生成式 AI 進入科學影像領域，研究揭示真實感不等於科學準確

在科學影像領域，生成式人工智慧（GenAI）正逐步展現其潛力。根據美國能源部勞倫斯柏克萊國家實驗室（Lawrence Berkeley National Laboratory，LBNL）近期研究，這類技術不僅能生成視覺上看起來非常逼真的影像，也能在材料科學與生物學等領域提供更高的準確性。

相關研究發表於《影像學》（Journal of Imaging）期刊，評估多種生成式 AI 模型在重建高解析度科學影像方面的能力，涵蓋岩石沉積物、複合纖維與植物根系的微 CT 掃描。

研究團隊的目標，在於確認這些生成模型是否能有效填補實驗資料空缺、支援大規模標準測試，或協助科學家研究那些過於稀有或成本高昂、難以透過實驗直接捕捉的過程。研究人員透過比較生成影像與真實資料集在結構一致性與科學準確性上的表現，評估模型的實際成效。

勞倫斯柏克萊國家實驗室資深科學家丹妮拉‧尤希齊瑪（Daniela Ushizima）指出：「當我們為科學生成影像時，追求的不是美學，而是真理。」她強調，科學模型必須呈現真實的物理與生物學機制，才能揭示過去未曾觀察到的模式，並加速科學發現。

▲ 勞倫斯柏克萊國家實驗室資深科學家 Daniela Ushizima 提供的對比資訊圖，展示了不同生成式人工智慧模型在創建科學圖像方面的成果。（Source：勞倫斯柏克萊國家實驗室）

為評估模型效能，研究團隊採用多項定量指標，包括結構相似性指數（SSIM）、學習感知影像區塊相似性（LPIPS）、弗雷歇特啟發距離（FID）與 CLIPScore，分別用於衡量影像的結構一致性、感知相似度，以及影像與文字描述之間的對齊程度。同時，研究也結合材料科學與生物學領域專家進行人工審查，指出單純依賴量化指標，有時可能忽略關鍵的科學不準確性。

研究結果顯示，不同模型架構各具優缺點。以生成對抗網路（GAN）為基礎的方法，如 Nvidia 的 StyleGAN，通常能生成視覺連貫的影像，並保留真實資料中的關鍵結構特徵；相較之下，擴散模型雖然在視覺真實感上表現突出，但這種真實性並不一定能轉化為科學上的準確性。研究團隊也測試了 RunwayML 與 DeepAI 等創作平台，但結論是這類工具尚無法穩定滿足科學研究所需的嚴謹標準。

高效能運算在分析流程中扮演關鍵角色，研究顯示，AI 科學工作流程愈來愈依賴國家級 HPC 資源。團隊利用國家能源研究科學運算中心的 Perlmutter 超級電腦進行模型訓練與預訓練模型評估。透過 GPU 加速，研究人員得以處理大規模影像資料集，並進行廣泛比較，這在傳統系統上幾乎無法實現。

這項研究凸顯生成式 AI 在科學影像領域的潛力與現階段限制。僅憑視覺真實性，並不足以可靠判斷影像的科學準確性。未來，研究團隊計劃進一步讓生成式 AI 模型更貼合科學影像任務，擴展至更大且更多樣化的資料集，同時開發更完善的驗證方法，以確保研究結果的可靠性。