Hva er rollen til generativ kunstig intelligens i legemiddelutvikling?

Hva er rollen til generativ AI i legemiddelutvikling?

Kort svar: Generativ AI akselererer hovedsakelig tidlig legemiddelutvikling ved å generere kandidatmolekyler eller proteinsekvenser, foreslå synteseruter og fremheve testbare hypoteser, slik at team kan kjøre færre "blinde" eksperimenter. Den fungerer best når du håndhever harde begrensninger og validerer resultater; behandlet som et orakel, kan den villede med selvtillit.

Viktige konklusjoner:

Akselerasjon : Bruk GenAI til å utvide idégenereringen, og avgrens deretter med grundig filtrering.

Begrensninger : Krev egenskapsområder, stillasregler og nyhetsgrenser før generering.

Validering : Behandle utdata som hypoteser; bekreft med analyser og ortogonale modeller.

Sporbarhet : Loggfør forespørsler, utdata og begrunnelse, slik at beslutninger forblir reviderbare og gjennomgåbare.

Motstand mot misbruk : Forhindre lekkasje og overdreven selvtillit med styring, tilgangskontroller og menneskelig gjennomgang.

Hva er rollen til generativ kunstig intelligens i legemiddelutvikling? Infografikk

Artikler du kanskje vil lese etter denne:

🔗 AIs rolle i helsevesenet
Hvordan AI forbedrer diagnose, arbeidsflyter, pasientbehandling og resultater.

🔗 Vil AI erstatte radiologer?
Utforsker hvordan automatisering forbedrer radiologi og hva som forblir menneskelig.

🔗 Vil AI erstatte leger?
Ærlig blikk på AIs innvirkning på legers jobber og praksis.

🔗 De beste AI-laboratorieverktøyene for vitenskapelig oppdagelse
Topp AI-laboratorieverktøy for å akselerere eksperimenter, analyser og oppdagelser.

Rollen til generativ AI i legemiddeloppdagelse, i ett åndedrag 😮💨

Generativ AI hjelper legemiddelteam med å lage kandidatmolekyler, forutsi egenskaper, foreslå modifikasjoner, foreslå synteseruter, utforske biologiske hypoteser og komprimere iterasjonssykluser – spesielt innen tidlig oppdagelse og optimalisering av potensielle kunder. Nature 2023 (gjennomgang av ligandoppdagelse) Elsevier 2024-gjennomgang (generative modeller i de novo legemiddeldesign)

Og ja, den kan også generere tull med selvtillit. Det er en del av avtalen. Som en veldig entusiastisk praktikant med en rakettmotor. Klinikernes veiledning (hallusinasjonsrisiko) npj Digital Medicine 2025 (hallusinasjons- + sikkerhetsrammeverk)

Hvorfor dette er viktigere enn folk innrømmer 💥

Mye oppdagelsesarbeid er «søk». Søk i kjemisk rom, søk i biologi, søk i litteratur, søk i struktur-funksjon-forhold. Problemet er at kjemisk rom er ... i utgangspunktet uendelig. Accounts of Chemical Research 2015 (kjemisk rom) Irwin & Shoichet 2009 (kjemisk romskala)

Du kan bruke flere liv på bare å prøve «rimelige» variasjoner.

Generativ AI endrer arbeidsflyten fra:

  • «La oss teste hva vi kan komme på»

til:

  • «La oss generere et større, smartere sett med alternativer, og deretter teste de beste»

Det handler ikke om å eliminere eksperimenter. Det handler om å velge bedre eksperimenter . 🧠 Nature 2023 (gjennomgang av ligandfunn)

I tillegg, og dette er lite diskutert, hjelper det team med å snakke på tvers av fagområder . Kjemikere, biologer, DMPK-folk, beregningsforskere ... alle har forskjellige mentale modeller. Et anstendig generativt system kan fungere som en delt skisseblokk. Frontiers in Drug Discovery 2024-gjennomgang

Hva gjør en god versjon av generativ AI for legemiddelutvikling? ✅

Ikke all generativ AI er skapt like. En «god» versjon for dette området handler mindre om prangende demonstrasjoner og mer om usexy pålitelighet (usexy er en dyd her). Nature 2023 (anmeldelse av ligandoppdagelse)

Et godt generativt AI-oppsett har vanligvis:

Hvis den generative AI-en din ikke takler begrensninger, er den i bunn og grunn en nyhetsgenerator. Moro på fester. Mindre moro i et narkotikaprogram.

Der generativ AI passer inn i hele legemiddelutviklingsprosessen 🧭

Her er det enkle mentale kartet. Generativ AI kan bidra til nesten alle stadier, men den fungerer best der iterasjon er dyrt og hypoteserommet er enormt. Nature 2023 (gjennomgang av ligandoppdagelse)

Vanlige kontaktpunkter:

I mange programmer kommer de største gevinstene fra arbeidsflytintegrasjon , ikke fra at én enkelt modell er «genial». Modellen er motoren – rørledningen er bilen. Nature 2023 (gjennomgang av ligandoppdagelse)

Sammenligningstabell: populære generative AI-tilnærminger brukt i legemiddelutvikling 📊

En litt uperfekt tabell, fordi det virkelige liv er litt uperfekt.

Verktøy / Tilnærming Best for (publikum) Pris-aktig Hvorfor det fungerer (og når det ikke fungerer)
De novo molekylgeneratorer (SMILES, grafer) Medisinsk kjemi + komp. kjemi $$-$$$ Flink til å utforske nye analoger raskt 😎 - men kan spytte ut ustabile mistilpassede REINVENT 4 GENTRL (Nature Biotech 2019)
Protein-/strukturgeneratorer Biologiske team, strukturbiologi $$$ Hjelper med å foreslå sekvenser + strukturer - men «ser plausibel ut» er ikke det samme som «fungerer» AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Diffusjonsstil molekylær design Avanserte ML-team $$-$$$$ Sterk på betinging og mangfold – oppsett kan være… en hel greie JCIM 2024 (diffusjonsmodeller) PMC 2025 diffusjonsgjennomgang
Eiendomsprediksjonskopiloter (QSAR + GenAI-kombinasjon) DMPK, prosjektteam $$ Bra for triage og rangering - dårlig hvis det behandles som evangeliet 😬 OECD (anvendelsesdomene) ADMETlab 2.0
Retrosynteseplanleggere Prosesskjemi, CMC $$-$$$ Fremskynder ruteideutvikling – trenger fortsatt mennesker for gjennomførbarhet og sikkerhet AiZynthFinder 2020 Coley 2018 (CASP)
Multimodale laboratorie-copiloter (tekst + analysedata) Oversettelsesteam $$$ Nyttig for å trekke signaler på tvers av datasett - utsatt for overdreven selvtillit hvis dataene er ujevne Nature 2024 (batcheffekter i celleavbildning) npj Digital Medicine 2025 (multimodal i bioteknologi)
Litteratur- og hypoteseassistenter Alle, i praksis $ Reduserer lesetiden mye – men hallusinasjoner kan være vanskelige å håndtere, som sokker som forsvinner. Mønstre 2025 (LLM-er i legemiddelutvikling) Klinikerveiledning (hallusinasjoner)
Tilpassede fundamentmodeller Store farmasøytiske, velfinansierte bioteknologiselskaper $$$$ Beste kontroll + integrasjon – også dyrt og tregt å bygge (beklager, det er sant) Anmeldelse av Frontiers in Drug Discovery 2024

Merknader: Prisene varierer mye avhengig av skala, beregningsevne, lisensiering og om teamet ditt ønsker «plug and play» eller «la oss bygge et romskip»

Nærmere titt: Generativ AI for treffoppdagelse og de novo-design 🧩

Dette er hovedbrukstilfellet: generer kandidatmolekyler fra bunnen av (eller fra et stillas) som samsvarer med en målprofil. Nature Biotechnology 2019 (GENTRL) REINVENT 4

Slik fungerer det vanligvis i praksis:

  1. Definer begrensninger

  2. Generer kandidater

  3. Filtrer aggressivt

  4. Velg et lite sett for syntese

    • Mennesker plukker fortsatt, fordi mennesker kan lukte tull noen ganger

Den pinlige sannheten: verdien er ikke bare «nye molekyler». Det er nye molekyler som gir mening for programmets begrensninger . Den siste delen er alt. Nature 2023 (gjennomgang av ligandoppdagelse)

Og en liten overdrivelse innkommende: Når det gjøres bra, kan det føles som om du har ansatt et team av utrettelige juniorkjemikere som aldri sover og aldri klager. Men igjen, de forstår heller ikke hvorfor en spesifikk beskyttelsesstrategi er et mareritt, så ... balanse 😅.

Nærmere titt: Optimalisering av potensielle kunder med generativ AI (multiparameterjustering) 🎛️

Det er innen leadoptimalisering som drømmer blir kompliserte.

Du vil:

  • potens opp

  • selektivitet opp

  • metabolsk stabilitet opp

  • løselighet opp

  • sikkerhetssignaler ned

  • permeabilitet «akkurat passe»

  • OG fortsatt være syntetiserbar

Dette er klassisk flermålsoptimalisering. Generativ AI er uvanlig god til å foreslå et sett med avveiningsløsninger i stedet for å late som om det finnes én perfekt forbindelse. REINVENT 4 Elsevier 2024-gjennomgang (generative modeller)

Praktiske måter team bruker det på:

  • Analogt forslag : «Lag 30 varianter som reduserer clearance, men beholder potensen»

  • Substituentskanning : guidet utforskning i stedet for brute-force-opplisting

  • Stillashopping : når en kjerne treffer en vegg (tox, IP eller stabilitet)

  • Forklaringsmessige forslag : «Denne polargruppen kan hjelpe løseligheten, men kan skade permeabiliteten» (ikke alltid riktig, men nyttig)

En advarsel: egenskapsprediktorer kan være skjøre. Hvis treningsdataene dine ikke samsvarer med den kjemiske serien din, kan modellen være helt feil. Altså, veldig feil. Og den vil ikke rødme. OECD QSAR-valideringsprinsipper (anvendelsesdomene) Weaver 2008 (QSAR-anvendelsesdomene)

Nærmere titt: ADMET, toksisitet og screening av «vær så snill, ikke drep programmet» 🧯

Det er på ADMET at mange kandidater i stillhet feiler. Generativ AI løser ikke biologiproblemer, men den kan redusere feil som kan unngås. ADMETlab 2.0 Waring 2015 (frafall)

Vanlige roller:

  • forutsi metabolske forpliktelser (metabolismesteder, clearance-trender)

  • flagging av sannsynlige toksisitetsmotiver (varsler, reaktive mellomprodukter)

  • estimering av løselighets- og permeabilitetsområder

  • foreslå modifikasjoner for å redusere hERG-risiko eller forbedre stabiliteten 🧪 FDA (ICH E14/S7B spørsmål og svar) EMA (ICH E14/S7B oversikt)

Det mest effektive mønsteret pleier å se slik ut: bruk GenAI til å foreslå alternativer, men bruk spesialiserte modeller og eksperimenter for å verifisere.

Generativ AI er idégenereringsmotoren. Validering eksisterer fortsatt i analyser.

Nærmere titt: Generativ AI for biologiske legemidler og proteinteknikk 🧬✨

Legemiddelutvikling handler ikke bare om små molekyler. Generativ kunstig intelligens brukes også til:

Protein- og sekvensgenerering kan være kraftig fordi «språket» i sekvenser kartlegges overraskende godt til ML-metoder. Men her er et tilfeldig tilbakespor: det kartlegges godt ... helt til det ikke gjør det. Fordi immunogenisitet, uttrykk, glykosyleringsmønstre og utviklingsbarhetsbegrensninger kan være brutale. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Så de beste oppsettene inkluderer:

  • utviklingsfiltre

  • risikoscoring for immunogenisitet

  • begrensninger i produksjonsevne

  • våte labløkker for rask iterasjon 🧫

Hvis du hopper over dem, får du en nydelig sekvens som oppfører seg som en diva i produksjon.

Nærmere titt: Synteseplanlegging og forslag til retrosyntese 🧰

Generativ AI sniker seg også inn i kjemiske operasjoner, ikke bare molekylidéutvikling.

Retrosynteseplanleggere kan:

  • foreslå ruter til en målforbindelse

  • foreslå kommersielt tilgjengelige utgangsmaterialer

  • ranger ruter etter antall skritt eller oppfattet gjennomførbarhet

  • hjelpe kjemikere med å raskt utelukke «søte, men umulige» ideer AiZynthFinder 2020 Coley 2018 (CASP)

Dette kan spare deg for sanntid, spesielt når du utforsker mange mulige strukturer. Likevel er mennesker viktige her fordi:

  • endringer i reagenstilgjengelighet

  • sikkerhets- og skalabekymringer er reelle

  • Noen trinn ser fine ut på papiret, men mislykkes gjentatte ganger

En litt knapt perfekt metafor, men jeg bruker den likevel: retrosyntese-AI er som en GPS som stort sett har rett, bortsett fra at den noen ganger leder deg gjennom en innsjø og insisterer på at det er en snarvei. 🚗🌊 Coley 2017 (datamaskinassistert retrosyntese)

Data, multimodale modeller og den ujevne virkeligheten i laboratorier 🧾🧪

Generativ AI elsker data. Laboratorier produserer data. På papiret høres det enkelt ut.

Ha. Nei.

Ekte laboratoriedata er:

Multimodale generative systemer kan kombinere:

Når det fungerer, er det fantastisk. Du kan avdekke ikke-åpenbare mønstre og foreslå eksperimenter som en enkelt spesialist kanskje ville overse.

Når det mislykkes, mislykkes det stille. Det smeller ikke igjen døren. Det bare dytter deg mot en sikker, feil konklusjon. Derfor er styring, validering og domenegjennomgang ikke valgfrie. Klinikerveiledning (hallusinasjoner) npj Digital Medicine 2025 (hallusinasjons- + sikkerhetsrammeverk)

Risikoer, begrensninger og delen «ikke la deg lure av flytende utdata» ⚠️

Hvis du bare husker én ting, husk dette: generativ AI er overbevisende. Det kan høres riktig ut samtidig som det er feil. Klinikerveiledning (hallusinasjoner)

Viktige risikoer:

Tiltak som hjelper i praksis:

  • holde mennesker i beslutningssløyfen

  • loggforespørsler og utdata for sporbarhet

  • validere med ortogonale metoder (analyser, alternative modeller)

  • håndheve begrensninger og filtre automatisk

  • Behandle resultater som hypoteser, ikke sannhetstabletter OECD QSAR-veiledning

Generativ AI er et kraftverktøy. Kraftverktøy gjør deg ikke til snekker ... de gjør bare feil raskere hvis du ikke vet hva du gjør.

Hvordan team tar i bruk generativ AI uten kaos 🧩🛠️

Team ønsker ofte å bruke dette uten å gjøre organisasjonen om til en vitenskapsmesse. En praktisk implementeringsvei ser slik ut:

Undervurder heller ikke kultur. Hvis kjemikere føler at AI blir dyttet på dem, vil de ignorere det. Hvis det sparer dem tid og respekterer ekspertisen deres, vil de ta det i bruk raskt. Mennesker er morsomme sånn 🙂.

Hva er rollen til generativ AI i legemiddeloppdagelse når man zoomer ut? 🔭

Zoomet ut, rollen er ikke å «erstatte forskere». Det er å «utvide vitenskapelig båndbredde». Nature 2023 (gjennomgang av ligandfunn)

Det hjelper team:

  • utforske flere hypoteser per uke

  • foreslå flere kandidatstrukturer per syklus

  • prioritere eksperimenter mer intelligent

  • komprimere iterasjonsløkker mellom design og test

  • dele kunnskap på tvers av siloer Mønstre 2025 (LLM-er i legemiddelutvikling)

Og kanskje den mest undervurderte delen: det hjelper deg å ikke kaste bort den dyre menneskelige kreativiteten på repeterende oppgaver. Folk burde tenke på mekanismer, strategier og tolkninger – ikke bruke dager på å generere variantlister for hånd. Nature 2023 (gjennomgang av ligandoppdagelse)

Så ja, rollen til generativ AI i legemiddelforskning er en akselerator, en generator, et filter og noen ganger en bråkmaker. Men en verdifull en.

Avsluttende oppsummering 🧾✅

Generativ AI er i ferd med å bli en kjernekompetanse innen moderne legemiddelutvikling fordi den kan generere molekyler, hypoteser, sekvenser og ruter raskere enn mennesker – og den kan hjelpe team med å velge bedre eksperimenter. Frontiers in Drug Discovery 2024-gjennomgang Nature 2023 (ligandoppdagelsesgjennomgang)

Sammendragspunkter:

Hvis du behandler det som en samarbeidspartner – ikke et orakel – kan det virkelig føre programmer fremover. Og hvis du behandler det som et orakel … vel, da kan du ende opp med å følge den GPS-en ut i sjøen igjen. 🚗🌊

Vanlige spørsmål

Hva er rollen til generativ kunstig intelligens i legemiddelutvikling?

Generativ AI utvider primært idétrakten i tidlig oppdagelse og potensiell kundeemneoptimalisering ved å foreslå kandidatmolekyler, proteinsekvenser, synteseruter og biologiske hypoteser. Verdien er mindre «erstatt eksperimenter» og mer «velg bedre eksperimenter» ved å generere mange alternativer og deretter filtrere grundig. Den fungerer best som en akselerator i en disiplinert arbeidsflyt, ikke som en frittstående beslutningstaker.

Hvor presterer generativ AI best i legemiddelutviklingsprosessen?

Det har en tendens til å levere mest verdi der hypoteseområdet er stort og iterasjon er dyrt, for eksempel treffidentifisering, de novo-design og leadoptimalisering. Team bruker det også til ADMET-triage, retrosynteseforslag og litteratur- eller hypotesestøtte. De største gevinstene kommer vanligvis fra å integrere generering med filtre, scoring og menneskelig gjennomgang i stedet for å forvente at én enkelt modell skal være «smart»

Hvordan setter man begrensninger slik at generative modeller ikke produserer ubrukelige molekyler?

En praktisk tilnærming er å definere begrensninger før generering: egenskapsområder (som løselighet eller logP-mål), regler for stillas eller understruktur, bindingsstedsfunksjoner og nyhetsgrenser. Deretter håndheve medisinske kjemiske filtre (inkludert PAINS/reaktive grupper) og syntetiserbarhetskontroller. Begrensningsgenerering er spesielt nyttig med diffusjonsbasert molekylær design og rammeverk som REINVENT 4, der flermålsmessige mål kan kodes.

Hvordan bør team validere GenAI-utdata for å unngå hallusinasjoner og overdreven selvtillit?

Behandle alle resultater som en hypotese, ikke en konklusjon, og valider med analyser og ortogonale modeller. Kombiner generering med aggressiv filtrering, docking eller scoring der det er passende, og kontroller av anvendelighetsdomenet for prediktorer i QSAR-stil. Gjør usikkerhet synlig når det er mulig, fordi modeller kan ta feil basert på kjemi utenfor distribusjon eller usikre biologiske påstander. Gjennomgang av data fra mennesker i løkken er fortsatt en sentral sikkerhetsfunksjon.

Hvordan kan du forhindre datalekkasje, IP-risiko og «memoriserte» utganger?

Bruk styring og tilgangskontroller slik at sensitive programdetaljer ikke plasseres tilfeldig i ledetekster, og loggfør ledetekster/utdata for revidering. Håndhev nyhets- og likhetskontroller slik at genererte kandidater ikke sitter for nær kjente forbindelser eller beskyttede regioner. Hold klare regler for hvilke data som er tillatt i eksterne systemer, og foretrekk kontrollerte miljøer for arbeid med høy sensitivitet. Menneskelig gjennomgang bidrar til å fange opp «for kjente» forslag tidlig.

Hvordan brukes generativ AI til optimalisering av potensielle kunder og flerparameterjustering?

I potensiell optimalisering er generativ AI verdifull fordi den kan foreslå flere avveiningsløsninger i stedet for å jage én enkelt «perfekt» forbindelse. Vanlige arbeidsflyter inkluderer analoge forslag, guidet substituentskanning og scaffoldhopping når potens-, toksikologiske eller IP-begrensninger blokkerer fremdriften. Egenskapsprediktorer kan være skjøre, så team rangerer vanligvis kandidater med flere modeller og bekrefter deretter de beste alternativene eksperimentelt.

Kan generativ AI også hjelpe med biologiske legemidler og proteinteknologi?

Ja – team bruker det til generering av antistoffsekvenser, ideer til affinitetsmodning, forbedringer av stabilitet og utforskning av enzymer eller peptider. Generering av proteiner/sekvenser kan se plausibel ut uten å være utviklingsbar, så det er viktig å bruke filtre for utviklingsbarhet, immunogenisitet og produserbarhet. Strukturelle verktøy som AlphaFold kan støtte resonnement, men «plausibel struktur» er fortsatt ikke bevis på uttrykk, funksjon eller sikkerhet. Våtlaboratorieløkker er fortsatt viktige.

Hvordan støtter generativ AI synteseplanlegging og retrosyntese?

Retrosynteseplanleggere kan foreslå ruter, startmaterialer og ruterangeringer for å fremskynde idéutvikling og raskt utelukke umulige veier. Verktøy og tilnærminger som AiZynthFinder-lignende planlegging er mest effektive når de kombineres med reelle gjennomførbarhetskontroller fra kjemikere. Tilgjengelighet, sikkerhet, oppskaleringsbegrensninger og «papirreaksjoner» som mislykkes i praksis krever fortsatt menneskelig dømmekraft. Brukt på denne måten sparer det tid uten å late som om kjemien er løst.

Referanser

  1. Nature - Gjennomgang av ligandfunn (2023) - nature.com

  2. Naturbioteknologi - GENTRL (2019) - nature.com

  3. Natur - AlphaFold (2021) - nature.com

  4. Natur - RFdiffusjon (2023) - nature.com

  5. Naturbioteknologi - Proteingenerator (2024) - nature.com

  6. Nature Communications - Batcheffekter i celleavbildning (2024) - nature.com

  7. npj Digital Medisin - Hallusinasjon + sikkerhetsrammeverk (2025) - nature.com

  8. npj Digital Medisin - Multimodal i bioteknologi (2025) - nature.com

  9. Vitenskap - ProteinMPNN (2022) - science.org

  10. Cellemønstre - LLM-er i legemiddelutvikling (2025) - cell.com

  11. ScienceDirect (Elsevier) - Generative modeller i de novo legemiddeldesign (2024) - sciencedirect.com

  12. ScienceDirect (Elsevier) - Vogt (2023): bekymringer rundt nyhet/unikhet - sciencedirect.com

  13. Medisinsk bildeanalyse (ScienceDirect) - Multimodal AI i medisin (2025) - sciencedirect.com

  14. PubMed Central - Klinikerveiledning (risiko for hallusinasjoner) - nih.gov

  15. Beretninger om kjemisk forskning (ACS-publikasjoner) - Chemical space (2015) - acs.org

  16. PubMed Central - Irwin & Shoichet (2009): kjemisk romskala - nih.gov

  17. Frontiers in Drug Discovery (PubMed Central) - Anmeldelse (2024) - nih.gov

  18. Journal of Chemical Information and Modeling (ACS Publications) - Diffusjonsmodeller i de novo legemiddeldesign (2024) - acs.org

  19. PubMed Central - REINVENT 4 (åpent rammeverk) - nih.gov

  20. PubMed Central - ADMETlab 2.0 (tidlig ADMET-sak) - nih.gov

  21. OECD - Prinsipper for validering av (Q)SAR-modeller for regulatoriske formål - oecd.org

  22. OECD - Veiledningsdokument om validering av (Q)SAR-modeller - oecd.org

  23. Accounts of Chemical Research (ACS Publications) - Dataassistert synteseplanlegging / CASP (Coley, 2018) - acs.org

  24. ACS Central Science (ACS Publications) - Datamaskinassistert retrosyntese (Coley, 2017) - acs.org

  25. PubMed Central - AiZynthFinder (2020) - nih.gov

  26. PubMed - Lipinski: Kontekst om 5-regelen - nih.gov

  27. Journal of Medicinal Chemistry (ACS Publications) - Baell & Holloway (2010): SMERTER - acs.org

  28. PubMed - Waring (2015): frafall - nih.gov

  29. PubMed - Rives (2021): proteinspråkmodeller - nih.gov

  30. PubMed Central - Leek et al. (2010): batcheffekter - nih.gov

  31. PubMed Central - Diffusion-gjennomgang (2025) - nih.gov

  32. FDA - E14 og S7B: klinisk og ikke-klinisk evaluering av QT/QTc-intervallforlengelse og proarytmisk potensial (spørsmål og svar) - fda.gov

  33. Det europeiske legemiddelkontoret ( – oversikt over retningslinjen E14/S7B – europa.eu

  34. USENIX - Carlini et al. (2021): utvinning av treningsdata fra språkmodeller - usenix.org

  35. Universitetet i Edinburgh – Digitale forskningstjenester – Ressurs for elektronisk laboratorienotatbok (ELN) – ed.ac.uk

  36. ScienceDirect (Elsevier) - Weaver (2008): QSAR-anvendelsesdomene - sciencedirect.com

Finn den nyeste AI-en i den offisielle AI-assistentbutikken

Om oss

Tilbake til bloggen