???ִ?

新方法使科学家们能够以前所未有的细节观察细胞的分泌情况_我的网站

一 |     由麦凯尔维工程学院机械工程和材料科学的Lilyan & E. Lisle Hughes教授Srikanth Singamaneni和Singamaneni实验室的前博士后Anushree Seth领导的研究人员开发了FluoroDOT测定法。

二 |     「我成功在国行iPhone上跑通了AI模型！」                    「然后呢？」                    「然后就没怎么用过了。

三 | 」                    iPhone 17 Pro Max发布都一个月了，苹果国行Apple Intelligence还是遥遥无期。等不及的网友们，决定自己动手，丰衣足食。                             于是，在iPhone上部署端侧AI模型，成了互联网的新显学。该研究最近发表在《细胞报告方法》上。这种高度敏感的检测方法能够在大约30分钟内看到并测量单个细胞分泌的蛋白质。

四 | 从保姆级教程到实操演示，各种野生秘籍在社交媒体上遍地开花。树突状细胞在不同时间点分泌蛋白1（TNFa，红色显示）和蛋白2（IL-6，黄色显示）的FluoroDOT检测图像（从左到右。

五 | 未受刺激、受刺激30分钟、1小时、2小时和3小时）。                   我们也折腾了一番——下载模型、跑分测试、实际体验……整个过程确实有趣，甚至有点上头。但当兴奋劲过去，一个扎心的事实浮现出来：这玩意儿好玩、有趣，但不实用。

六 |                    能用和好用，是两回事                    在iPhone上体验端侧模型，门槛其实不算高。

七 |                    打开App Store，搜索PocketPal AI，下载安装。如果不习惯英文界面，可以在设置(Setting)里找到语言(Language)选项，切换成中文。

八 |                    接着便是下载模型了。                   点击左上角图标进入模型库，由于Qwen系列模型在开源社区一直都是有口皆碑，所以我们选择从Hugging Face分别下载了0.6B、1.7B、8B、14B和30B的版本。                   当然，你也可以自己本地下载模型，再导进去，这倒是问题不大。                   但能下载，不代表能运行。                   当你看到「内存警告」的字样的时候，就知道这大概率是行不通了，这里需要解释一下，模型名称后的数字(如0.6B)指的是参数量，B代表「十亿」(Billion)。                   参数可以理解为模型「神经元」的数量，参数越多，理论上模型的理解能力和生成质量越强，但对硬件的算力和运存需求也急剧攀升。细胞的细胞核以蓝色显示。

九 | 白色箭头突出显示了只分泌一种蛋白质或两种蛋白质的不同数量和不同时间点的细胞。

十 | 图像: Srikanth Singamaneni/华盛顿大学与来自其他大学和华盛顿大学医学院的科学家一起发现FluoroDOT检测法用途广泛，价格低廉，可适应任何实验室环境，并且有可能比目前常用的检测法更全面地了解这些蛋白质。

十一 | 生物医学研究人员通过分泌蛋白来了解细胞间通讯、细胞信号传导、激活和炎症等方面的信息，但目前的方法在敏感性方面受到限制，而且可能需要24小时的繁琐处理流程。                   你也可以在基准测试栏里，查看手机的设备信息。质子-荧光是Singamaneni实验室创造的一种质子增强的纳米标签，比传统的荧光标签亮16000倍，信噪比超过30倍，这是FluoroDOT检测法与其他检测法的区别所在。

十二 | 拿我手上这台iPhone 17 Pro Max来说，8GB内存勉强能跑，14B模型、30B及更大参数的版本，基本上就没法运行了。Singamaneni说："质子-荧光剂是由金属纳米粒子组成的，它作为天线拉入光线并增强分子荧光团的荧光发射，从而使它成为一种超亮的纳米粒子。

十三 |                    在实际体验之前，我们也先用这几款模型跑个分，下面这几张图片，分别对应着不同参数模型的评测结果。

十四 |                    那么在iPhone上用第三方APP跑端侧模型，到底有没有实际意义？这些模型能否真正支撑日常任务或简单推理？                    我的评价是：能用，但更多是玩具性质，可以尝鲜，但不太建议长期使用。"这种质子-荧光的超亮发射使用户能够看到极少量的分泌蛋白，这是他们在现有测定法中无法做到的，加上利用定制的算法，用每个簇或斑点的颗粒数量或点状图案，实现以数字方式测量高分辨率信号。                   众所周知，OpenAI此前曾出炉了一份关于ChatGPT的使用报告，主要揭秘大家伙都在用ChatGPT干什么，其中主要包含实用指导、信息搜索和写作等事项。此外，它不需要特殊设备。                   我们也参考这些实际用途，分别对0.6B、1.4B、8B等模型问了几个问题。Singamaneni和他的合作者于2020年在《自然-生物医学工程》杂志上首次发表了他们的等离子体氟化物工作。                   测试一：制定健身计划                    帮我制定一个适合久坐上班族的7天核心锻炼计划                    和跑分结果一致，模型参数越大，生成的速度越慢。但反之，回答的质量和内容详实程度确实也随参数提升而提升。这项正在申请专利的质子荧光技术由圣路易斯华盛顿大学技术管理办公室授权给Auragent生物科学有限公司。"使用一个简单的荧光显微镜，我们能够同时对一个细胞以及它周围分泌的蛋白质的空间分布进行成像，"Seth说，他作为Singamaneni实验室的博士后学者从事这个项目，并作为Auragent生物科学公司的首席科学家（细胞应用）继续从事这项工作。                   0.6B模型给出的计划放之四海而皆准，有一定的细节，实操价值却不高。                   1.7B稍好，细节更丰富，能够对久坐带来的腰背酸痛提出针对性的训练计划。                   8B则再上一个档次，开始针对不同肌群给出系统性的建议，且动作更细分，甚至还有暖心小贴士，不过虽说基本维持在5 token/s的速度，但体感跟网页版ChatGPT的响应速度并无明显差别。"我们看到不同细胞类型的有趣分泌模式。这种检测方法还能同时观察来自单个细胞的两种类型的蛋白质。

十五 | 当多个细胞受到相同的刺激时，我们可以将同时分泌两种蛋白质的细胞与只分泌一种蛋白质或根本不分泌的细胞区分开来。"为了验证这项技术，该团队使用了从人类和小鼠细胞中分泌的蛋白质，包括感染了结核分枝杆菌的免疫细胞。                   至于发热情况，我是在比较凉爽的室内测试的，在询问8B模型几个问题后，也可以明显感觉到手机背部发热明显。                   测试二：历史知识问答                    宋代的聘猫礼是什么？                    这是一个相对冷门但有据可查的历史知识点，指的是宋代民间迎娶猫咪入宅时的礼仪习俗，主要是为了体现古人对猫主子的尊重程度。合作者和共同作者之一，医学博士Jennifer A. Philips，医学和分子微生物学系的Theodore和Bertha Bryan教授，以及医学院传染病科的共同主任，已经在她的实验室中使用了FluoroDOT测定。                   遗憾的是，小参数模型的知识储备严重不足，从0.6B到8B的模型，都不知道聘猫礼是啥，而且还特别擅长一本正经地胡说八道。其中8B模型更全是车轱辘话。                   测试三：时效性信息                    iPhone Air什么时候发布？                    这是一个考验模型时效性的问题。

十六 |                    毫无意外，所有端侧模型都答不上来，毕竟它们的知识截止日期停留在训练时，无法获取最新信息。

十七 |                    这一点，恰恰是云端模型的核心优势之一。

十八 | Philips举例说："当结核分枝杆菌感染免疫细胞时，这些细胞通过分泌重要的免疫蛋白（称为细胞因子）做出反应。

十九 | 但不是所有的细胞都以同样的方式对感染做出反应。

| 云端模型可以通过联网检索、实时更新知识库，而端侧模型只能依靠「出厂」时打包进去的那些参数。FluoroDOT测定使我们能够看到群体中的单个细胞如何对感染做出反应--看到哪些细胞正在分泌以及朝哪个方向分泌。                   测试四：写作能力                    我们选择了今年上海卷的高考作文题：                    有学者用「专」「转」「传」概括当下三类文章：「专」指专业文章；「转」指被转发的通俗文章；「传」指获得广泛传播的佳作，甚至是传世文章。他提出，专业文章可以变成被转发的通俗文章，而面对大量「转」文，读者又不免期待可传世的文章。                   由「专」到「传」，必定要经过「转」吗？请联系社会生活，写一篇文章，谈谈你的认识与思考。                   要求：（1）自拟题目；（2）不少于800字。这在旧技术中是不可能的。                   0.6B模型大概就是传说中凑字数的选手，回答更像是将题目的表面意思复述了一遍，生成的内容缺乏思辨深度，需要大量人工修改才能达到「及格线」。                   1.7B起码还引用了鲁迅作品这类文学素材，看起来有模有样。而8B则表现不错，但与云端模型如ChatGPT相比，依旧差距甚远，难以称得上生产力工具。                   另外，虽然那模型在训练阶段就已经被「调教」过了，这使得它在输出时，会自然而然地按照某种风格、语气和逻辑来回答，但我们也可以给模型植入系统提示词，并让它生成回答。                   比如我就给1.7B的模型安排了个「古风小生」的人设。                   你别说，这模型还真挺「入戏」的，表达的语感、节奏和人格气质，变得更贴近我的预期。                   附上提示词：                    上下滑动查看更多内容                    但说实话，对绝大多数用户来说，这更像是个好玩的彩蛋，而不是刚需功能。

| 一言以蔽之，我并不太建议你去折腾这种部署端侧模型的方法。

|                    回想2008到2012年，那是iPhone用户「越狱」的狂欢时代。无数人顶着把手机刷成砖的风险，就为了装上几个苹果不许安装的插件，或者把系统界面改得更个性一点。                   可当App Store的生态已经足够丰富，越狱风险却越来越高，带来的边际收益也越来越小时，如今还有多少人在越狱？                    答案不言而喻。                   这种所谓第三方端侧模型的折腾方法，即便有隐私方面的加成，但本质上仍是一个独立的应用，堪比阉割版ChatGPT，它无法与系统深度整合，也无法调用其他应用的数据，形如鸡肋。                   正因如此，就像当年的越狱一样，这种在第三方应用折腾端侧AI，或许只会成为一段有趣但短暂的插曲，而真正的未来，依旧属于那些把复杂留给厂商、把简单留给用户的系统级解决方案。                   *封面来自：ZDNET                    欢迎加入APPSO AI社群，一起畅聊AI产品，获取#AI有用功，解锁更多AI新知                    我们正在招募伙伴                    简历投递邮箱[email protected]                    ✉️邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）。

Current article:http://www.jiaopeikongbenlo.pics/news/20260826_6465333.xlsx

Published on:04:24:35