Cross-kingdom phenotype annotations for 35,856 species generated with a web-search-enabled language model
本文展示了一个包含超过 700 万条注释、涵盖 35,856 种动物、植物和真菌物种的全面跨界表型数据集，该数据集通过一个支持网络搜索的大语言模型流水线生成，旨在促进大规模的比较生物学和保护研究。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正试图建立一部宏大的、通用的“生命百科全书”，用以描述地球上所有的动物、植物和真菌。你想知道诸如：它有壳吗？它生活在水下吗？它有毒吗？它吃植物吗？
通常情况下，填写这部百科全书就像是在手工绘制一幅壁画，一次只能涂抹一个微小的笔触。科学家们必须阅读成千上万本旧书和科学论文，才能找到每一个物种的答案。这既缓慢又昂贵，而且往往会留下巨大的空白，因为有些动物非常有名（比如狮子），而有些则非常冷门（比如某种特定类型的霉菌），甚至连关于这些冷门物种的书籍都不存在。
“LifeDive”项目：拥有超能力的数字图书管理员
这篇论文介绍了一个名为 LifeDive 的新数据集。作者并没有雇佣数千名人类研究人员去阅读每一本书，而是使用了一个“超级聪明”的计算机程序（大型语言模型），它拥有一种特殊超能力：它可以搜索实时互联网。
你可以把这个计算机不仅看作是一个阅读图书馆的机器人，更是一个数字侦探，它可以像人类使用谷歌一样，瞬间查到关于偏远森林里某种特定昆虫或洞穴里某种稀有蘑菇的事实。
他们是如何做到的
- 目标清单： 团队从一个包含约 36,000 个物种（动物、植物和真菌）的主清单开始。他们确保挑选了常见物种和稀有物种的混合体，这样数据就不会仅仅集中在像大熊猫这类“魅力型”动物身上。
- 调查问卷： 他们创建了一个标准化的测试，包含 196 个问题，涵盖了从生物学（细胞壁、毒素）到行为学（夜行性、社交性），甚至包括人类如何看待它们（它是美丽的吗？它是害虫吗？）的所有内容。
- 侦探工作： 计算机被要求为清单上的每一个物种回答这 196 个问题。因为它能够搜索网络，所以它可以找到那些没有任何人类专家曾深入研究过的物种的信息。
- 规模： 结果是一个拥有 700 万个答案 的庞大电子表格。
“置信度量表”
计算机并不仅仅回答“是”或“否”。它使用了一个五级量表来展示其确定程度：
- 确定不是
- 可能不是
- 未知 / 不适用（计算机承认它不知道）
- 可能由于
- 确定是
这至关重要。这意味着数据不仅告诉你该特征是否存在，还告诉你计算机对该答案的置信度。
清理混乱
因为计算机虽然聪明但并不完美，它有时会猜测或遗漏某些内容。为了解决这个问题，研究人员使用了一种统计学上的“填空”工具（称为随机森林插补法）。
- 类比： 想象一个有些方格是空白的填字游戏。如果你知道“FISH”（鱼）出现在某一行，而“GILLS”（鳃）出现在某一列，你就可以逻辑性地推测出缺失的字母。计算机也对缺失的答案做了同样的处理，利用它从其他 195 个问题中学习到的模式来填补空白。
效果如何？（“抽样检查”）
作者并不仅仅信任计算机；他们对其进行了严格的测试：
- “金标准”检查： 他们将计算机的答案与现有的、受信任的数据库（如 FishBase 或 PanTHERIA）进行对比，针对那些已知物种进行验证。对于像“它有脊椎吗？”或“它有壳吗？”这样的大类，计算机的答案与人类整理的数据几乎完美匹配（通常一致性超过 95%）。
- “专家审计”： 他们随机抽取了 200 个物种，并让另一个 AI（充当第二意见）来检查工作。这两个 AI 在答案方向上的达成一致率约为 95–97%。
- “分组”测试： 他们观察了数据，看其是否符合生物学逻辑。所有的鱼是否都聚集在一起？所有的蘑菇是否都聚集在一起？是的。计算机自然地将相似的生物归为一类，证明了即使它不是生物学家，它也理解生命的“形态”。
这份数据的用途（以及它不是什么）
论文非常明确地说明了该数据集的用途：
- 它【是】： 一个强大的探索工具。它非常适合用于发现模式、产生新想法，或者找出哪些物种下一步需要人类专家去观察。它是全球性性状百科全书的“初稿”。
- 它【不是】： 替代在实验室中测量特定动物的科学家。你不应该将此数据集中的单个答案视为绝对且不可更改的事实（尤其是对于稀有或奇特的物种），除非你自己进行了核实。
底线
这篇论文展示了一个由具备联网搜索能力的 AI 构建的、跨界的宏大生命图谱。它就像一台望远镜，让你能瞬间看到生命宇宙的总体轮廓，而不是必须徒步走到每一颗星辰前去手动测量。它并不完美，但它为科学家提供了一个起点，让他们能提出更好的问题，并找到下一个最值得研究的有趣物种。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。