁荣期。

密苏里大学哥伦比亚分校计算机系许东教授，作为上世纪90年代生物信息学黄金期的见证者，指出人工智能大模型在生命科学领域的应用日益广泛，主要集中在蛋白质模型、单细胞模型和医学多模态模型等方面。这些应用能够显著提升研究效率和降低成本。

然而，大模型在生物信息学领域的应用仍处于早期阶段，面临着数据质量、解释性以及“幻觉”等挑战。

许东教授认为，Prompt技术为生物信息学领域提供了一种灵活且易于实施的方法，尤其在数据资源有限的情况下，它可能成为主流方法之一。

利用提示学习提升AI模型精度

在机器学习领域，将Prompt从经验方法转变为科学方法的做法被称为“提示学习”。提示学习的核心在于将用户输入转化为特定的提示格式，通常包括自编码模式和自回归模式两种。

论文的研究基于自回归模式的提示学习，并结合迭代提示优化、思维链等技术，通过与ChatGPT的交互，逐步优化提示，提高预测基因关系的准确性。

这项研究的关键在于元提示设计和迭代优化技术。元提示指导GPT-4进行提示优化，增强回答的专业性；迭代优化技术利用GPT-4的能力，评估提示效果，识别错误，并进行进一步优化。此外，思维链和思维树策略引导ChatGPT进行更深入的逻辑推理。

实验结果表明，迭代提示优化技术显著提高了ChatGPT预测基因关系的准确性。

生物信息学研究的新动力

许东教授总结了Prompt技术在生物信息学领域的优势：数据需求低、易于实施和应用，以及适用于小数据问题。 他认为迭代提示优化技术能够有效解决大型语言模型的“幻觉”问题，通过模拟人类的学习和思考过程，提升模型的效率和协调性。

虽然Prompt技术存在局限性，但其在生物信息学领域的潜力巨大。随着大模型的发展，Prompt技术将在这些模型上发挥更大的作用。

好了，本文到此结束，带大家了解了《密苏里大学许东：大模型时代，Prompt 为生物信息学研究带来新动力丨IJAIRR》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多科技周边知识！