“如果要在‘我’和‘你’之间(jian)填空，应该怎(zen)么填？在武侠小说(shuo)里可能‘打(da)’出现得比较多，而在爱情小说(shuo)里可能‘爱’出现得多。语(yu)言大(da)模型(xing)可以预(yu)测在不同语(yu)境中(zhong)，填哪个字的可能性最高。”上海(hai)达威科技创始人(ren)朱代辉介绍道。

在目前大(da)模型(xing)广泛采(cai)用的Transformer架构中(zhong)，输入的文(wen)本会被(bei)转(zhuan)化成数学(xue)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，计算出它们之间(jian)的“注意力权(quan)重”，从而确定哪些词对当前词更重要，这就是“自注意力”（Self-Attention）算法机制。

“这种机制允许模型(xing)在处理序列数据时，同时考虑所有位置的信息，动态地决(jue)定哪些信息更重要。”朱代辉说(shuo)。为了让模型(xing)在不同的上下(xia)文(wen)中(zhong)捕捉不同的信息，Transformer模型(xing)会将注意力权(quan)重维度分成多组同时计算，每组关注序列中(zhong)的不同部分，最后的结果会被(bei)合并。这种“多头(tou)注意力”（Multi-Head Attention）机制能帮(bang)助模型(xing)从多个角度理解句子。

这些注意力权(quan)重随后会被(bei)输入“前馈神(shen)经网(wang)络”（Feed-Forward Neural Network）中(zhong)进行计算。这种神(shen)经网(wang)络模型(xing)由多层对应数据特征的节点构成，它能够帮(bang)助模型(xing)对数据进行“深度学(xue)习”，发现其中(zhong)更复杂(za)的模式。

这些模块层层堆叠，产(chan)生(sheng)大(da)量参数来描述数据。通过调整，这些模型(xing)不止(zhi)能够学(xue)习语(yu)言，还能够学(xue)习图像、音频乃(nai)至DNA序列、蛋白质结构等不同模态的数据，将它们进行统一表示。当参数和数据量达到一定规模时，模型(xing)就仿佛“开窍”一般，涌现出分类、预(yu)测、生(sheng)成的能力。

要达到这种效(xiao)果需要耗费大(da)量的数据和算力成本。专注于应用的开发者可以选择在这些已经具备(bei)一定认知能力的通用大(da)模型(xing)基础上进行算法和数据的调整，开发适用于特定任务的专业大(da)模型(xing)。

联合利华(hua)数据AI总监、计算生(sheng)物学(xue)博士杨荟介绍了Biobert、SCGPT、Evo等多款(kuan)生(sheng)命科学(xue)和医学(xue)领域的大(da)模型(xing)，可以用于基因、蛋白质等多组学(xue)信息的整合、药物靶点发现与分子设计、医学(xue)图像分析等场景。

能看文(wen)献，能做研究，也能诊断(duan)

杨荟提到，大(da)模型(xing)已经成为辅助生(sheng)命科学(xue)和医学(xue)研究的得力助手。

“一天我看到家里的塑料袋被(bei)一些虫子分泌的物质所腐蚀(shi)，突然来了灵感，就通过Chatgpt的Deep research（深度研究）功能询问有没有昆虫分泌蛋白质降(jiang)解塑料的研究。AI最后帮(bang)我找到了西班牙的一项(xiang)研究，其中(zhong)发现一种飞蛾幼虫能分泌两种能够降(jiang)解塑料的蛋白质。”他(ta)说(shuo)。

随后，杨荟通过AI提供的资料找到了这两种蛋白质在数据库中(zhong)的信息。“其中(zhong)一种已经被(bei)解析，而且可以看到实际结果与蛋白质结构预(yu)测AI给(gei)出的结果很接近。”

一名开发者还介绍了一款(kuan)在医学(xue)和生(sheng)物领域相当流行的AI产(chan)品“txyz”。这款(kuan)基于Chatgpt开发的平台(tai)能够帮(bang)助用户快(kuai)速查找和精读论文(wen)，或是根据论文(wen)形成准确的综合性回答，帮(bang)助科研人(ren)员快(kuai)速获取知识。

AI大(da)模型(xing)快(kuai)速“理解”文(wen)献的能力还可以用于从海(hai)量论文(wen)中(zhong)提取关于生(sheng)命和疾病规律的关键(jian)结论，比如药物作用的靶点、疾病机制等，然后再用这些信息和其它实验数据去建立(li)能够预(yu)测生(sheng)命和疾病活动的模型(xing)。这被(bei)一些人(ren)称为生(sheng)命的“数字孪生(sheng)”（digital twin）。

“近年来尽管科技进步了，数据也越来越多，药物研发的成功率却在走低，主(zhu)要原因是对药理机制理解的缺(que)乏。”焕一生(sheng)物的副(fu)总裁(cai)蔡俊杰告(gao)诉澎湃(pai)科技。数字孪生(sheng)能够通过模拟人(ren)体对药物的反应，从病理的角度对实验结果进行预(yu)测，让药物研发少(shao)走弯路。

开源大(da)模型(xing)性能的提升为数字孪生(sheng)产(chan)品开发者带来了新的机遇。“公开数据库中(zhong)有3700万篇(pian)医学(xue)文(wen)献，我们算了一下(xia)，如果调用Chatgpt的接口去提取收集里面的机制和参数等知识，要花费几千万乃(nai)至上亿(yi)美(mei)元。”蔡俊杰说(shuo)，“现在有了性能同样强劲的开源模型(xing)Deepseek，就能显著降(jiang)低成本。”

在医学(xue)诊断(duan)方面，AI大(da)模型(xing)也正在帮(bang)助医生(sheng)提高效(xiao)率，甚至取代一部分的工作。上海(hai)科莫生(sheng)医疗科技有限公司(si)的张浩曦分享了他(ta)们开发的染色(se)体核型(xing)分析AI平台(tai)。

在胚胎(tai)发育、细胞分裂时，DNA紧密压缩在一起，成为我们能观测到的染色(se)体，它们的功能和形态正常(chang)很重要。“50%的自然流产(chan)是由染色(se)体异常(chang)导(dao)致的。而因为漏检等原因，在每150个新生(sheng)儿中(zhong)，平均有1个染色(se)体异常(chang)，这往往意味着畸形或者基因病，是一件很悲伤的事情。”张浩曦说(shuo)。

染色(se)体核型(xing)分析是医生(sheng)排除染色(se)体异常(chang)的主(zhu)要手段。人(ren)有23对染色(se)体，但在观测时往往不是成对出现的。在核型(xing)分析中(zhong)，医生(sheng)需要“看图配对”，再与正常(chang)的染色(se)体进行对比，看看有没有缺(que)失、重复等异常(chang)现象。

“这个过程周期长，很枯燥，费眼睛，搞得医生(sheng)也很疲劳。”张浩曦说(shuo)。科莫生(sheng)开发了一种核型(xing)分析大(da)模型(xing)，帮(bang)助医生(sheng)进行染色(se)体图像的自动识别、配对和分析。该产(chan)品已经拿到了四川省的二类医疗器(qi)械证。

“原先28天才能拿的染色(se)体报(bao)告(gao)，现在在AI的辅助下(xia)1天就能出。”他(ta)说(shuo)，这提高了核型(xing)检测的效(xiao)率，降(jiang)低了成本，放大(da)了医院的诊疗能力。“做得快(kuai)了，那么除了孕检之外(wai)，比如那些可能接触辐射的高危人(ren)群有需要的人(ren)也可以去做。”

挑战与风险(xian)

生(sheng)命科学(xue)研究要求专业性和准确性，而医学(xue)诊断(duan)更是直接关系到患(huan)者的福祉。尽管AI大(da)模型(xing)正在各个应用场景中(zhong)迅速落地，但其中(zhong)还是存在着不少(shao)风险(xian)与挑战，需要开发者和政策标准制定者共同面对和克(ke)服。

在西湖大(da)学(xue)博士研究生(sheng)燕阳眼里，AI辅助诊断(duan)还是有很多风险(xian)的：“如果问一些大(da)模型(xing)，孕妇(fu)能用什么药，它会提示四环素是可以使(shi)用的，但这个药肯定不能用。大(da)模型(xing)不知道，是因为它没学(xue)到过。”

他(ta)介绍道，在大(da)语(yu)言模型(xing)中(zhong)，数据训练的本质是去尽可能地接近训练数据。如果数据完(wan)整、准确、质量高，那么回答的质量也就高。如果前面出现错误，就会导(dao)致后续(xu)生(sheng)成中(zhong)错误的累积，导(dao)致答案失真。

因此，追求更高质量的数据成为AI产(chan)品开发者共同关注的主(zhu)题。燕阳认为，很多人(ren)对生(sheng)命健康领域数据的认识存在误区，导(dao)致产(chan)品开发陷入瓶颈，乃(nai)至产(chan)生(sheng)风险(xian)。

“有人(ren)觉得有海(hai)量数据就能训练好模型(xing)，数据越多模型(xing)性能越好，这是不对的。”他(ta)说(shuo)。医院数据往往是非标准化的，比如医嘱、不同设备(bei)产(chan)生(sheng)的检测结果等等，难以直接用来训练AI模型(xing)。有些数据缺(que)乏标注，这些可能会导(dao)致模型(xing)学(xue)习到的概率分布(bu)偏离真实的医学(xue)推理逻(luo)辑。

“比如说(shuo)，超过90%的胸片(pian)报(bao)告(gao)只标注异常(chang)结果，正常(chang)的话(hua)就没有标注。那AI可能会学(xue)到‘如果没有标注，则为正常(chang)’的逻(luo)辑，这显然是不对的，会导(dao)致误检率上升。”燕阳举例道。

由于缺(que)乏更加完(wan)整的医学(xue)数据，有些医学(xue)AI研究可能会尝(chang)试数据“蒸馏”的方法，用ChatGPT等大(da)模型(xing)生(sheng)成数据，然后用这些数据来训练自己参数相对较少(shao)的模型(xing)。这样做的好处是能让小模型(xing)逼(bi)近大(da)模型(xing)的能力，但坏处是大(da)模型(xing)的输出本身(shen)可能存在问题。

“由于通用的大(da)模型(xing)往往缺(que)少(shao)医学(xue)知识，可能导(dao)致对罕(han)见病等疾病的忽略。小模型(xing)将这些倾向作为‘事实’进行学(xue)习，可能会变得‘过度自信’且容易犯错。”他(ta)说(shuo)。

燕阳认为，这些问题可以通过让数据变得更加完(wan)整和专业来解决(jue)，比如增(zeng)加专家标注和更多医学(xue)知识，让AI学(xue)会“是什么”和“为什么”。还可以通过展示推理轨(gui)迹(ji)（CoT）等算法来完(wan)善AI的推理过程，把自相矛盾或者错误的逻(luo)辑剔(ti)除出去。

国内首个AI安全研究员、美(mei)国生(sheng)命未来研究所的朱小虎告(gao)诉澎湃(pai)科技，在风险(xian)评估(gu)中(zhong)，大(da)语(yu)言模型(xing)已经展现出了欺(qi)骗、避免(mian)自身(shen)毁灭、传播对人(ren)有害的信息等问题。“基于专业知识的医学(xue)模型(xing)相对会好很多。但如果这些模型(xing)是以通用大(da)模型(xing)为基座(zuo)训练的话(hua)，底层的倾向也可能会传递到模型(xing)中(zhong)。”他(ta)说(shuo)。

据悉，2025全球开发者先锋(feng)大(da)会于2月21日(ri)至2月23日(ri)在上海(hai)举办(ban)，主(zhu)题为“模塑全球，无限可能”，旨在促(cu)进人(ren)工智能产(chan)业集群的培育，推动基础大(da)模型(xing)与算力、语(yu)料、垂类应用场景等人(ren)工智能企(qi)业深度融合，打(da)造以开发者为中(zhong)心(xin)的开发者节。