Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Theorizer prihodit v asta
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Theorizer приходит в Asta

Источник: AI2 (Allen Institute for AI)•19 ноября 2026 г. в 17:01

Theorizer приходит в Asta

Theorizer в Asta связывает научную литературу с предлагаемыми объяснениями, которые исследователи могут изучить и проверить.

Д-р Сид Девараконда, медицинский директор программы клинических и научных исследований торакальной онкологии в Providence Swedish Cancer Institute, изучает причины развития рака легких и устойчивости к его лечению. Большая часть его исследований включает анализ ДНК и РНК опухолей для изучения клинических наблюдений. Например, неожиданная реакция пациента на лечение может стать вопросом для дальнейшего изучения данных.

В сотрудничестве с нашей командой Asta Девараконда начал тестирование Theorizer, ИИ-агента, который объединяет выводы из научных статей для предложения объяснений таких наблюдений, как необъяснимый рост опухоли. Когда он просмотрел первый набор теорий, Девараконда узнал идеи, которые он развивал годами исследований. На следующий день он вспоминал: «Подождите секунду, это именно то, что я думаю. И мне потребовалось 15 лет, чтобы прийти к таким мыслям».

Сегодня мы запускаем Theorizer в Asta, нашей платформе ИИ-агентов для научных исследований, и открываем исходный код, чтобы исследователи могли изучить, как он генерирует теории, и адаптировать методы для своей работы. Через веб-интерфейс Asta мы покрываем расходы на токены до определенного лимита; те, кто предпочитает работать на собственных машинах, могут запустить нашу открытую библиотеку и оплачивать токены по мере необходимости.

Theorizer связывает каждое из своих предложенных объяснений с доказательствами из опубликованных исследований и описывает, где они могут быть применимы. Почти год ученые помогали нам развивать его, проверяя его теории в своих собственных исследованиях.

Чтобы рассказать больше о Theorizer, Ai2 проводит вебинар для ученых в четверг, 10 декабря, в 10:00 по тихоокеанскому времени. Зарегистрируйтесь здесь, чтобы узнать, как ИИ может объединять выводы в новые теории с помощью Theorizer, рассмотреть реальный пример из онкологических исследований и изучить, что потребуется для того, чтобы ИИ мог надежно способствовать научному процессу.

Исследование рака легких

Девараконда использовал Theorizer для изучения «драйвер-негативной» аденокарциномы легкого, наиболее распространенного подтипа рака легких. Большинство аденокарцином легкого имеют одно из нескольких генетических изменений, которые активируют путь RAS — цепь сигналов, способствующую росту клеток. Но примерно в 20–30% случаев даже комплексное секвенирование не выявляет распознаваемого драйверного изменения. Чтобы понять, что заставляет клетки размножаться, Девараконда спросил Theorizer: «Что происходит в этих опухолях?»

Theorizer ищет в научной литературе ответы на вопросы пользователя, а затем создает шаблон, определяющий, что именно нужно извлечь из каждой статьи. Для вопроса о том, как растут опухоли легких, это может включать информацию о том, какие гены изучались в исследовании, как исследователи измеряли их активность и что происходило, когда исследователи изменяли эти гены. Theorizer сравнивает извлеченные выводы для генерации теорий, связывая утверждения со статьями, на которых они основаны. Исследователи могут изучить процитированные исследования, чтобы оценить обоснованность теории и проверить, рассматривались ли в исследованиях сопоставимые условия. Инструмент также помечает утверждения, которые он считает новыми, но поиск может пропустить более ранние работы, а модель может неверно оценить оригинальность; исследователям все равно необходимо проверять утверждение на соответствие более широкой литературе.

После нескольких итераций Theorizer помог Девараконде сформулировать три гипотезы о том, как аденокарциномы легкого могут расти без распознаваемого драйвера. Одна из них заключалась в том, что необнаруженное генетическое изменение активирует RAS-сигнализацию. Другая — в том, что другой механизм позволяет клеткам делиться, не полагаясь на RAS. Третья — в том, что некоторые опухоли приобрели характеристики другого типа клеток и больше не ведут себя как типичные аденокарциномы легкого. Theorizer помог превратить его широкий вопрос о необъяснимом росте опухоли в конкретные гипотезы, которые он мог исследовать с помощью молекулярных данных.

Девараконда и команда Asta исследовали эти теории с помощью AutoDiscovery, который пишет и запускает код для проверки гипотез на наборах данных. Девараконда использовал The Cancer Genome Atlas, публичную коллекцию молекулярных данных опухолей, чтобы сравнить генетические изменения, активность генов и измерения белков в раковых клетках с распознаваемыми драйверами и без них. Он также изучил данные лабораторных раковых клеток, чтобы выявить гены, необходимые для роста или выживания.

AutoDiscovery предположил, что нарушение комплекса DREAM, группы белков, которые обычно сдерживают деление клеток, может помочь объяснить рост опухолей. Девараконда изначально не фокусировался на этом механизме. Работая с командой Asta, он сравнил активность RAS с тем, насколько сильно были активированы гены, обычно контролируемые этим комплексом.

Последующая работа с данными лабораторных раковых клеток дала Девараконде предварительное подтверждение гипотезы о том, что некоторые виды рака с низкой активностью RAS могут зависеть от CDK2, белка, участвующего в делении клеток. Если эти клетки зависят от CDK2, блокировка этого белка может стать способом замедлить или остановить их рост.

Хотя эти выводы все еще требуют экспериментального подтверждения, долгосрочная цель Девараконды — определить идеи, которые можно было бы проверить в клинических испытаниях. Он сравнивает работу с такими инструментами, как Theorizer, с ношением костюма Железного человека: «Костюм фантастический, но внутри все равно должен быть человек, потому что это вопрос распределения ресурсов и понимания того, что делается».

Изучение функций клеток мозга

Жером Лекок, младший научный сотрудник Allen Institute, разрабатывает методы нейронной записи для изучения активности мозга у мышей. Он работает над OpenScope, общей экспериментальной платформой, через которую исследователи предлагают нейробиологические исследования для реализации Allen Institute. Полученные наборы данных открыто распространяются среди исследователей по всему миру.

Лекок оценил раннюю версию Theorizer на VIP-интернейронах, клетках мозга, которые подавляют активность других нейронов. Их мишенями являются тормозные клетки, которые обычно подавляют активность в окружающей цепи. Подавление этих клеток может позволить соседним нейронам реагировать сильнее.

Theorizer вернул 50 кандидатных теорий о VIP-интернейронах по сравнению с одной или двумя, которые ожидал Лекок.

Одна из теорий Theorizer предполагала, что VIP-интернейроны помогают регулировать силу реакции мозга на визуальные стимулы в зависимости от того, на чем сосредоточено внимание животного. Центральная идея уже была предложена в литературе, но Theorizer связал вычислительную работу с экспериментальными данными в описании, которое совпало с собственным взглядом Лекока на роль этих клеток.

Ценность заключалась в объединении различных направлений доказательств, что дало Лекоку основанное на литературе объяснение, которое он мог оценить в соответствии со своим собственным пониманием этих клеток.

Совместная разработка Theorizer с Лекоком дала команде Asta возможность проверять теории инструмента на соответствие доказательствам и стандартам нейробиологии. Он попросил, чтобы экспериментальные измерения было легко изучать, а утверждения сохраняли условия, в которых проводились эксперименты.

«Когда вы формулируете теорию в биологии, вы крайне осторожны в том, как вы ее выстраиваете», — говорит Лекок. — «Например, вы говорите, что в данном контексте, в этом конкретном поведении, мы считаем это верным, но в другом поведении это может быть с точностью до наоборот».

Аномалия в климатических данных Перу

В Международном центре картофеля (CIP) в Перу Пьеро Паласиос, специалист по данным и статистике, разрабатывает инструменты, помогающие исследователям анализировать сложные наборы данных. Генри Хуарес, сотрудник CIP по системам и управлению данными, работает с сельскохозяйственными данными и исследованиями по сохранению местных сортов картофеля.

Паласиос и Хуарес хотели расширить запись точки росы в PISCO — наборе данных, который использует наблюдения метеостанций для оценки климатических условий по всему Перу. Более длинная запись позволила бы восполнить недостающие входные данные для сельскохозяйственных моделей, включая те, что используются для приблизительного расчета потребности сельскохозяйственных культур в воде.

Записи точки росы в PISCO заканчиваются в 2016 году, в то время как записи минимальной температуры продолжаются до 2020 года. Паласиос и Хуарес использовали перекрывающиеся исторические данные для оценки точки росы за недостающие четыре года, но некоторые реконструированные значения превысили 35°C — неправдоподобно высокие ежедневные показатели точки росы для затронутых районов — и пришлись на ноябрь.

Паласиос и Хуарес использовали Theorizer для генерации возможных объяснений необычно высоких показателей точки росы в ноябре. Одним из предложенных объяснений был рост влажности по мере перехода Амазонии от сухих к влажным условиям. Проверка этого сезонного объяснения на их данных исключила его для исследуемой области, но побудила Паласиоса и Хуареса изучить, как была составлена исходная климатическая запись.

«Наличие конкретного, фальсифицируемого механизма заставило нас измерить ноябрьский скачок по расстоянию от станций в исторических записях», — говорят Паласиос и Хуарес. — «Это был анализ, который у нас не было особых причин проводить, пока аномалия оставалась необъяснимой, и именно этот анализ дал реальный ответ».

Паласиос и Хуарес проследили неправдоподобные значения до того, как исходный набор данных оценивал условия вдали от метеостанций. Asta Paper Finder, наш инструмент для поиска в научной литературе, также обнаружил опубликованные работы, документирующие подобные проблемы. Паласиос и Хуарес ищут независимые наблюдения со станций, чтобы подтвердить свою реконструкцию; ноябрьский скачок в исходной записи остается открытым вопросом.

Здесь вклад Theorizer заключался в проверяемом объяснении, которое привело исследователей к анализу, который они не рассматривали. Даже несмотря на то, что это объяснение было неверным, его проверка помогла им проследить неправдоподобные значения до их источника.

Узнайте больше в статье Паласиоса и Хуареса «Четыре недостающих года записи точки росы в Перу: в чем ошиблась гипотеза ИИ и почему это имело значение».

Столетие разнообразия картофеля

Вильма Уалла, специалист по управлению данными в CIP, изучает разнообразие местных сортов картофеля в Андах. Вместе с коллегами она изучает исторические записи и опросы домохозяйств, охватывающие столетие в Паукартамбо, в регионе Куско в Перу.

Уалла использовала AutoDiscovery для сравнения сортов, зарегистрированных в шести периодах. В большинстве переходов сортов в записи попадало больше, чем выбывало, но переход с 1941–60 на 1961–80 годы стал исключением: из записей исчезло больше сортов, чем появилось впервые.

«Я думаю, это заставляет нас немного больше задуматься о том, что произошло в тот период, и искать больше информации, чтобы помочь нам описать его и проанализировать, повлияло ли это на все остальные периоды», — говорит Уалла на испанском языке.

Затем Уалла использовала Theorizer для генерации объяснений падения числа зарегистрированных сортов, опираясь на соответствующую литературу и анализируя, какие гипотезы стоит развивать, а какие — отвергнуть. В своем черновом отчете Уалла и ее коллеги обсуждают аграрную реформу в Перу 1969 года и связанный с ней переход к коммерческому производству как одну из возможных причин сокращения местных сортов. Они также рассматривают, могут ли различия в исторических источниках объяснить кажущуюся потерю сортов в записях.

Theorizer помог Уалле перейти от выявления закономерности к рассмотрению объяснений для нее, дав ее команде направления для дальнейших исследований, пока причина остается невыясненной.

В отчете Уаллы и коллег также описывается, как фермеры приобретают сорта посредством обмена семенами внутри сообществ и между ними, предостерегая, что программы сохранения могут нарушить этот обмен, если они не будут учитывать сети, поддерживающие местное разнообразие сельскохозяйственных культур.

Попробуйте Theorizer в Asta

Попробуйте Theorizer для решения ваших самых сложных исследовательских задач: вопроса, над которым вы застряли, результата, который вы пока не можете объяснить, неожиданной закономерности в ваших данных или вывода, который противоречит литературе. Он опирается на опубликованные исследования, чтобы предложить объяснения, и связывает свои утверждения с подтверждающими статьями.

Theorizer может упустить соответствующие исследования и неверно оценить оригинальность. Теория, которая кажется новой в рамках проанализированных им статей, может уже существовать в других источниках литературы. Исследователям все равно необходимо изучить доказательства и решить, какие идеи заслуживают проверки.

Мы хотим услышать о исследовательских проблемах, с которыми вы столкнулись; эти проблемы определяют, что мы будем создавать дальше. Несколько ученых сказали нам, что их лучшие доказательства содержатся во внутренних отчетах или других источниках, которые они не могут отправить в коммерческие лаборатории ИИ. Это одна из причин, по которой мы начали выпускать небольшие модели с открытыми весами для конкретных научных задач, такие как AstaBrief, которая пишет отчеты со ссылками и может работать на ваших собственных серверах.

Попробуйте Theorizer в Asta с вопросом из вашего собственного исследования. Изучите код, чтобы проанализировать и адаптировать методы, или прочитайте нашу техническую статью для получения подробной информации о том, как это работает.

← Все статьи

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →
LangSmith Tool Gateway: безопасное и управляемое использование инструментов для агентов
LangChain

LangSmith Tool Gateway: безопасное и управляемое использование инструментов для агентов

Сезон стриминга и выгоды: скидки Чёрной пятницы приходят в GeForce NOW
NVIDIA

Сезон стриминга и выгоды: скидки Чёрной пятницы приходят в GeForce NOW

Ваш агент по написанию кода может читать код. Предоставьте ему историю с помощью Relate от Neo4j
Neo4j

Ваш агент по написанию кода может читать код. Предоставьте ему историю с помощью Relate от Neo4j

Snapchat теперь позволяет разработчикам создавать AR-линзы с помощью ИИ-ассистентов, таких как Claude Code и CursorПресса
Anthropic Claude

Snapchat теперь позволяет разработчикам создавать AR-линзы с помощью ИИ-ассистентов, таких как Claude Code и Cursor

Деградация контекста в AI-агентах: почему длинные задачи теряют точность
Perplexity

Деградация контекста в AI-агентах: почему длинные задачи теряют точность

Самосовершенствующиеся навыки
Perplexity

Самосовершенствующиеся навыки

Ещё от AI2 (Allen Institute for AI)

Ai2 и Taylor Geospatial объявляют о партнерстве для упрощения сравнения, запуска и разработки геопространственного ИИ
AI2 (Allen Institute for AI)

Ai2 и Taylor Geospatial объявляют о партнерстве для упрощения сравнения, запуска и разработки геопространственного ИИ

XYBench: помощь в решении проблемы, скрытой за вопросом
AI2 (Allen Institute for AI)

XYBench: помощь в решении проблемы, скрытой за вопросом

ToyBlocks: управляемый мир для обучения и оценки роботов
AI2 (Allen Institute for AI)

ToyBlocks: управляемый мир для обучения и оценки роботов

Ai2 и Google сотрудничают в разработке нового поколения климатических моделей
AI2 (Allen Institute for AI)

Ai2 и Google сотрудничают в разработке нового поколения климатических моделей

StateBench: тестирование способности языковых моделей отслеживать изменения состояния в длинных документах
AI2 (Allen Institute for AI)

StateBench: тестирование способности языковых моделей отслеживать изменения состояния в длинных документах

Как Olmo 3 получила высший этический рейтинг от Nextcloud
AI2 (Allen Institute for AI)

Как Olmo 3 получила высший этический рейтинг от Nextcloud