下载掌阅APP，畅读海量书库
立即打开
人工智能（Artificial Intelligence，AI）的概念从首次提出到现在已近70年，经历了追捧和黯淡。近几年，人工智能终于呈现出爆发的趋势。当前，人工智能的勃兴已经成为推动社会经济发展的新动力之一，在提高社会生产效率、实现社会发展和经济转型等方面发挥重要作用。作为主导新一代产业变革的核心力量，人工智能在医疗方面展示出了新的应用方式，在深度融合中又催生出新业态。
今天，作为一项创新性技术，医疗AI遍布在医疗领域的方方面面。人工智能在医疗健康领域广泛应用正形成全球共识。可以说，人工智能以独特的方式捍卫着人类健康福祉，但这一切还要从人工智能与医疗的相逢开始说起。
1.1.1 国外医疗AI从哪里开始？
20世纪70年代，国外开始出现了医疗领域的人工智能探索尝试。1972年，利兹大学研发的AAPHelp能根据病人的症状判断出产生剧烈腹痛可能的原因。1974年，资深医生诊断的准确性已经不如该系统。尽管AAPHelp运行耗时久，但在20世纪70年代的计算机硬件条件下，AAPHelp的产生仍具有突破性意义。
在随后的几年内，不少新的人工智能医疗产品成果再次出现在人们的视野中。1974年，匹兹堡大学研发出INTERNIST-I内科疾病的专家系统，它主要用于辅助诊断内科复杂疾病。1976年，斯坦福大学研发出MYCIN系统，它能诊断出感染病患者并提供抗生素处方。MYCIN系统的内部共有500条规则，只要按照MYCIN系统的提问依次进行回答，就能自动判断出患者所感染细菌的类别并开出相应处方。
此外，在20世纪70年代，还有斯坦福大学开发的ONCOCIN，麻省理工学院开发的PIP、ABEL，罗格斯大学开发的CASNET/Glaucoma等。
20世纪80年代，一些商业化应用系统开始出现，如QMR（Quick Medical Reference）和DXplain，主要是依据临床表现提供诊断方案。
20世纪90年代，计算机辅助诊断（Computer Aided Diagnosis，CAD）系统问世，它是比较成熟的医学影像计算机辅助应用，包括乳腺X射线CAD系统。
进入21世纪，IBM Watson是人工智能医疗领域最知名的系统，并且已经取得了非凡的成绩。例如，在癌症治疗方面，Watson能够在几秒内对数十年癌症治疗历史中的150万份患者记录进行筛选，并提出循证治疗方案供医生选择。目前，癌症治疗领域排名前三的医院都在使用Watson，并且中国也正式引进了Watson。
2016年以来，美国、加拿大、日本、英国、欧盟、印度、韩国、俄罗斯等国家和地区相继发布人工智能研发战略。2016年10月，美国《国家人工智能研究和发展战略计划》提出，要在医学诊断等领域开发有效的人类与人工智能协作的方法，当人类需要帮助时，人工智能系统能够自动执行决策和进行医疗诊断。日本将医疗健康及护理作为人工智能的突破口。为了应对快速老龄化，日本基于医疗、护理系统的大数据化，将建成以人工智能为依托、世界一流的医疗与护理先进国家。英国提出发展人工智能医疗的三大潜力领域：辅助诊断领域、早期预防控制流行病并追踪其发病率领域和图像诊断领域。
2016年2月，谷歌DeepMind宣布成立DeepMind Health部门，并与英国国家医疗服务体系（National Health Service，NHS）合作，辅助他们进行决策。DeepMind还参与NHS的一项利用深度学习开展头颈癌患者放疗疗法设计的研究。同时，DeepMind与Moorfields眼科医院开展将人工智能技术应用于及早发现和治疗威胁视力的眼部疾病的合作。遗憾的是，2021年，谷歌健康部门Google Health遭遇重大变故。该部门负责人大卫·范伯格（David Feinberg）宣布于9月1日离职，并于10月1日起担任美国最大电子健康记录服务提供商之一Cerner的CEO兼总裁。之后，谷歌也决定解散Google Health。
1.1.2 国内医疗AI发展风云
20世纪80年代初，我国开始进行人工智能医疗领域的开发研究，虽然起步落后于发达国家，但是发展迅猛。
1978年，北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”，第一次将医学专家系统应用到我国传统中医领域。此后，我国加快开展人工智能医疗产品的研发，具有代表性的产品有“中国中医治疗专家系统”和“林如高骨伤计算机诊疗系统”，以及具有咨询和辅助诊断性质的“中医计算机辅助诊疗系统”等。
进入21世纪以来，我国人工智能在医疗的更多细分领域都取得了长足的发展。2016年10月，百度发布“百度医疗大脑”，对标谷歌和IBM的同类产品。“百度医疗大脑”作为百度大脑在医疗领域的具体应用，大量收集与分析医学专业文献和医疗数据，通过模拟问诊流程，基于用户症状，给出诊疗的最终建议。2018年11月，百度发布人工智能医疗品牌“百度灵医”，2019年品牌升级为“灵医智惠”，主要产品有“临床辅助决策支持系统”“医疗大数据解决方案”“眼底影像分析系统”“智能诊前助手”。
2017年7月，阿里健康发布医疗AI系统“Doctor You”，包括临床医学科研诊断平台、医疗辅助检测引擎等。此外，阿里健康还与政府、医院、科研院校等外部机构合作，开发了20种常见、多发疾病的智能诊断引擎，包括糖尿病、肺癌预测和眼底筛查等。2018年9月，阿里健康和阿里云联合宣布阿里医疗人工智能系统“ET医疗大脑”2.0版本问世。
2018年11月，腾讯牵头承担的“数字诊疗装备研发专项”启动，该项目作为国家重点研发计划首批启动的6个试点专项之一，基于“AI+CDSS”（人工智能的临床辅助决策支持系统）探索和助力医疗服务升级。
新冠疫情期间，人工智能在公共卫生领域特别是传染病的预防与控制方面发挥了重要作用，传染病大数据分析预警系统、疫情排查系统、智能测温机器人、消毒机器人、语音服务机器人等在战“疫”一线被广泛应用。
在全球抗疫的背景下，人工智能从“云端”落地，在疫情之中出演关键角色，提高了抗疫防疫的整体效率。新冠疫情成为数字技术的试金石，人工智能作为新一轮科技革命和产业变革的重要驱动力量，体现了对社会的真正价值。
1.2.1 供需矛盾突出
从需求端来看，当前，四十多年的工业化进程也带来了不同程度的环境污染，叠加我国人口老龄化加剧，患慢性疾病（简称慢性病、慢病）人口数量增多，形成大量医疗需求。
第七次全国人口普查结果显示，我国60岁及以上人口为26402万人，占18.70%。未来几十年，老龄化程度还将持续加深，到2035年前后，我国老年人口占总人口的比例将超过四分之一，到2050年前后将超过三分之一。目前，中国已成为全世界老年人口数量最多、老龄化速度最快的大国。其中，东北三省的老龄化现象尤为明显。2020年，东北三省总人口比十年前减少了1101万人，而老龄化程度加深，65岁及以上人口比重为16.39%，提高7.26个百分点，高于全国平均水平。辽宁省65岁及以上人口比重为17.42%，为全国省市中最高。
在人口老龄化背景下，现代生活节奏加快，患慢性疾病人口数量也随之增加。我国已确诊的患慢性疾病人口数量超过3亿，同时患病率以每年5.8%的速度增长。2021年11月初，国际糖尿病联合会（International Diabetes Federation，IDF）在官网上更新了今年IDF全球糖尿病概览的相关数据，在中国，2011—2021年的十年间，糖尿病患病人数从9000万增长到了1.4亿，占全国人口数的十分之一，与世界范围内的发病率持平。在这1.4亿人中，有51.7%的人群未被诊断，属于“隐性”糖尿病群体。根据全国卫生服务调查，65岁以上群体的慢性疾病患病率高达78.4%，是全部人口患病率的3.2倍，即老龄人口越多慢性疾病人群基数越大。如今，慢性疾病已成为健康的头号威胁，占到了中国77%的健康生命年损失和85%的死亡诱因，占全部疾病负担的60%以上。
人口结构的变化还将带来诊疗以外的医疗健康需求的结构性增加，包括疾病预防和治疗、健康监测和管理、养生和保健、临终关怀等。以体检为例，与美、日、德超过70%的覆盖率相比，我国的健康管理市场还有巨大的发展空间。而健康管理借助人工智能可以极大地赋能，让健康管理实时可见、可控。伴随着生活水平的提高，以及国家政策对家庭医生、慢病防治、健康生活等方面的支持，越来越多的人将主动参与健康管理。
然而，从供给端来看，优质医生及医疗资源不足，且医疗资源分布不均，难以承受快速增长的医疗需求。从总量上看，医疗资源供给增长落后于需求增长。我国医生与总人口的比例约为1∶343，而西方国家的这一比例约为1∶280。医生资源缺口问题在影像科医生、病理科医生及全科医生方面尤为严重。目前，我国医学影像数据的年增长率约为30%，而影像科医生数量的年增长率仅为4.1%，病理科医生缺口达到10万人。我国全科医生数量约30万人，占医生总数的7.37%。这一比例还远远达不到建立真正的全科医生制度体系的需求——德国、法国、日本的占比均在20%以上，美国在12%以上。由于医生的培养周期很长，我国独立上岗医生的培养周期长达8年，较长的培养周期带来医疗人力成本提高，难以满足持续增长的医疗需求。
从分布上看，医疗资源集中于三级医院和发达地区，基层医院医疗水平低，医生资源少。从配置上看，据统计，2018年我国医院数量超过3.2万家，三级医院仅占总数量的19%，却承接了全国49.8%的医疗需求。三级医院长期超负荷运转，承担了过多基础诊疗工作，导致核心医疗资源无法发挥最大价值。供需结构不匹配导致了医院运营效率低、误诊率高、医疗体验差等诸多问题。
可以说，供给与需求矛盾突出，是我国医疗行业的根本问题。而这些问题，不论是医生的培养，还是医生医疗技术水平的提升，借助人工智能技术都将有望得到改善。
1.2.2 人工智能技术不断突破
一直以来，算法、算力和数据被认为是人工智能发展的三驾马车，也是推动人工智能发展的重要基础。
1.在算法层面
在算法层面，超大规模预训练模型等成为近两年最受关注的热点之一。自OpenAI于2020年推出GPT-3以来，谷歌、华为、智源研究院、中国科学院、阿里巴巴等企业和研究机构相继推出超大规模预训练模型，包括Switch Transformer、DALL·E、MT-NLG、盘古、悟道2.0、紫东太初和M6等，不断刷新着各榜单纪录。而OpenAI更是一举将大模型的训练之路打开了，让大家看到了基于深度学习的路径方向，基于参数优化一旦正确，机器就能具备类人的智能逻辑。
深度学习是人工智能技术的重要一脉，目前语音识别和计算机视觉都基于深度学习技术来完成。随着图像领域深度学习Resnet网络结构发展，计算机视觉和综合图像处理技术取得长足进步，医学影像分析在诊疗过程中发挥更大作用。例如，应用计算机视觉技术进行结肠镜检查，可以获得更为有效、可靠的数据，以降低结肠癌死亡率；在外科手术中，计算机视觉对脑瘤病人进行三维头骨建模，有利于后续神经外科治疗。
此外，近年来，人工智能对海量数据的分析能力能够让研究者不再局限于常规的“推导定理式”研究，可以基于高维数据发现相关信息，继而加速研究进程。2020年，DeepMind提出的AlphaFold2在国际蛋白质结构预测竞赛（Critical Assessment of protein Structure Prediction，CASP）中拔得头筹，能够精确地预测蛋白质的三维结构，其准确性可以与使用冷冻电子显微镜等实验技术解析的三维结构相媲美。中美研究团队使用人工智能的方法，在保证“从头计算”高精度的同时，将分子动力学极限提升了数个量级，比过去同类工作计算空间尺度增大100倍，计算速度提高1000倍，获得2020年国际计算机协会（Association for Computing Machinery，ACM）戈登贝尔奖。
2.在算力层面
在算力层面，当前，人工智能算力仍在持续突破，面向训练用和推断用的芯片仍在快速演进。这主要源于算力需求的驱动。一方面，体现在模型训练阶段，根据OpenAI数据，模型计算量增长速度远超人工智能硬件算力增长速度，存在万倍差距；另一方面，由于推断的泛在性，使得推断用算力需求持续增长。与此同时，新的算力架构也在不断研究中，类脑芯片、存内计算、量子计算等备受关注，但总体上处于探索阶段。
3.在数据层面
在数据层面，以深度学习为代表的人工智能技术需要大量的标注数据，这也催生出专门的技术乃至服务。随着面向问题的不断具体化和深入，数据服务走向精细化和定制化。此外，随着知识在人工智能的重要性被广泛提及，对知识集的构建和利用不断增多。
人工智能的快速发展推动数据规模不断提升。据互联网数据中心（Internet Data Center，IDC）测算，2025年全球数据规模将达到163 ZB，其中80%～90%是非结构化数据。数据服务进入深度定制化的阶段，百度、阿里巴巴、京东等公司推出根据不同场景和需求进行数据定制的服务。企业需求的数据集从通用简单场景向个性化复杂场景过渡。例如，语音识别数据集从普通话向小语种、方言等场景发展，智能对话数据集从简单问答、控制等场景向应用场景、业务问答等方向发展。各方积极探索建立高质量知识集，支撑未来知识驱动的人工智能应用发展。
数据生成和共享速度迅速增长。在数据方面，我国拥有得天独厚的优势，我国人口众多，数据基数大，同时多样性丰富，为大数据分析提供了丰富的数据来源，也为人工智能不断训练与优化算法模型提供了广泛数据集。
尽管中国有比较庞大的人口数量与相对的数据优势，但医疗信息化与数据化普及程度不足，也制约着人工智能医疗产业的发展。但相比较而言，尽管美国的人口基数与数据样本量没有中国庞大，但美国有着比较健全的医疗数据化系统，或者说医疗的信息化、数据化程度比较高，这就使得美国在人工智能医疗方面的训练上，更容易基于数据化与标准化训练出诊断准确性更高的人工智能医生。
1.2.3 政策引导和支持
近年来，我国出台了一系列全国性政策及医疗人工智能专项政策，鼓励“人工智能+”医疗产业发展。在政策引导下，医疗产业有望迎来真正的变革。
2017年7月，国务院印发《新一代人工智能发展规划》（以下简称《规划》），这也是我国在人工智能领域进行系统部署的第一份文件。《规划》指出，到2030年，我国人工智能理论、技术与应用总体上要达到世界领先水平。在《规划》提出的六大重点任务中，特别提出要在医疗领域发展便捷高效的智能服务，围绕医疗等方面的迫切民生需求，加快人工智能创新应用，使精准化智能服务更加丰富多样，使社会治理智能化水平大幅提升。《规划》提出发展智能医疗：“推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系。探索智慧医院建设，开发人机协同的手术机器人、智能诊疗助手，研发柔性可穿戴、生物兼容的生理监测系统，研发人机协同临床智能诊疗方案，实现智能影像识别、病理分型和智能多学科会诊。基于人工智能开展大规模基因组识别、蛋白质组学、代谢组学等研究和新药研发，推进医药监管智能化。加强流行病智能监测和防控”。
2018年，教育部印发《高等学校人工智能创新行动计划》，国务院办公厅印发《关于促进“互联网+医疗健康”发展的意见》。2020年，中共中央政治局常务委员会召开会议时指出，要加大公共卫生服务、应急物资保障领域投入，加快5G网络、数据中心等新型基础设施建设进度。
2020年新冠疫情暴发之时，工信部网站发布了《充分发挥人工智能赋能效用 协力抗击新型冠状病毒感染的肺炎疫情倡议书》，倡议进一步发挥人工智能赋能效用，组织科研和生产力量，把加快有效支撑疫情防控的相关产品攻关和应用作为优先工作，进一步推动了“人工智能+”医疗的发展。
2023年更是着重于电子病历的推行。国家卫健委在4月发布新版国家二级公立医院绩效考核操作手册。对于二级公立医院的电子病历应用功能水平分级、患者满意度等指标，新版手册要求逐步提高。以电子病历为核心的医院信息化建设是深化医改的重要内容之一。电子病历的推行，是数字化医疗的一个重要举措，或者说是人工智能医疗向前发展的一个基础条件。没有数据就很难训练出高质量的人工智能医生，而电子病历的数据化，给人工智能的医疗变革奠定了基础。
相对于制造业、通信、传媒、零售、教育等人工智能应用领域，全球的人工智能医疗还处于早期阶段，商业化程度相对较低，行业渗透率较低。但不可否认的是，人工智能在医疗领域的结合点响应了传统医疗的诸多困境，具有广泛的市场需求和多元业务趋向，拥有广阔的发展空间。
尤其是OpenAI大语言模型（也称大型语言模型）的突破，将加速人工智能技术介入医疗的普及与应用速度。例如，训练人工智能辅助医生完成病历的撰写及诊疗过程的问题概述。基于影像学与检测指标的人工智能诊断，以及借助人工智能技术的专科医生打造，都正在实现的路上。
从具体应用层面来看，人工智能在医疗领域主要有5个应用方向：辅助诊疗、医学影像、健康管理、药物研发、疾病预测。
1.3.1 辅助诊疗
人工智能辅助诊疗主要提供医学影像、电子病历、导诊机器人、医疗助手、辅助医疗、临床辅助决策等服务，利用机器学习+计算机视觉缓解病理专家稀缺的现状，利用人工智能+大数据对患者进行系统化记录和健康管理，利用人工智能+机器人技术分担医院从医人数不足的压力。
（1）在电子病历方面，人工智能普遍在病种专业化平台、智能语音录入、自然语言识别、临床决策支持这4个场景开展服务。以语音电子病历为例，人工智能基于脱敏的病历数据和临床使用不断训练模型、优化算法，通过语音识别引擎实现人机交互和文本转录。
（2）在导诊机器人方面，我国机器人应用相对成熟，应用场景明晰，一般多为院内导诊环节，使得医疗机器人具有相应的发展优势。医疗领域机器人主要基于人脸识别、语音识别等技术，再通过后台嫁接医院信息等知识系统，实现导诊功能。
（3）在医疗助手方面，智能问诊是主要应用场景，通过建立疾病知识库和历史问诊记录，实现人机交互的智能问诊功能。例如，在新冠疫情期间，入院问诊存在交叉感染的风险，对有问诊需求的患者造成不便，并且疫情给公众带来一定的心理恐慌，在线下医疗受阻，但又急需专业的医学信息来解决问题的情况下，在线问诊发展迅速。在在线问诊的过程中，用户在在线问诊平台输入症状，人工智能系统将识别用户输入的文本，并完成分词、词性标注、句法解析、信息抽取等一系列工作，最终在知识库中进行检索，把类似信息推给用户，完成精准的信息匹配。腾讯云基于医疗行业语料及医疗专业词汇，打造医疗行业语音识别模型。医生在门诊、住院查房、交接班等场景下，均可使用语音输入软件，将传统的手写病历转换为语音输入，大幅度缩短病历录入的时间，减轻工作负担。
（4）在辅助医疗方面，人工智能已经形成了一些实质性应用，手术机器人和医疗机器人就是比较活跃的尝试。手术机器人已经在胃肠外科、泌尿外科、妇科和心外科等的手术中渗透与应用。手术机器人通过高分辨率三维立体视觉及器械自由度，在狭小的手术空间内提供超越人类的视觉系统、更大的操作灵活性与精准度，拓展了腹腔镜手术的适应证，增强了手术效果。
（5）人工智能技术还可用于临床辅助决策。临床辅助决策支持系统（Clinical Decision Support System，CDSS）相当于一个不断更新的医学知识库，是基于人机交互的医疗信息技术应用系统，通过数据和模型辅助医生完成临床决策。CDSS的使用场景涵盖诊前决策、诊中支持和诊后评价全流程，帮助临床医生做出最为恰当的诊疗决策，提高诊断效率与诊断质量。目前，世界上绝大多数CDSS都由3个部分组成，即临床知识库、推理机和人机交流接口，其中庞大可靠的临床知识库是CDSS的行业壁垒。一个完整的临床知识库应当包含各种最新临床指南、循证医学证据、医学文献、医学辞典、医学图谱计算工具、大量电子病历等海量数据，还应当交互良好，方便临床医生从中获取信息。此外，临床知识库必须是开放的、动态更新的。
1.3.2 医学影像
作为辅助诊疗的一个细分领域，将人工智能技术应用于医学影像诊断中，是医疗领域人工智能应用最为广泛的场景。人工智能医学影像得以率先爆发与落地应用，主要是由于影像数据的相对易获取性和易处理性。相比于病历等跨越三五年甚至更长时间的数据积累，影像数据仅需要单次拍摄，几秒钟即可获取，一张影像片子即可反映病人的大部分病情状况，成为医生确定治疗方案的直接依据。医学影像庞大且相对标准的数据基础，以及智能图像识别等算法的不断进步，为人工智能医疗在该领域的落地应用提供了坚实基础。
具体而言，医学影像诊断主要依托图像识别和深度学习这两项技术。依据临床诊断路径，首先，将图像识别技术应用于感知环节，对非结构化影像数据进行处理和分析，提取有用信息；其次，利用深度学习技术，将大量临床影像数据和诊断经验输入人工智能模型，使神经元网络进行深度学习训练；最后，基于不断验证与打磨的算法模型，进行影像诊断智能推理，输出个性化的诊疗判断结果。
从落地方向来看，人工智能主要解决3种影像需求：第1种是病灶识别与标注，针对X射线影像（也称X影像或X线片）、计算机断层扫描（Computed Tomography，CT）影像（也称CT片）、磁共振成像（Magnetic Resonance Imaging，MRI）影像等医学影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶，帮助医生发现肉眼难以发现的病灶，降低假阴性诊断发生率，提高医生诊断效率；第2种是靶区自动勾画与自适应放疗，针对肿瘤放疗环节进行影像处理，帮助影像科医生对200～450张CT影像进行自动勾画，时间缩短到30分钟一套，在患者15～20次上机照射过程中不断识别病灶位置变化以达到自适应放疗，减少射线对患者健康组织的辐射与伤害；第3种是影像三维重建，基于灰度统计量的配准算法和基于特征点的配准算法，解决断层图像配准问题，有效节约配准时间，在手术环节有重要应用。
从落地情况来看，目前中国人工智能医学影像产品主要应用在疾病筛查方面，以肿瘤和慢性疾病领域为主。其中，肺癌和眼底筛查领域介入企业最多，近两年乳腺癌也成为热门布局领域之一。此外，不同企业针对客户群体也有所差别，除三甲医院和基层医院外，也有面向C端和保险公司等的产品。
1.3.3 健康管理
将人工智能技术应用到健康管理的具体场景，通常与互联网医疗紧密结合，被视为互联网医疗的深化发展阶段。目前，人工智能技术主要应用于风险识别、虚拟护士、精神健康、移动医疗、可穿戴设备等健康管理领域。
人工智能可实现精准健康管理。从技术驱动的角度看，人工智能能通过高效的计算和精准的决策分析，使个性化健康管理成为可能，推动健康管理的精准化，甚至未来营养师和运动专家可以基于人工智能系统生成精准健康干预方案，并探究数据背后的学科逻辑。
例如，日本就将医疗健康管理和护理作为结合人工智能的突破口，旨在缓解本国严重的老龄化问题带来的压力。借助各种智能设备，如智能马桶可以对尿液与粪便进行自动监测与检测，结合人工智能的健康管理系统，不仅能实时地掌握健康状况，同时还能推演出潜在的健康问题。我国的人工智能健康管理产业起步较晚，但随着各种检测技术（如可穿戴设备、基因检测等）的发展，伴随着物联网大环境的促进，当前健康管理市场正在进入一个高速发展阶段。
尽管可穿戴设备产业之前已经发展了十多年，但一直没有获得足够的市场认同，其中两大核心制约要素就是硬件与软件。所谓的硬件，就是可穿戴设备产品本身，不论是传感器还是其他的监测技术，其针对人体健康指标的健康精密度都还存在着优化的空间。所谓的软件，就是基于可穿戴设备所采集的大量健康数据，我们需要借助人工智能的健康管理系统，才能构建实时的健康管理效果，否则可穿戴设备就只能停留在运动计步等初级运动数据的监测，难以进入真正的健康管理领域。不过可以预见的是，在人工智能医疗技术的突破之下，可穿戴设备产业拥有更加广阔的发展前景。尤其是在健康管理领域，可穿戴设备是不可或缺的实现载体。
1.3.4 药物研发
药物研发主要包括药物发现、临床前研究、临床研究及审批上市4个阶段。目前，药物研发的核心困难在于研发过程中存在诸多不确定性因素，如靶点有效性、模型有效性等问题，需要通过大量实验予以确认。而在药物研发过程中引入人工智能技术，利用深度学习技术对分子结构进行处理和分析，在不同研发环节建立拥有较高准确性的预测系统，可以减少各个研发环节的不确定性，从而缩短研发周期，降低试错成本，提高研发成功率。
在新冠疫情期间，通过大数据处理、机器学习、深度学习等技术，人工智能在药物研发领域发挥了重要作用，这些应用主要集中在靶点发现、疾病网络构建和药物筛选等方面。
1.人工智能技术在智能药物研发中的优势
基于大语言模型人工智能技术的不断发展，将会加速人工智能在医疗领域的应用，其中智能药物研发必然是不可或缺的环节。人工智能技术在智能药物研发中主要有以下3个方面的优势：
首先是加速研发。传统的药物研发需要耗费大量的时间和人力、物力，而人工智能技术可以通过对海量数据的分析和挖掘，加快药物筛选和优化的过程，并且可以针对疾病配对出更加有效的药物，就能在最大程度上缩短研发时间，降低研发成本。
其次是提高成功率。人工智能技术可以通过对疾病与药物数据的深度学习和模式识别，发现和分析隐藏在数据中的规律和特征，包括对不同药物分子的合成模拟配对，最大程度地提高药物研发的准确性与成功率。
最后是提高效率。通常的药物研发需要处理大量的数据、实验和信息，而人工智能技术通过自动化的算法和模型，不仅可以对数据进行准确、快速的处理和分析，同时还可以模拟推演各种配对结果，让实验从实验室走向人工智能虚拟实验，从而提高研发效率。
2.人工智能技术在智能药物研发中的局限性
目前，人工智能技术在智能药物研发中还存在一些局限性，主要体现在以下3个方面。
一是数据不足。人工智能驱动下的智能药物研发，显然需要基于大量的数据和信息，但是目前可用的数据仍然相对有限，不论是临床疾病的数据，还是药物数据库的信息，这在很大程度上限制了人工智能技术在药物研发领域的应用。
二是算法不完善。尤其是在没有大语言模型技术之前，人工智能的算法技术更像是数据统计分析，而不具备自研发的能力。但随着大语言模型技术的突破，基于人工智能药物研发的算法技术将会在最大程度上获得优化。
三是涉及伦理和法律问题。人工智能技术的应用涉及一些伦理和法律问题。一方面是数据隐私保护与数据安全等方面的问题；另一方面则是人工智能技术驱动下的药物研发，需要相对应的监管与审批流程，尤其是一些临床测试环节在借助人工智能技术获得了模拟与优化之后。
但总的来说，借助人工智能技术优化药物研发，并推动药物研发、监管、审批等体系的变革与优化，以及借助人工智能技术实现快速、高效、精准、个性化药物配对、研发、生产、治疗的时代正在到来。
1.3.5 疾病预测
对公共卫生领域来说，人工智能技术的疾病预测无疑具有重要意义。传染病防控是目前人工智能在疾病预测领域的最大应用场景，人工智能主要在传染病暴发预测、传播与溯源排查、发展趋势预测等方面发挥作用。
（1）在传染病暴发预测方面，利用网络爬虫技术、自然语言处理技术及其他人工智能技术，持续收集并分析全球范围内关于疾病和重大公共卫生事件的新闻、报告、评论和搜索引擎指数，从海量数据中过滤并提取有效信息，对关键信息进行智能化分析，可对传染病暴发做出可能性预测。
（2）在传染病传播与溯源排查方面，利用深度学习技术，根据出行轨迹流动信息、社交信息、消费信息、暴露接触史等大量数据进行科学建模，结合感染者确诊时间及其密切接触者的空间位置信息确定可能存在交叉感染的时间点与具体传播路径，为传染病溯源分析提供可靠依据。
（3）在传染病发展趋势预测方面，基于高危人群感染数据，结合新增确诊病例、疑似病例、死亡病例与治愈病例数等，借助传播动力学模型、动态感染模型、回归模型等大数据分析模型，人工智能技术可以对发病热力分布与密切接触者的风险热力分布进行分析与展示，并对疫情峰值与拐点等重要趋势进行研判。
在新冠疫情期间，基于人工智能技术的创新防疫应用在各地相继落地。在韩国，基于地理位置和行动轨迹的大数据信息平台成为控制病毒传播的重要工具，当人们靠近疫情危险区时，会自动收到危险报警。在美国加州，科学家研发出针对易感者的健康预警系统，能够远程监控包括独居老人在内的易感人群的身体健康状况，起到传染病预警作用。在我国，人工智能在无接触式体温检测、社区居民健康快速筛查、疫情宣教、流行病学数据采集与应用、智慧化管理平台建设等方面展开应用。
从2022年底到2023年，聊天机器人程序ChatGPT火遍全网。推出才两个月时，ChatGPT月活跃用户数就已经突破1亿，成为互联网历史上用户数增长最快的消费应用。而当初，抖音海外版TikTok在全球发布后，花了大约9个月的时间才达到这个成绩。作为人工智能领域的“顶流”产品。ChatGPT的出现进一步加速了人工智能在医疗领域的落地，并展现出令人兴奋的应用前景。
1.4.1 ChatGPT是个啥？
ChatGPT是OpenAI发布的最新一代的AI语言模型，是自然语言处理（Natural Language Processing，NLP）中一项引人瞩目的进展。这个当今最火爆的AI语言模型，与过去那些智能语音助手的回答模式有很大的不同，ChatGPT出人意料地聪明。与当前的一些人工智能客服相比，ChatGPT真正走向了人工智能，有了我们期待的模样。很多人形容它是一个真正的“六边形战士”——不仅能聊天、搜索、做翻译，还能撰写诗词、论文、代码，甚至能开发小游戏、参加考试、干科研、当医生等。外媒评论称，ChatGPT会成为科技行业的下一个颠覆者。
GPT的英文全称为Generative Pre-trained Transformer（生成式预训练转换器），是一种基于互联网的、可用数据来训练的、文本生成的深度学习模型。ChatGPT“脱胎”于OpenAI在2020年发布的GPT-3。
GPT-3刚问世时，也曾引起相似的轰动。当时，GPT-3也展示出了答题、翻译、写文章，甚至数学计算和编写代码等多种能力。由GPT-3所写的文章几乎达到了以假乱真的地步。GPT-3被认为是当时最强大的语言模型，甚至在当时有网友评价GPT-3“无所不能”。
但现在，ChatGPT所表现出来的能力比GPT-3还要强大，可以说是智商、情商都在线。ChatGPT不仅能进行天马行空的长对话，可以回答问题，还能根据人们的要求撰写各种书面材料，如商业计划书、广告宣传材料、诗歌、笑话、计算机代码和电影剧本等，甚至还可以进行化学用品的模拟研发。简单来说，就是ChatGPT具备了类人的逻辑、思考与沟通的能力，并且它的沟通能力在一些领域表现得相当惊人。
文学创作对ChatGPT而言，更是不在话下。例如，给ChatGPT一个主题，它就可以写出小说框架。我们让ChatGPT以“AI改变世界”为主题写一个小说框架，ChatGPT就能清晰地给出故事背景、主要角色、故事情节和结局。若觉得小说框架还不够完整，则可对ChatGPT进行适当提醒，ChatGPT就能在“调教”之下，继续回答，补充完整。ChatGPT已经具备了一定的记忆能力，能够进行连续对话。有用户体验之后评价称，“ChatGPT的语言组织能力、文本水平、逻辑能力，可以说已经令人惊艳了”。甚至已经有用户打算把日报、周报、总结这些文字工作，交给ChatGPT来辅助完成了。
普通的文本创作，只是最基本的。ChatGPT还能给程序员的代码找Bug（Bug指的是计算机程序中出现的错误，也可以称为缺陷、故障或漏洞）。一些开发者在试用中表示，ChatGPT针对他们的技术问题提供了非常详细的解决方案，比一些搜索软件的回答还要靠谱。美国代码托管平台Replit的首席执行官Amjad Masad在推特上发文称，ChatGPT是一个优秀的“调试伙伴”，“它不仅解释了错误，而且能够修复错误，并解释修复方法”。
ChatGPT还敢于质疑不正确的前提和假设，主动承认错误，主动拒绝一些无法回答的问题和不合理的问题，提升了对用户意图的理解，提高了答题结果的准确性。
在医学领域，美国《科学公共图书馆·数字健康》杂志在2023年2月9日刊载论文称，ChatGPT在没有经过专门训练或加强学习的情况下就能通过或接近通过美国执业医师资格考试（United States Medical Licensing Examination，USMLE）。此外，ChatGPT还在考试中表现出高度的一致性和洞察力。这些结果表明，基于大语言模型的人工智能技术，可能有辅助医学教育，甚至临床诊疗、决策的潜力。
1.4.2 比ChatGPT更强大的版本
ChatGPT的强悍已经让人们足够震惊，而ChatGPT的下一代——GPT-4则让人们进一步感受到，人工智能带来的颠覆或许真的要来了。
事实上，ChatGPT其实只是OpenAI匆忙推出的测试品。据美国媒体报道，2022年11月中旬，OpenAI员工被要求快速上线一款聊天机器人。一位高管称，该聊天机器人将被称为“Chat with GPT-3.5”，两周后将免费向公众开放。这与原本安排不符。近两年，OpenAI一直在开发名为“GPT-4”的更强大语言模型，并计划于2023年发布。2022年，GPT-4还在进行内部测试和微调，做好上线前准备。但OpenAI的高管改变了主意。由于担心竞争对手可能会在GPT-4之前抢先发布自己的AI聊天机器人超越他们，因此，OpenAI拿出了2020年推出的旧语言模型GPT-3的强化版本GPT-3.5，在此基础上进行了微调。这才有了新款聊天机器人ChatGPT的诞生。
与ChatGPT的匆忙发布不同，GPT-4是有所准备的结果。根据网传的消息，GPT-4早在2022年8月就训练完成了。之所以到2023年3月才面市，是OpenAI需要花6个月的时间让它变得更安全。而图像识别、高级推理、强大的文本处理能力，是GPT-4的三大特点。
（1）就图像识别功能来说，GPT-4可以分析图像并提供相关信息。例如，它可以根据食材照片来推荐食谱，为图片生成图像描述和图注等。但是，出于对潜在滥用的担忧，OpenAI推迟了图像描述功能的发布。也就是说，GPT-4的图像输入功能还处于尚未公开的预览阶段，目前仅能在OpenAI的直播中观看效果。
（2）就高级推理功能来说，GPT-4能够针对3个人的不同情况做出一个会议的时间安排，回答存在上下文关联性的复杂问题。GPT-4甚至可以讲出一些质量不怎么样、模式化的冷笑话。虽然并不好笑，但至少，它已经开始理解“幽默”这一人类特质了。要知道，AI的推理能力，正是AI向人类思维慢慢进化的标志。
（3）就文本处理能力来说，GPT-4能够处理超过2.5万个单词的文本。GPT-4在文本处理能力上是ChatGPT的8倍，并可以用所有流行的编程语言写代码。其实，在随意谈话中，ChatGPT和GPT-4之间的区别是很细微的。但是，当任务的复杂性达到足够的阈值时，差异就出现了，GPT-4比ChatGPT更可靠，更有创意，并且能够处理更细微的指令。
GPT-4还能以高分通过各种标准化考试：GPT-4在模拟律师考试中的成绩超出90%的人类考生，在俗称“美国高考”的SAT（Scholastic Aptitude Test）阅读考试中超出93%的人类考生，在SAT数学考试中超出89%的人类考生。而同样面对律师资格考试，ChatGPT背后的GPT-3.5排名在倒数10%左右，而GPT-4考到了前10%左右。
1.4.3 GPT-4意味着什么？
自人工智能诞生以来，科学家们就在努力实现通用AI。而所谓的通用AI，其实就是指应对多种甚至泛化问题的人工智能技术。通用AI将拥有在事务中推理、计划、解决问题、抽象思考、理解复杂思想、快速学习和从经验中学习的能力，能够像人类一样轻松地完成所有这些事情。ChatGPT和GPT-4的成功证明了大模型路线的有效性，这直接打开了通用AI发展的大门，让AI终于完成了从0到1的突破，开启了真正的AI时代。
ChatGPT和GPT-4的成功，根本原因其实是技术路线的成功。在OpenAI的GPT模型之前，人们在进行自然语言处理时，都用的是循环神经网络（Recurrent Neural Network，RNN），然后再加入注意力机制（Attention Mechanism）。所谓注意力机制，就是想将人的感知方式、注意力的行为应用在机器上，让机器学会去感知数据中的重要和不重要的部分。例如，当我们要让AI识别一张动物图片时，最重要该关注的地方就是图片中动物的面部特征，包括耳朵、眼睛、鼻子、嘴巴，而不用太关注背景的一些信息。注意力机制核心的目的就在于希望机器能在很多的信息中注意到对当前任务更关键的信息，而对于其他的非关键信息就不需要太多的注意力侧重。换言之，注意力机制让AI拥有了理解的能力。
但RNN+Attention会让整个模型的处理速度变得非常慢，因为RNN是一个词一个词处理的。所以，才有了2017年谷歌大脑团队的那篇名为“Attention Is All You Need”（《自我注意力是你所需要的全部》）的论文的诞生。简单来说，这篇论文的核心就是“不要RNN，只要Attention”。而这个没有RNN只有Attention的自然语言模型就是Transformer，也就是今天ChatGPT能够成功的技术基础。这个只有Attention的Transformer模型不再是一个词一个词的处理，而是一个序列一个序列的处理，可以并行计算，所以计算速度大大加快，一下子让训练大模型、超大模型、巨大模型、超巨大模型成为可能。
于是，OpenAI在一年之内开发出了第一代GPT，第一代GPT在当时已经是前所未有的巨大语言模型，具有1.17亿个参数。而GPT的目标只有一个，就是预测下一个单词。如果说过去的AI是遮盖句子中的一个词，让AI根据上下文“猜出”那个词，进行完形填空，那么GPT要做的，就是要“猜出”后面一堆的词，甚至形成一篇通顺的文章。事实证明，基于Transformer模型和庞大的数据集，GPT做到了。
特别值得一提的是，在GPT诞生的同期，还有另一种更火的语言模型，那就是BERT。BERT是谷歌基于Transformer模型做的语言模型。BERT是一种双向的语言模型，通过预测屏蔽子词——先将句子中的部分子词屏蔽，再令模型去预测被屏蔽的子词——进行训练，这种训练方式在语句级的语义分析中取得了极好的效果。BERT模型还使用了一种特别的训练方式——先预训练，再微调。这种方式可以使一个模型适用于多个应用场景。这使得BERT模型刷新了11项NLP任务处理的纪录。在当时，BERT直接改变了自然语言理解（Natural Language Understanding，NLU）这个领域，引起了多数AI研究者的跟随。
面对BERT的大火，GPT的开发者们依然选择了坚持做生成式模型，而不是去做理解。于是，就有了后来大火的GPT-3、ChatGPT和GPT-4。
从GPT-1到GPT-4，OpenAI做了两年多时间，用大力出奇迹的办法证明了大模型的可行性，参数从1.17亿个飙升至1.8万亿个甚至更多，也似乎证明了参数越多，AI能力越强。
在这样的模型下，开放端口给专业领域的组织合作，以GPT-4的学习能力，再结合参数与模型的优化，将很快在一些专业领域成为专家级水平。
人类发展到今天，已经从世界历史中吸收了大量数据，这些数据以不可估量的方式改变了人类大脑中的神经连接。就像我们人类的思考和学习一样，人工智能研究的大语言模型也能够做类似的事情，并有效地引导它们自己的智能。
当GPT-4广泛地开放给大众使用后，数以亿计的人涌入与GPT-4进行互动，GPT-4就将获得庞大又宝贵的数据。于是，凭借着比人类更为强大的学习能力，GPT-4的学习与进化速度正在超越我们的想象。未来，借助各种国际科研期刊与科研资料，AI就能基于这些前沿研究来为科学家的科研提供分析、建议、模型、推演，甚至可以进行模拟科研的推演。
而一旦我们将人类社会所沉淀的医疗数据信息开发给GPT进行训练，基于GPT的人工智能医生在常规与标准化的诊疗方面超越我们人类医生，将是指日可待的事情。
1.4.4 ChatGPT进军医疗
ChatGPT是Transformer、基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）和GPT等相关技术发展的集大成者。它可以被理解为NLP领域的结晶，也可以被理解为通过深度学习，进而理解文本，同时生成类似于人类所创造文本的人工智能模型。ChatGPT强悍的性能令世界震惊，在ChatGPT的热潮席卷各行各业之时，它也来到了医疗行业。
例如，美国执业医师资格考试以难度大著称，而美国研究人员测试后却发现，聊天机器人ChatGPT无须经过专门训练或加强学习就能通过或接近通过这一考试。参与这项研究的研究人员主要来自美国医疗保健初创企业安西布尔健康公司（AnsibleHealth）。他们在美国《科学公共图书馆·数字健康》杂志刊载的论文中说，他们从美国执业医师资格考试官网2022年6月发布的376个考题中筛除基于图像的问题，让ChatGPT回答剩余的350道题。这些题类型多样，既有要求考生依据已有信息给患者下诊断这样的开放式问题，也有诸如判断病因之类的选择题。两名评审人员负责阅卷打分。结果显示，在3个考试部分，去除模糊不清的回答后，ChatGPT得分率在52.4%至75%之间。而得分率在60%左右即可视为通过考试。其中，ChatGPT有88.9%的主观回答包括“至少一个重要的见解”，即见解较新颖、临床上有效果且并非人人能看出来。研究人员认为，“在这个出了名难考的专业考试中达到及格分数，且在没有任何人为强化（训练）的前提下做到这一点”，这是人工智能在临床医学应用方面“值得注意的一件大事”，显示“大语言模型可能有辅助医学教育，甚至临床决策的潜力”。
除通过医考外，ChatGPT的问诊水平也得到了业界的肯定。《美国医学会杂志》（ The Journal of the American Medical Association ， JAMA ）发表研究性简报，针对以ChatGPT为代表的在线对话人工智能模型在脑血管疾病预防建议方面的使用合理性进行探讨，表示ChatGPT具有辅助临床工作的潜力，有助于加强患者教育，减少医生与患者沟通的壁垒和成本。
过程中，根据现行指南对脑血管疾病三级预防保健建议和临床医生治疗经验，研究人员设立了25个具体问题，涉及疾病预防概念、风险因素咨询、检查结果和用药咨询等。针对每个问题均向ChatGPT提问3次，记录每次的回答内容。每个问题的3次回答都由1名评审员进行评定，评定结果分为“合理”、“不合理”或“不靠谱”。3次回答中只要有1次回答有明显的医学错误，可直接评定为“不合理”。结果显示，ChatGPT回答的合理概率为84%（21/25）。仅从这25个问题的回答来看，在线对话人工智能模型回答脑血管疾病预防问题的结果较好，具有辅助临床工作的潜力。
显然，ChatGPT与其他人工智能工具不同。事实上，它很像医生解决问题的方式：从一个大型数据库开始（对医生来说，数据来自课堂、已经发表的研究和专业经验；对ChatGPT来说，数据是数字出版材料的总和），医生会回忆或查找符合病人症状的相关信息，ChatGPT则使用大量参数来精确定位合适的文本。
当然，ChatGPT在医疗场景中的应用远不止于此。GPT是一项极具韧性的技术，它本身可以有非常多的应用，只要稍经改动便可以迁移到其他领域，同时产生良好的结果。尽管当前ChatGPT主要应用于文本对话领域，但未来融合语音、文本、图像信号的多模态交互技术可能会成为未来行业研究的热点方向。全球最快的图像生成应用Stable Diffusion便是一个成功的应用案例。Stable Diffusion可以通过文字描述生成图片，实现1秒出图。如果在医学影像AI上能够应用类GPT技术，通过建立起文本与图像之间的联系，反过来将图像上的关键信息转换为准确的文字信息，那么或许能进一步提升医生检测效率和检测能力。
从医学教育的过程来看，医学生和住院医生是通过结合教科书、期刊论文、课堂指导和观察熟练的临床医生来学习医疗技能的。而以ChatGPT为代表的AI大模型也能够遵循同样的方法。一旦ChatGPT连接到床边的病人监护系统，就可以访问实验室数据并听到医患之间的互动，该应用程序将开始预测最佳的一系列临床步骤。每次ChatGPT将这些决定与电子健康记录中的临床记录和主治医生的指令进行比较时，它都会学习和改进。大一的医学生需要经过十年以上时间的教育和培训才能技术娴熟。未来几代的ChatGPT将在几个月或更短的时间内完成这一过程。随着时间的推移，ChatGPT将不断改进并解决越来越复杂的医疗问题。
随着人工智能技术的加速成熟，人工智能在医疗领域的应用场景不断丰富，为疾病检测、诊断及治疗模式带来深刻变革，为提升居民健康质量提供新方式。不过，一直以来，医疗AI的商业化难题也限制着医疗AI的进一步发展。而今天，对也曾经历波峰的医疗AI而言，ChatGPT和GPT-4的成功无疑是一个绝佳的机会。
1.5.1 医疗AI的起落
1.医疗AI的发展
事实上，很早之前，医疗AI就已经启动。
（1）1978—2013年是医疗AI的萌芽阶段，我国开始进行医疗AI领域的研究开发，整体以临床知识库为主。1978年，“关幼波肝病诊疗程序”的开发被认为是我国首次将医学专家系统应用到传统中医领域。此后，“中国中医治疗专家系统”“林如高骨伤计算机诊疗系统”“中医计算机辅助诊疗系统”等医疗AI雏形产品相继涌现。
（2）2014—2019年是医疗AI的起步阶段。2014年以来，我国医疗AI领域创投热度持续升温，2018年投资案例数达到近年来最多，有197起。2018年，HC3i盘点了超过120家中国医疗AI初创企业，应用场景覆盖医学影像、辅助诊断、健康管理、药物挖掘等八大领域。同时期，外媒也曾列举过105家医疗AI初创企业，其中包括IBM、谷歌等投资的企业。我国人工智能技术加速突破，AI医学影像厂商阵营逐渐壮大，人工智能技术在新药研发、基因检测等领域的融合不断加深，新产品相继问世。头部厂商凭借技术、资源等优势逐步构筑竞争壁垒。
（3）2020年至今，医疗AI则进入商业化探索阶段。2020年1月，第一张医疗AI产品三类证落地颁发，2020年医疗AI行业合计落地10张国家药品监督管理局（National Medical Products Administration，NMPA）三类证，开启医疗AI商业化元年。2021年，科亚方舟、推想医疗、数坤科技等企业相继递交招股书，医渡科技、鹰瞳科技正式登陆港交所，医疗AI开始进入商业化探索阶段。
2.AI在医疗场景落地面临的商业化困境
在我国，虽然医疗AI近年来被资本热捧，单是2020年一年，医疗AI领域的投资就高达64亿元，但是资本热捧改变不了AI在医疗场景落地面临的商业化困境。究其原因，首先，系统标准化程度低。经历了30多年的发展，医院信息系统（Hospital Information System，HIS）逐渐迭代完善，走到今天，受到不同历史时期技术的限制及不同体系医院需求的影响，各厂商版本均有不同程度的差异，每家医院的HIS都是不完全一样的。对于医疗AI产品，进医院的第一步就是先搞清楚每家医院的HIS，包括功能、流程和数据，再进行有针对性的开发。而这个过程耗时、费力，而且难度很大，需要医疗AI产品厂商消耗大量的人力成本和时间成本，弥合这个历史带来的必须要面对的行业现状。其次，数据标准化程度低。近年来，医院开始推进互联互通，搭建数据中心，渐渐开始重视数据治理工作。然而，一千家医院有一千种数据管理方式、数据存储结构、数据呈现方法，结果拿到的数据有不同的存储格式、架构和标准，数据一致性、完整性和准确性都很难保证。最后，交付能力弱，这也是最重要的原因所在。而导致交付能力弱的根本原因，还是在于人工智能依然停留在智能不智的层面。显然，随着人工智能技术的普及发展，人工智能不再需要诺贝尔奖级别的创新，而需要将现有的技术产品化、商业化，创造出真正的价值。但由于部分人工智能企业及媒体传播的夸大，导致人工智能仍然青涩的能力在某些领域存在被夸大的情况。
市场对人工智能寄予过高的期望，而实际的产品体验却往往欠佳。人们对人工智能能力、易用性、可靠性、体验等方面的要求都给当前的人工智能技术带来了更多的挑战。
目前，人工智能能够真正商业化处理的还只是对数据或信息的归类、识别，以及一些简单特定问题的机器回复。例如，以交通事故来说，在全程监控的道路上发生交通事故，人工智能需要的是能够读懂交通法规，依据全程录制的行车与道路情况做出识别，并依据交通法规做出判定，这样的人工智能才是人工智能应该有的样子。又如，虽然各种在线平台都推出了人工智能客服，但是现在这种人工智能客服更直观的理解是标准化问题的程序主动回复，超出标准化的问题，人工智能客服就不再智能，而需要人工。
当前的人工智能高度依赖数据，但数据积累、共享和应用的生态仍然比较初级，这直接阻碍着人工智能部分应用的实现。此外，人工智能作为一种新的技术，在市场上的应用无疑需要长期与实体世界和商业社会进行磨合，避免意外的情况发生。
1.5.2 破局之路，行则将至
医疗AI苦于商业化难题久矣，ChatGPT的成功无疑是一个机会。ChatGPT具有强大的信息整合能力和语言组织能力，并具有接近于人类的常识、认知和价值观，这都让用户更愿意接纳它。以ChatGPT和GPT技术为代表的AI大模型，将为医疗AI提供了新的机遇和突破口，推动医疗AI进入全新的智能阶段。
首先，医院将成为未来医疗AI应用最为广泛的领域之一。未来，随着通用AI大模型的发展和应用，医疗AI将更好地为医院提供智能化服务和支持。医疗AI将会对医院的工作流程、医疗质量和工作效率产生重要影响。医疗AI可以大大提高医院的工作效率。例如，医疗AI可以通过自动化诊断流程减轻医生的工作负担，提高医生的工作效率。医疗AI还可以提高医院的医疗质量。通过分析大量的医疗数据和知识，医疗AI可以为医生提供更准确的诊断和治疗建议。此外，医疗AI还可以为医院提供智能化的管理和监控服务，帮助医院更好地管理和控制医疗过程，从而提高医院的管理效率和医疗质量。
其次，医疗AI将给健康管理注入新的活力。未来，随着通用AI大模型的发展和应用，医疗AI将在健康管理中发挥更为重要的作用。医疗AI可以通过分析个人的健康数据和行为，为健康管理提供更为智能和个性化的服务与支持。在今天，很多人患有两种或两种以上的慢性疾病，这些疾病每天都影响着他们的健康。这些患者需要的是持续的日常监测和护理。但传统的面对面医疗体系并没有为他们提供这种服务。这就是未来人工智能可以发挥巨大作用的地方。未来，被改进过的GPT技术的加入，将能够全天候监测患者，并提供持续的医疗专业知识。这将有助于预防心脏病、高血压和糖尿病等慢性疾病，并最大限度地减少致命的并发症。GPT技术可以与可穿戴设备和支持性消费技术同步，提供全天候监控，也可以将可穿戴设备的读数与每个患者的医生预先设定的预期范围进行比较，从而在出现问题时向患者和医生发出警报。另外，GPT技术还能提醒在家的患者何时应该进行预防性筛查、补充药物或每日锻炼。
再次，药物研发是医疗AI应用的另一个重要领域。未来，随着通用AI大模型的发展和应用，医疗AI将在药物研发中发挥更为重要的作用。医疗AI可以通过分析大量的医疗数据和知识，为药物研发提供更加准确和高效的方法和工具。医疗AI可以通过分析大量的医疗数据，发现疾病发展规律和治疗方法的关联，从而为新药研发提供更准确的方向和思路。医疗AI还可以通过模拟和仿真技术，加速新药研发的进程。此外，医疗AI还可以为药物临床试验提供更加准确和高效的方法和工具，从而提高临床试验的效率和成功率。
最后，医疗AI还可以为医学教育提供全新的学习方式和教学工具。医疗AI可以通过智能化的学习和教育方式，帮助医学生更好地掌握医学知识和技能。医疗AI可以为医学生提供智能化的学习辅助工具。例如，医疗AI可以通过自然语言处理技术，帮助学生更好地理解医学文献和知识；医疗AI还可以通过模拟和虚拟现实技术，为学生提供更真实的医学实践环境，帮助学生更好地掌握医学技能和操作技巧。医疗AI还可以为医学生提供智能化的评估和反馈服务，帮助学生了解自己的学习情况和不足之处，从而更好地提高自己的医学水平。
ChatGPT就像一道火光闪过，让人们重新审视AI技术，并学会如何与之进行对话。ChatGPT也为医疗AI提供了方向指引，ChatGPT对医疗AI的颠覆，是综合而又全面的，是从医疗到医药、从诊断到治疗的全过程的颠覆。