ASAS-NANP SYMPOSIUM: MATHEMATICAL MODELING IN ANIMAL NUTRITION: The Evolution of Large Language Models and Their Impact on Animal Sciences

大语言模型（LLM）的迅速崛起正在重塑科学格局，从早期的统计语言模型过渡到能够跨学科综合知识的先进基于Transformer的架构。尽管其预测能力和可扩展性在数据分析、假设生成和决策支持方面开辟了新途径，但围绕偏见、幻觉、可重复性和伦理治理的担忧依然存在。在动物科学领域，LLM正逐步应用于营养建模、动物健康、遗传选择和可持续性等方面的挑战。精准营养已受益于LLM驱动的饲料与代谢数据综合，从而实现个体化饲喂策略并提高资源效率。在动物健康方面，领域专用系统已在诊断和流行病学监测中展现出应用价值。LLM正在增强基因组分析，以加速标记发现和育种优化，而可持续性工作则利用其建模温室气体排放、饲料添加剂及对气候胁迫的适应性。值得注意的是，决策支持平台展示了领域专用LLM如何将机制性知识与预测分析相衔接，促进知识转化并赋能畜牧生产者。然而，过度依赖、在模型开发中递归复用LLM输出以及伪专业知识等风险，凸显了人类监督的至关重要性。与嵌入生物学因果关系的机制性模型不同，LLM完全由数据驱动，若在病态数据集上训练，可能自信地传播错误。负责任的使用需要透明报告、验证和偏见审计，并进行领域专用微调。开源模型可以增强可重复性和信任，但也引发财务和安全方面的担忧。LLM必须以透明性、问责制和公平性为指引，以确保其补充而非取代人类专业知识。通过在研究和畜牧管理中推动探究，LLM在负责任部署的前提下具有支持可持续食品生产系统的潜力。大多数应用将依赖微调和增强，而非完整训练，这是更具可持续性和适应性的策略。本综述旨在促进动物科学家、营养建模人员和推广专业人员在研究、教育和畜牧决策支持系统中对LLM的批判性素养和负责任采用。