Kunstig intelligens (KI) er i ferd med & aring; revolusjonere mange aspekter av vitenskap, inkludert studiet av evolusjon ae r morfologi. Selv om klassiske KI-metoder som hovedkomponentanalyse og klyngeanalyse har v ae rt vanlige i studiet av evolusjon ae r morfologi i flere ti & aring;r, har de senere & aring;rene sett & oslash;kende bruk av dyp l ae ring innen & oslash;kologi og evolusjonsbiologi. Etter hvert som digitaliserte eksemplardatabaser blir stadig mer utbredt og & aring;pent tilgjengelige, tilbyr KI et stort potensial for & aring; omg & aring; langvarige hindringer for rask, storskala dataanalyse av fenotyper. Her gjennomg & aring;r vi dagens KI-metoder tilgjengelig for studiet av evolusjon ae r morfologi, som er mest utviklet innen dataregistrering og prosessering. Vi introduserer de viktigste tilgjengelige KI-teknikkene, og kategoriserer dem i tre stadier basert p & aring; deres rekkef & oslash;lge av fremvekst: (1) maskinl ae ring, (2) dyp l ae ring, og (3) de nyeste fremskrittene innen storskalamodeller og multimodal l ae ring. Deretter presenterer vi casestudier av eksisterende tiln ae rminger som bruker KI for evolusjon ae r morfologi, inkludert bildeinnsamling og segmentering, funksjonsgjenkjenning, morfometri og fylogenetikk. Vi diskuterer deretter fremtidige fremskritt p & aring; spesifikke forskningsomr & aring;der innen dette feltet, inkludert potensialet til nye KI-metoder som enn & aring; ikke er anvendt p & aring; studiet av morfologisk evolusjon. Spesielt p & aring;peker vi n & oslash;kkelomr & aring;der hvor KI fortsatt er underutnyttet og kan brukes til & aring; forbedre studier av evolusjon ae r morfologi. Denne kombinasjonen av n & aring;v ae rende metoder og potensielle utviklinger har kapasitet til & aring; forvandle den evolusjon ae re analysen av organismens fenotype til evolusjon ae r phenomics, og innlede en ae ra med "big data" som bringer studiet av fenotyper i tr & aring;d med genomics og andre omr & aring;der av bioinformatikk. A intelig & ecirc;ncia artificial (IA) est & aacute; preparada para revolucionar muitos aspectos da ci & ecirc;ncia, incluindo o estudo da morfologia evolutiva. Embora os m & eacute;todos cl & aacute;ssicos de IA, como a an & aacute;lise de componentes principais e a an & aacute;lise de agrupamentos, tenham sido comuns no estudo da morfologia evolutiva durante d & eacute;cadas, nos & uacute;ltimos anos temos visto uma aplica & ccedil;& atilde;o crescente da aprendizagem profunda & agrave; ecologia e & agrave; biologia evolutiva. & Agrave; medida que os bancos de dados de esp & eacute;cimes digitalizados se tornam cada vez mais predominantes e dispon & iacute;veis abertamente, a IA oferece um novo e vasto potencial para contornar barreiras de longa data & agrave; an & aacute;lise r & aacute;pida de fen & oacute;tipos de big data. Aqui, revisamos o estado atual dos m & eacute;todos de IA dispon & iacute;veis para o estudo da morfologia evolutiva, que s & atilde;o mais desenvolvidos na & aacute;rea de aquisi & ccedil;& atilde;o e processamento de dados. Apresentamos as principais t & eacute;cnicas de IA dispon & iacute;veis, categorizando-as em tr & ecirc;s est & aacute;gios com base em sua ordem de aparecimento: (1) o 'machine learning', (2) o 'deep learning' e (3) os avan & ccedil;os mais recentes em modelos de grande escala e o 'multimodal learning'. A seguir, apresentamos estudos de caso de abordagens existentes usando IA para morfologia evolutiva, incluindo captura e segmenta & ccedil;& atilde;o de imagens, reconhecimento de caracter & iacute;sticas, morfometria e filogen & eacute;tica. Em seguida, discutimos o prospecto para avan & ccedil;os de curto prazo em & aacute;reas espec & iacute;ficas de investiga & ccedil;& atilde;o neste campo, incluindo o potencial de novos m & eacute;todos de IA que ainda n & atilde;o foram aplicados ao estudo da evolu & ccedil;& atilde;o morfol & oacute;gica. Em particular, notamos & aacute;reas-chave onde a IA permanece subutilizada e poderia ser usada para aprimorar estudos de morfologia evolutiva. Esta combina & ccedil;& atilde;o de m & eacute;todos atuais e desenvolvimentos potenciais tem a capacidade de transformar a an & aacute;lise evolutiva do fen & oacute;tipo do organismo em fen & ocirc;mica evolutiva, levando a uma era de "big data" que alinha o estudo dos fen & oacute;tipos com a gen & ocirc;mica e outras & aacute;reas da bioinform & aacute;tica. Artifici & euml;le intelligentie (AI) staat paraat om revolutionair te zijn voor verschillende aspecten van de wetenschap, inclusief de studie van evolutionaire morfologie. Het gebruik van klassieke AI-methodes zoals principal component analyse and cluster analyse wordt al decennia lang regelmatig gebruikt in de studie van evolutionaire morfologie, maar in recente jaren is het gebruik van "deep learning" in de studie van ecologie en evolutionaire biologie toegenomen. Nu dat het digitaliseren van exemplaar databases meer regelmatig en vaak openbaar is, offert AI veel nieuwe mogelijkheden om lang bestaande barri & egrave;res te omringen, inclusief het spoedige analyse van "big data" van fenotypen. In deze wetenschappelijke beoordeling vatten we de beschikbare AI-modellen samen die geschikt staan voor de study van evolutionaire morfologie met de focus op diegene die het meest geschikt staan voor data-acquisitie en verwerking. Wij introduceren de voornaamste AI-technieken en sorteren ze in drie groepen gebaseerd op de volgorde van verschijning: (1) machinelearning, (2) deep learning, en (3) de meest recente vooruitgang in vorderingen van grootschalige modellen en multimodaal leren. Daarna presenteren wij casestudies van de bestaande gebruiksmiddelen van AI voor de wetenschap van evolutionaire morfologie, inclusief het gebruik voor beeld vastleggen en segmentatie, kenmerken herkenning, morfometrie en fylogenetica. We besprekenook hetvooruitzicht van de vooruitgang op korte termijn op dit gebied, inclusief de potentie van nieuwe AI-methodes die nog niet gebruikt worden binnen het gebied van evolutionaire morfologie. We bespreken vooral de gebieden waar AI onderbenut wordt en waar het gebruik van AI de studie van evolutionaire morfologie versterkt. De combinatie van huidige methoden en de potenti & euml;le ontwikkelingen daarvan hebben de capaciteit om de evolutionaire analyse van het organismale fenotype naar evolutionaire fenomica te transformeren, leidend tot "big data'' dat de gebieden van fenotypen en genomica en andere gebieden van de bio-informatica samen brengt. Inteligensia Artificial (IA) ta para cla pa revolution & aacute; siensa den hopi sentido, incluyendo den e studio di morfologia evolucionario. E uso di metodonan classico di IA manera an & aacute;lisis di componente principal y an & aacute;lisis di cluster, den e estudio di morfologia evolucionario ta comun pa d & eacute;cada. Den e ultimo anjanan tin un cresemento di e application di "deep learning" den e studio di ecologia y biologia evolucionario. Awor cu mas datonan ta wordo colecciona ambos digital y publico, IA ta ofrece un manara nobo pa evit & aacute; bareranan cu ta preven & iacute; e an & aacute;lisis lihe di "big data" relationando cu e estudio di fenotiponan. Den e revista cient & iacute;fica aki nos ta declar & aacute; e formanan di IA metodonan disponible pa e estudio di morfologia evolucionario cu ta mas desaroy & aacute; den e & aacute;rea di acuerdo y tratamento di data. Nos lo introduci e maneranan principal di IA y categoris & aacute; nan den: (1) machine learning, (2) deep learning, y (3) e desaroyonan mas reciente den "large-scale models" y "multimodal learning". Tambe nos lo papia di estudio di metodonan ecsistente cu por wordo usa den morfologia evolucionario, incluyendo esnan uza pa e capturation y segmentacion di imagen, reconosemento di caracter & iacute;stica, morfometria y filogenetica. E or' ei nos ta discuti e potencial di metodonan nobo di IA cu te awor no a wordo usa den e studio di morfologia evolucionario. Particularmente, nos ta discuti e areanan unda IA no ta wordo utiliz & aacute; optimalmente pa mehora e studio di morfologia evolucionario. E combinacion di e metodonan classico y e desaroyo di metodonan nobo tin e poder pa por transform & aacute; con nos ta analys & aacute; e fenotipo di organismo den fenomenologia evolucionario. Esaki lo resulta den un era di "big data" cu ta alinea cu e estudio di fenotiponan cu genomica y ortro areanan di bioinform & aacute;tica. Kunsmatige intelligensie (KI) is het die potensiaal om baie aspekte van die wetenskap te revolusioneer, insluitend die studie van evolusion & ecirc;re morfologie. Terwyl klassieke KI-metodes soos hoofkomponent-analise en klusteranalise al dekades algemeen in die studie van evolusion & ecirc;re morfologie is, het die afgelope jare toenemende toepassing van "deep learning" op ekologie en evolusion & ecirc;re biologie gesien. Namate gedigitaliseerde monsterdatabasisse al hoe meer algemeen en openlik beskikbaar word, bied KI nuwe potensiaal om langdurige hindernisse vir vinnige, grootdata-ontleding van fenotipes te omseil. Hier hersien ons die huidige stand van KI-metodes wat beskikbaar is vir die studie van evolusion & ecirc;re morfologie wat die meeste ontwikkel is op die gebied van data-verkryging en -verwerking. Ons stel die belangrikste beskikbare KI-tegnieke bekend en kategoriseer hulle in drie stadiums gebaseer op hul voorkomsvolgorde: (1) masjienleer, (2) "deep learning", en (3) die mees onlangse vordering in grootskaalse modelle en multimodale leer. Volgende bied ons gevallestudies aan van bestaande benaderings wat KI gebruik vir evolusion & ecirc;re morfologie, insluitend beeldvaslegging en segmentering, kenmerkherkenning, morfometrie en filogenetika. Ons bespreek dan die prospektus vir vordering op die kort termyn in spesifieke areas van ondersoek binne hierdie veld, insluitend die potensiaal van nuwe KI-metodes wat nog nie toegepas is op die studie van morfologiese evolusie nie. Ons let veral op sleutelareas waar KI onderbenut bly en gebruik kan word om studies van evolusion & ecirc;re morfologie te verbeter. Hierdie kombinasie van huidige metodes en potensi & euml;le ontwikkelings het die vermo & euml; om die evolusion & ecirc;re analise van die organismefenotipe in evolusion & ecirc;re fenomika te omskep, wat lei tot 'n era van "big data" wat die studie van fenotipes in lyn bring met genomika en ander areas van bioinformatika. Sztuczna inteligencja (AI) mo & zdot;e w przysz & lstrok;o & sacute;ci zrewolucjonizowa & cacute; wiele aspekt & oacute;w nauki, w tym badanie morfologii ewolucyjnej. Chocia & zdot; klasyczne instrumenty sztucznej inteligencji, takie jak analiza g & lstrok;& oacute;wnych sk & lstrok;adowych i analiza skupie & nacute;, s & aogon; powszechne od dziesi & eogon;cioleci w badaniach morfologii ewolucyjnej, w ostatnich latach obserwuje si & eogon; coraz szersze zastosowanie uczenia g & lstrok;& eogon;bokiego (depp learning) w ekologii i biologii ewolucyjnej. W miar & eogon; jak cyfrowe bazy danych okaz & oacute;w staj & aogon; si & eogon; coraz bardziej powszechne i og & oacute;lnodost & eogon;pne, sztuczna inteligencja oferuje nowy, ogromny potencja & lstrok; w zakresie omijania d & lstrok;ugotrwa & lstrok;ych barier utrudniaj & aogon;cych szybk & aogon; analiz & eogon; du & zdot;ych zbior & oacute;w danych fenotypowych. Prezentujemy przegl & aogon;d obecnego stanu wiedzy o najbardziej rozwini & eogon;tych metodach AI u & zdot;ywanych w badaniach morfologii ewolucyjnej do pozyskiwania i przetwarzania danych. Przedstawiamy g & lstrok;& oacute;wne dost & eogon;pne techniki sztucznej inteligencji, dziel & aogon;c je na trzy etapy w zale & zdot;no & sacute;ci od kolejno & sacute;ci ich wyst & eogon;powania: (1) uczenie maszynowe, (2) uczenie g & lstrok;& eogon;bokie oraz (3) najnowsze osi & aogon;gni & eogon;cia w modelach wielkoskalowych i uczeniu multimodalnym. Nast & eogon;pnie przedstawiamy studium przypadk & oacute;w wykorzystuj & aogon;cych sztuczn & aogon; inteligencj & eogon; w badaniach morfologii ewolucyjnej, w tym przechwytywania i segmentacji obrazu, rozpoznawania cech, morfometrii i filogenetyki. Nast & eogon;pnie omawiamy perspektyw & eogon; kr & oacute;tkoterminowych post & eogon;p & oacute;w w konkretnych obszarach bada & nacute; w tej dziedzinie, w tym potencja & lstrok; nowych metod sztucznej inteligencji, kt & oacute;re nie znalaz & lstrok;y jeszcze zastosowania w badaniach nad morfologi & aogon; ewolucyjn & aogon;. W szczeg & oacute;lno & sacute;ci zwracamy uwag & eogon; na kluczowe obszary, w kt & oacute;rych sztuczna inteligencja pozostaje jeszcze niewykorzystana i mo & zdot;na j & aogon; wykorzysta & cacute; do usprawnienia bada & nacute; nad morfologi & aogon; ewolucyjn & aogon;. To po & lstrok;& aogon;czenie obecnych metod i potencjalnych rozwi & aogon;za & nacute; mo & zdot;e w przy & lstrok;o & sacute;ci przekszta & lstrok;ci & cacute; analiz & eogon; ewolucyjn & aogon; fenotypu organizmu w fenomenologi & eogon; ewolucyjn & aogon;, prowadz & aogon;c do ery ,,du & zdot;ych zbior & oacute;w danych", kt & oacute;re dopasowuj & aogon; badanie fenotyp & oacute;w do genomiki i innych dziedzin bioinformatyki. (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic):(1)(sic)(sic)(sic)(sic), (2)(sic)(sic)(sic)(sic), (sic)(3)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic). (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic):(1)(sic)(sic)(sic)(sic), (2)(sic)(sic)(sic)(sic), (sic)(sic)(3)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic), (sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic). (sic)(sic)(sic)(sic)(AI)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic),AI(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic). (sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)AI(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),AI(sic)(sic)(sic)(sic)(sic)(sic)3(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic):(1)(sic)(sic)(sic)(sic),(2)(sic)(sic)(sic)(sic),(3)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic),AI(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic). (sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)AI(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic),AI(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic).(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic),(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic)(sic). L'intelligenza artificiale (IA) & egrave; destinata a rivoluzionare molti aspetti della scienza, incluso lo studio della morfologia evolutiva. Mentre metodi classici di IA, come l'analisi delle componenti principali e l'analisi dei cluster, sono stati comunemente utilizzati nello studio della morfologia evolutiva per decenni, negli ultimi anni si & egrave; assistito a un aumento dell'applicazione del deep learning all'ecologia e alla biologia evolutiva. Con la crescente diffusione e disponibilit & agrave; di database aperti di esemplari digitalizzati, l'IA offre nuove potenzialit & agrave; per superare le barriere che storicamente hanno impedito l'analisi rapida di grandi quantit & agrave; di dati di fenotipi. In questo lavoro, esaminiamo lo stato attuale dei metodi di IA disponibili per lo studio della morfologia evolutiva, che si sono per lo pi & ugrave; sviluppati nell'acquisizione e nella lavorazione dei dati. Forniamo un'introduzione alle principali tecniche di IA disponibili, suddividendole in tre tipi in base all'ordine in cui sono state utilizzate per la prima volta in studi: (1) machine learning, (2) deep learning e (3) gli sviluppi pi & ugrave; recenti nei modelli su larga scala e nel multimodal learning. Successivamente, presentiamo esempi di studi che utilizzano metodi esistenti di IA in diverse applicazioni nel campo della morfologia evolutiva, inclusi la cattura e segmentazione delle immagini, il riconoscimento dei caratteri, la morfometria e la filogenetica. Discutiamo poi di avanzamenti futuri nel breve periodo in aree di ricerca specifiche all'interno di questo campo, incluse potenziali applicazioni di metodi di IA che non sono ancora stati applicati allo studio della morfologia evolutiva. In particolare, evidenziamo alcune aree importanti in cui l'IA & egrave; ancora sotto-utilizzata e potrebbe essere impiegata per migliorare gli studi di morfologia evolutiva. I metodi attualmente utilizzati e i potenziali sviluppi hanno la capacit & agrave; in modo combinato di trasformare le analisi sull'evoluzione del fenotipo degli organismi in "fenomica evolutiva", una area di ricerca innovata che grazie ai "big data" allinea lo studio dei fenotipi con la genomica e altre aree della bioinformatica. L'intelligence artificielle (IA) est destin & eacute;e & agrave; r & eacute;volutionner de nombreux aspects de la science, y compris l'& eacute;tude de la morphologie & eacute;volutive. Alors que les m & eacute;thodes classiques d'IA, telles que l'analyse en composantes principales et l'analyse de clusters, ont & eacute;t & eacute; couramment utilis & eacute;es dans l'& eacute;tude de la morphologie & eacute;volutive depuis des d & eacute;cennies, ces derni & egrave;res ann & eacute;es ont vu une augmentation de l'application du deep learning & agrave; l'& eacute;cologie et & agrave; la biologie & eacute;volutive. Avec la diffusion croissante et la disponibilit & eacute; de bases de donn & eacute;es ouvertes d'& eacute;chantillons num & eacute;ris & eacute;s, l'IA offre de nouvelles potentialit & eacute;s pour surmonter les barri & egrave;res qui ont historiquement emp & ecirc;ch & eacute; l'analyse rapide de grandes quantit & eacute;s de donn & eacute;es sur les ph & eacute;notypes. Dans ce travail, nous examinons l'& eacute;tat actuel des m & eacute;thodes d'IA disponibles pour l'& eacute;tude de la morphologie & eacute;volutive, qui se sont principalement d & eacute;velopp & eacute;es dans l'acquisition et le traitement des donn & eacute;es. Nous fournissons une introduction aux principales techniques d'IA disponibles, en les divisant en trois types en fonction de l'ordre dans lequel elles ont & eacute;t & eacute; utilis & eacute;es pour la premi & egrave;re fois dans les & eacute;tudes: (1) l'apprentissage automatique (machine learning), (2) l'apprentissage profond (deep learning) et (3) les d & eacute;veloppements les plus r & eacute;cents dans les mod & egrave;les & agrave; grande & eacute;chelle et l'apprentissage multimodal (multimodal learning). Ensuite, nous pr & eacute;sentons des exemples d'& eacute;tudes utilisant des m & eacute;thodes d'IA existantes dans diverses applications dans le domaine de la morphologie & eacute;volutive, y compris la capture et la segmentation d'images, la reconnaissance des caract & egrave;res, la morphom & eacute;trie et la phylog & eacute;n & eacute;tique. Nous discutons ensuite des avanc & eacute;es futures & agrave; court terme dans des domaines de recherche sp & eacute;cifiques de ce champ, y compris des applications potentielles de m & eacute;thodes d'IA qui n'ont pas encore & eacute;t & eacute; appliqu & eacute;es & agrave; l'& eacute;tude de la morphologie & eacute;volutive. En particulier, nous mettons en & eacute;vidence certaines zones importantes o & ugrave; l'IA est encore sous-utilis & eacute;e et pourrait & ecirc;tre utilis & eacute;e pour am & eacute;liorer les & eacute;tudes de morphologie & eacute;volutive. Les m & eacute;thodes actuellement utilis & eacute;es et les d & eacute;veloppements potentiels ont la capacit & eacute; combin & eacute;e de transformer l'analyse de l'& eacute;volution des ph & eacute;notypes des organismes en "ph & eacute;nomique & eacute;volutive", un domaine de recherche innovant qui, gr & acirc;ce aux "big data", aligne l'& eacute;tude des ph & eacute;notypes avec la g & eacute;nomique et d'autres domaines de la bio-informatique. K & uuml;nstliche Intelligenz (KI) hat tiefgreifende & Auml;nderungen in vielen Aspekten der Wissenschaft ausgel & ouml;st, so auch im Forschungsbereich der evolution & auml;ren Morphologie. W & auml;hrend klassische KI-Methoden wie die Hauptkomponentenanalyse und die Clusteranalyse [OH1] bei der Untersuchung der evolution & auml;ren Morphologie seit Jahrzehnten gang und g & auml;be sind, wurde in den letzten Jahren zunehmend Deep Learning in der & Ouml;kologie und Evolutionsbiologie eingesetzt. Da eine wachsende Masse von Forschungsdaten in digitalen Datenbanken & ouml;ffentlich zug & auml;nglich gemacht wird, k & ouml;nnen mittels KI nun die & Uuml;berwindung schnelle und gleichzeitig umfangreiche ph & auml;notyopische Analysen basierend auf big data durchgef & uuml;hrt werden. In dieser Arbeit geben wir einen & Uuml;berblick & uuml;ber den aktuellen Stand der f & uuml;r die Untersuchung der evolution & auml;ren Morphologie verf & uuml;gbaren und im Bereich der Datenerfassung und -verarbeitung am weitesten entwickelten KI-Methoden. Wir stellen die wichtigsten verf & uuml;gbaren KI-Techniken vor und drei nacheinander aufgetretenen Stufen zu: (1) maschinelles Lernen, (2) Deep Learning und (3) die j & uuml;ngsten Fortschritte bei gro ss angelegten Modellen und multimodalem Lernen. Danach stellen wir Fallstudien zu bestehenden Ans & auml;tzen der Nutzung von KI im Bereich der evolution & auml;ren Morphologie vor, beispielsweise Bilderfassung und Segmentierung, Merkmalserkennung, Morphometrie und Phylogenetik. Anschlie ss end diskutieren wir m & ouml;gliche Fortschritte in bestimmten Bereichen der Forschung auf diesem Gebiet in naher Zukunft, darunter auch solche KI-Methoden, die bisher noch nicht zur Untersuchung der morphologischen Evolution angewendet wurden. Wir weisen insbesondere auf Schl & uuml;sselbereiche hin, in denen noch weiteres Potenzial zur Nutzung von KI besteht und die zur Verbesserung der Studien zur evolution & auml;ren Morphologie eingesetzt werden k & ouml;nnten. Diese Kombination aus bestehenden Methoden und aktuellen Neuentwicklungen k & ouml;nnte die evolution & auml;re Analyse des Ph & auml;notyps von Organismen in eine evolution & auml;re Ph & auml;nomik verwandeln, die in enger Verbindung mit der Genomik und anderen Bereichen der Bioinformatik zu einer & Auml;ra von integrativer ,,big data" f & uuml;hrt. Ny faharanitan-tsaina artifisialy (artificial intelligence-AI) dia afaka ny hampiova sy hanavao ny lafiny maro eo amin'ny siansa, anisan'izany ny fandalinana ny morfolojia evolisionera (evolutionary morphology). Na dia efa nampiasaina nandritra ny taona maro tamin'ny morfolojia evolisionera aza ny fomba AI klasika toy ny fanadihadiana ny singa fototra (principal component analysis) sy ny fanasokajiana (Cluster Analysis), dia hita fa mihamaro ny fampiasana ny fianarana lalina (deep learning) eo amin'ny ekolojia sy ny biolojia evolisionera tato anatin'ny taona vitsivitsy. Efa mihamaro sy misokatra amin'ny besinimaro ireo tahiry elektronika misy ireo santionany ankehitriny, ka dia manome fahafahana goavana ny AI hanampy amin'ny famahana ny sakana lehibe amin'ny fanadihadiana haingana ireo tahiry goavana momba ny fen & ocirc;typika. Ato amin'ity asa ity, dia jerentsika ny toeran'ny fandrosoana ankehitriny amin'ny fampiasana AI amin'ny fandalinana ny morfolojia evolisionera, izay efa nandroso indrindra eo amin'ny sehatry ny fakana sy fanodinana angona. Asehontsika ireo teknika AI lehibe azo ampiasaina, izay mizara telo arakaraka ny filaharany amin'ny vanim-potoana nipoirany: (1) ny fianarana milina (machine learning), (2) ny fianarana lalina (deep learning), ary (3) ny fandrosoana farany indrindra amin'ny modely lehibe sy ny fianarana mitambatra maromaro (multimodal learning). Avy eo dia asehontsika ireo tranga efa nampiasana AI amin'ny morfolojia evolisionera, anisan'izany ny fakana sy fizarana sary, ny fahafantarana ny endri-javatra, ny morfometrika, ary ny fiaviana (phylogenetics). Manaraka izany, dia resahintsika ny fanantenana ho amin'ny fivoarana akaiky amin'ny lafiny manokana eo amin'ity sehatra ity, anisan'izany ny fampiasana ireo fomba AI vaovao izay mbola tsy nampiasaina amin'ny fandalinana ny fivoaran'ny morfolojia. Asongadintsika manokana ireo tontolo lehibe izay mbola tsy ampy fampiasana AI ary azo ampiasaina hanatsarana ny fandalinana ny morfolojia evolisionera. Ity fampitambarana ireo fomba ankehitriny sy ny fandrosoana mety hitranga ity dia manana ny fahefana manova tanteraka ny fandalinana evolisionera ny fen & ocirc;typika ho lasa "big data" ka mampifanakaiky ny fandalinana ny fen & ocirc;typika sy ny genomika ary ny sehatra hafa ao amin'ny bioinformatika. La inteligencia artificial (IA) est & aacute; destinada a revolucionar muchos aspectos de la ciencia, incluido el estudio de la morfolog & iacute;a evolutiva. Aunque los m & eacute;todos cl & aacute;sicos de IA, como el an & aacute;lisis de componentes principales y el an & aacute;lisis de cl & uacute;steres, han sido habituales en el estudio de la morfolog & iacute;a evolutiva durante d & eacute;cadas, en los & uacute;ltimos a & ntilde;os se ha observado una creciente aplicaci & oacute;n del aprendizaje profundo a la ecolog & iacute;a y la biolog & iacute;a evolutiva. A medida que las bases de datos de espec & iacute;menes digitalizados se vuelven cada vez m & aacute;s frecuentes y est & aacute;n disponibles de forma abierta, la IA est & aacute; ofreciendo un nuevo y vasto potencial para sortear las barreras existentes desde hace mucho tiempo para el an & aacute;lisis r & aacute;pido de grandes datos de fenotipos. Aqu & iacute; revisamos el estado actual de los m & eacute;todos de IA disponibles para el estudio de la morfolog & iacute;a evolutiva, que est & aacute;n m & aacute;s desarrollados en el & aacute;rea de adquisici & oacute;n y procesamiento de datos. Presentamos las principales t & eacute;cnicas de IA disponibles, categoriz & aacute;ndolas en tres etapas en funci & oacute;n de su orden de aparici & oacute;n: (1) aprendizaje autom & aacute;tico, (2) aprendizaje profundo, y (3) los avances m & aacute;s recientes en modelos a gran escala y aprendizaje multimodal. A continuaci & oacute;n, presentamos estudios de casos de enfoques existentes que utilizan la IA para la morfolog & iacute;a evolutiva, incluyendo la captura y segmentaci & oacute;n de im & aacute;genes, el reconocimiento de rasgos, la morfometr & iacute;a y la filogen & eacute;tica. A continuaci & oacute;n, analizamos las perspectivas de avances a corto plazo en & aacute;reas espec & iacute;ficas de investigaci & oacute;n dentro de este campo, incluido el potencial de nuevos m & eacute;todos de IA que a & uacute;n no se han aplicado al estudio de la evoluci & oacute;n morfol & oacute;gica. En concreto, se & ntilde;alamos las & aacute;reas clave en las que la IA sigue infrautilizada y que podr & iacute;an utilizarse para mejorar los estudios de morfolog & iacute;a evolutiva. Esta combinaci & oacute;n de m & eacute;todos actuales y desarrollos potenciales tiene la capacidad de transformar el an & aacute;lisis evolutivo del fenotipo del organismo en fen & oacute;mica evolutiva, conduciendo a una era de "big data" que alinee el estudio de los fenotipos con la gen & oacute;mica y otras & aacute;reas de la bioinform & aacute;tica. La intel<middle dot>lig & egrave;ncia artificial (IA) est & agrave; destinada a revolucionar molts aspectes de la ci & egrave;ncia, incl & ograve;s l'estudi de la morfologia evolutiva. Encara que els m & egrave;todes cl & agrave;ssics de IA, com l'an & agrave;lisi de components principals i l'an & agrave;lisi de cl & uacute;sters, han estat habituals en l'estudi de la morfologia evolutiva durant d & egrave;cades, en els & uacute;ltims anys s'ha observat una creixent aplicaci & oacute; de l'aprenentatge profund a l'ecologia i la biologia evolutiva. A mesura que les bases de dades d'esp & egrave;cimens digitalitzats es tornen cada vegada m & eacute;s freq & uuml;ents i estan disponibles de manera oberta, la IA est & agrave; oferint un nou i vast potencial per a eludir les barreres existents des de fa molt temps per a l'an & agrave;lisi r & agrave;pida de grans dades de fenotips. Aqu & iacute; revisem l'estat actual dels m & egrave;todes de IA disponibles per a l'estudi de la morfologia evolutiva, que estan m & eacute;s desenvolupats en l'& agrave;rea d'adquisici & oacute; i processament de dades. Presentem les principals t & egrave;cniques de IA disponibles, categoritzant-les en tres etapes en funci & oacute; de la seva ordre d'aparici & oacute;: (1) aprenentatge autom & agrave;tic, (2) aprenentatge profund, i (3) els avan & ccedil;os m & eacute;s recents en models a gran escala i aprenentatge multimodal. A continuaci & oacute;, presentem estudis de casos d'enfocaments existents que utilitzen la IA per a la morfologia evolutiva, incloent-hi la captura i segmentaci & oacute; d'imatges, el reconeixement de trets, la morfometria i la filogen & egrave;tica. A continuaci & oacute;, analitzem les perspectives d'avan & ccedil;os a curt termini en & agrave;rees espec & iacute;fiques de recerca dins d'aquest camp, incl & ograve;s el potencial de nous m & egrave;todes de IA que encara no s'han aplicat a l'estudi de l'evoluci & oacute; morfol & ograve;gica. En concret, assenyalem les & agrave;rees clau en les quals la IA segueix infrautilitzada i que podrien utilitzar-se per a millorar els estudis de morfologia evolutiva. Aquesta combinaci & oacute; de m & egrave;todes actuals i desenvolupaments potencials t & eacute; la capacitat de transformar l'an & agrave;lisi evolutiva del fenotip de l'organisme en fen & oacute;mica evolutiva, conduint a una era de "big data" que aline & iuml; l'estudi dels fenotips amb la gen & ograve;mica i altres & agrave;rees de la bioinform & agrave;tica.
