“如果要(yao)在(zai)‘我’和‘你’之间填(tian)空(kong)，应该怎么(me)填(tian)？在(zai)武侠(xia)小(xiao)说里可能(neng)‘打’出现得比较多，而(er)在(zai)爱情小(xiao)说里可能(neng)‘爱’出现得多。语言大模型(xing)可以预测在(zai)不同语境中，填(tian)哪个字的可能(neng)性最(zui)高(gao)。”上海达(da)威科技创始人朱代辉介绍道。

在(zai)目前大模型(xing)广泛采用的Transformer架构中，输入(ru)的文本会被转化成数学向量的形式，词与词的关联概率可以用向量距离来度量。模型(xing)比较这些向量，计(ji)算出它们之间的“注意力权重”，从而(er)确定哪些词对当(dang)前词更重要(yao)，这就是“自注意力”（Self-Attention）算法机制。

“这种机制允许模型(xing)在(zai)处(chu)理序列数据时，同时考虑所有位置的信息，动态地决(jue)定哪些信息更重要(yao)。”朱代辉说。为了(le)让模型(xing)在(zai)不同的上下文中捕(bu)捉不同的信息，Transformer模型(xing)会将注意力权重维度分成多组同时计(ji)算，每组关注序列中的不同部分，最(zui)后(hou)的结果会被合并。这种“多头注意力”（Multi-Head Attention）机制能(neng)帮助模型(xing)从多个角度理解句子。

这些注意力权重随后(hou)会被输入(ru)“前馈神经网络”（Feed-Forward Neural Network）中进行(xing)计(ji)算。这种神经网络模型(xing)由多层对应数据特征的节点构成，它能(neng)够(gou)帮助模型(xing)对数据进行(xing)“深度学习”，发现其中更复杂的模式。

这些模块层层堆叠(die)，产生大量参数来描述数据。通过调整，这些模型(xing)不止(zhi)能(neng)够(gou)学习语言，还能(neng)够(gou)学习图像、音(yin)频乃至DNA序列、蛋白(bai)质结构等不同模态的数据，将它们进行(xing)统一表示。当(dang)参数和数据量达(da)到一定规模时，模型(xing)就仿佛“开窍”一般，涌现出分类、预测、生成的能(neng)力。

要(yao)达(da)到这种效果需要(yao)耗费大量的数据和算力成本。专注于应用的开发者(zhe)可以选(xuan)择在(zai)这些已经具(ju)备一定认知能(neng)力的通用大模型(xing)基础上进行(xing)算法和数据的调整，开发适(shi)用于特定任务的专业大模型(xing)。

联合利华数据AI总(zong)监、计(ji)算生物(wu)学博士杨(yang)荟(hui)介绍了(le)Biobert、SCGPT、Evo等多款生命科学和医学领域的大模型(xing)，可以用于基因、蛋白(bai)质等多组学信息的整合、药物(wu)靶点发现与分子设计(ji)、医学图像分析等场景。

能(neng)看文献，能(neng)做(zuo)研究，也能(neng)诊断

杨(yang)荟(hui)提到，大模型(xing)已经成为辅助生命科学和医学研究的得力助手。

“一天我看到家(jia)里的塑料(liao)袋(dai)被一些虫子分泌的物(wu)质所腐蚀，突然来了(le)灵感，就通过Chatgpt的Deep research（深度研究）功能(neng)询问有没有昆虫分泌蛋白(bai)质降解塑料(liao)的研究。AI最(zui)后(hou)帮我找到了(le)西班牙(ya)的一项研究，其中发现一种飞蛾幼虫能(neng)分泌两种能(neng)够(gou)降解塑料(liao)的蛋白(bai)质。”他说。

随后(hou)，杨(yang)荟(hui)通过AI提供的资料(liao)找到了(le)这两种蛋白(bai)质在(zai)数据库中的信息。“其中一种已经被解析，而(er)且可以看到实际结果与蛋白(bai)质结构预测AI给出的结果很(hen)接近。”

一名开发者(zhe)还介绍了(le)一款在(zai)医学和生物(wu)领域相(xiang)当(dang)流(liu)行(xing)的AI产品“txyz”。这款基于Chatgpt开发的平台能(neng)够(gou)帮助用户快(kuai)速查找和精(jing)读(du)论文，或是根据论文形成准确的综合性回答，帮助科研人员快(kuai)速获取知识。

AI大模型(xing)快(kuai)速“理解”文献的能(neng)力还可以用于从海量论文中提取关于生命和疾病(bing)规律(lu)的关键结论，比如药物(wu)作用的靶点、疾病(bing)机制等，然后(hou)再用这些信息和其它实验数据去建立能(neng)够(gou)预测生命和疾病(bing)活动的模型(xing)。这被一些人称为生命的“数字孪生”（digital twin）。

“近年(nian)来尽管科技进步了(le)，数据也越(yue)来越(yue)多，药物(wu)研发的成功率却在(zai)走低，主要(yao)原因是对药理机制理解的缺乏。”焕一生物(wu)的副总(zong)裁蔡俊(jun)杰告诉澎湃科技。数字孪生能(neng)够(gou)通过模拟人体对药物(wu)的反(fan)应，从病(bing)理的角度对实验结果进行(xing)预测，让药物(wu)研发少走弯路(lu)。

开源大模型(xing)性能(neng)的提升为数字孪生产品开发者(zhe)带来了(le)新的机遇。“公开数据库中有3700万篇医学文献，我们算了(le)一下，如果调用Chatgpt的接口去提取收集里面的机制和参数等知识，要(yao)花费几千万乃至上亿(yi)美元。”蔡俊(jun)杰说，“现在(zai)有了(le)性能(neng)同样强劲(jin)的开源模型(xing)Deepseek，就能(neng)显著降低成本。”

在(zai)医学诊断方面，AI大模型(xing)也正(zheng)在(zai)帮助医生提高(gao)效率，甚(shen)至取代一部分的工(gong)作。上海科莫生医疗科技有限公司的张浩曦分享了(le)他们开发的染(ran)色体核型(xing)分析AI平台。

在(zai)胚胎发育、细胞分裂时，DNA紧密压缩在(zai)一起(qi)，成为我们能(neng)观测到的染(ran)色体，它们的功能(neng)和形态正(zheng)常很(hen)重要(yao)。“50%的自然流(liu)产是由染(ran)色体异常导致(zhi)的。而(er)因为漏检等原因，在(zai)每150个新生儿中，平均有1个染(ran)色体异常，这往往意味着畸形或者(zhe)基因病(bing)，是一件很(hen)悲伤的事情。”张浩曦说。

染(ran)色体核型(xing)分析是医生排除染(ran)色体异常的主要(yao)手段。人有23对染(ran)色体，但在(zai)观测时往往不是成对出现的。在(zai)核型(xing)分析中，医生需要(yao)“看图配对”，再与正(zheng)常的染(ran)色体进行(xing)对比，看看有没有缺失、重复等异常现象。

“这个过程周期长，很(hen)枯燥，费眼睛，搞得医生也很(hen)疲劳。”张浩曦说。科莫生开发了(le)一种核型(xing)分析大模型(xing)，帮助医生进行(xing)染(ran)色体图像的自动识别、配对和分析。该产品已经拿到了(le)四川省(sheng)的二类医疗器械证。

“原先(xian)28天才能(neng)拿的染(ran)色体报告，现在(zai)在(zai)AI的辅助下1天就能(neng)出。”他说，这提高(gao)了(le)核型(xing)检测的效率，降低了(le)成本，放大了(le)医院的诊疗能(neng)力。“做(zuo)得快(kuai)了(le)，那么(me)除了(le)孕检之外，比如那些可能(neng)接触辐(fu)射的高(gao)危人群(qun)有需要(yao)的人也可以去做(zuo)。”

挑战(zhan)与风险

生命科学研究要(yao)求专业性和准确性，而(er)医学诊断更是直接关系到患者(zhe)的福祉。尽管AI大模型(xing)正(zheng)在(zai)各(ge)个应用场景中迅速落地，但其中还是存在(zai)着不少风险与挑战(zhan)，需要(yao)开发者(zhe)和政策标(biao)准制定者(zhe)共同面对和克(ke)服(fu)。

在(zai)西湖大学博士研究生燕阳眼里，AI辅助诊断还是有很(hen)多风险的：“如果问一些大模型(xing)，孕妇能(neng)用什么(me)药，它会提示四环素是可以使用的，但这个药肯定不能(neng)用。大模型(xing)不知道，是因为它没学到过。”

他介绍道，在(zai)大语言模型(xing)中，数据训练的本质是去尽可能(neng)地接近训练数据。如果数据完整、准确、质量高(gao)，那么(me)回答的质量也就高(gao)。如果前面出现错(cuo)误，就会导致(zhi)后(hou)续(xu)生成中错(cuo)误的累积，导致(zhi)答案失真。

因此(ci)，追(zhui)求更高(gao)质量的数据成为AI产品开发者(zhe)共同关注的主题。燕阳认为，很(hen)多人对生命健康领域数据的认识存在(zai)误区，导致(zhi)产品开发陷入(ru)瓶颈，乃至产生风险。

“有人觉得有海量数据就能(neng)训练好(hao)模型(xing)，数据越(yue)多模型(xing)性能(neng)越(yue)好(hao)，这是不对的。”他说。医院数据往往是非标(biao)准化的，比如医嘱、不同设备产生的检测结果等等，难以直接用来训练AI模型(xing)。有些数据缺乏标(biao)注，这些可能(neng)会导致(zhi)模型(xing)学习到的概率分布(bu)偏离真实的医学推理逻辑。

“比如说，超过90%的胸片报告只标(biao)注异常结果，正(zheng)常的话就没有标(biao)注。那AI可能(neng)会学到‘如果没有标(biao)注，则为正(zheng)常’的逻辑，这显然是不对的，会导致(zhi)误检率上升。”燕阳举例道。

由于缺乏更加(jia)完整的医学数据，有些医学AI研究可能(neng)会尝试数据“蒸馏”的方法，用ChatGPT等大模型(xing)生成数据，然后(hou)用这些数据来训练自己参数相(xiang)对较少的模型(xing)。这样做(zuo)的好(hao)处(chu)是能(neng)让小(xiao)模型(xing)逼(bi)近大模型(xing)的能(neng)力，但坏处(chu)是大模型(xing)的输出本身可能(neng)存在(zai)问题。

“由于通用的大模型(xing)往往缺少医学知识，可能(neng)导致(zhi)对罕见病(bing)等疾病(bing)的忽略。小(xiao)模型(xing)将这些倾向作为‘事实’进行(xing)学习，可能(neng)会变得‘过度自信’且容易犯错(cuo)。”他说。

燕阳认为，这些问题可以通过让数据变得更加(jia)完整和专业来解决(jue)，比如增加(jia)专家(jia)标(biao)注和更多医学知识，让AI学会“是什么(me)”和“为什么(me)”。还可以通过展示推理轨迹（CoT）等算法来完善AI的推理过程，把(ba)自相(xiang)矛盾或者(zhe)错(cuo)误的逻辑剔(ti)除出去。

国内首个AI安全研究员、美国生命未来研究所的朱小(xiao)虎告诉澎湃科技，在(zai)风险评估(gu)中，大语言模型(xing)已经展现出了(le)欺骗、避免自身毁灭、传播对人有害的信息等问题。“基于专业知识的医学模型(xing)相(xiang)对会好(hao)很(hen)多。但如果这些模型(xing)是以通用大模型(xing)为基座训练的话，底层的倾向也可能(neng)会传递到模型(xing)中。”他说。

据悉，2025全球开发者(zhe)先(xian)锋大会于2月21日至2月23日在(zai)上海举办(ban)，主题为“模塑全球，无限可能(neng)”，旨在(zai)促进人工(gong)智能(neng)产业集群(qun)的培育，推动基础大模型(xing)与算力、语料(liao)、垂(chui)类应用场景等人工(gong)智能(neng)企(qi)业深度融合，打造以开发者(zhe)为中心的开发者(zhe)节。