“如果要在‘我’和‘你’之间填空，应该怎么填？在武侠小说里(li)可(ke)能‘打’出现(xian)得(de)比较多，而在爱情小说里(li)可(ke)能‘爱’出现(xian)得(de)多。语言大(da)模(mo)型可(ke)以预测在不同语境(jing)中，填哪个字的可(ke)能性最(zui)高(gao)。”上海达威科技创始人朱代辉介绍道。

在目前大(da)模(mo)型广泛(fan)采(cai)用的Transformer架构中，输入的文本会(hui)被转化成(cheng)数(shu)学向量的形式，词与词的关联概率可(ke)以用向量距离来(lai)度量。模(mo)型比较这些向量，计算(suan)出它们之间的“注(zhu)意(yi)力权重(zhong)”，从而确定哪些词对当前词更重(zhong)要，这就是“自注(zhu)意(yi)力”（Self-Attention）算(suan)法机制。

“这种机制允许模(mo)型在处理序列(lie)数(shu)据时，同时考虑所(suo)有位置的信息，动态(tai)地决定哪些信息更重(zhong)要。”朱代辉说。为(wei)了(le)让模(mo)型在不同的上下文中捕捉不同的信息，Transformer模(mo)型会(hui)将注(zhu)意(yi)力权重(zhong)维度分成(cheng)多组同时计算(suan)，每组关注(zhu)序列(lie)中的不同部分，最(zui)后(hou)的结果会(hui)被合并。这种“多头注(zhu)意(yi)力”（Multi-Head Attention）机制能帮助模(mo)型从多个角度理解句子。

这些注(zhu)意(yi)力权重(zhong)随后(hou)会(hui)被输入“前馈神经网络”（Feed-Forward Neural Network）中进行计算(suan)。这种神经网络模(mo)型由多层对应数(shu)据特征的节点构成(cheng)，它能够帮助模(mo)型对数(shu)据进行“深度学习”，发现(xian)其中更复杂的模(mo)式。

这些模(mo)块层层堆叠，产生大(da)量参(can)数(shu)来(lai)描(miao)述数(shu)据。通过调整，这些模(mo)型不止能够学习语言，还能够学习图像、音频乃(nai)至DNA序列(lie)、蛋白质结构等不同模(mo)态(tai)的数(shu)据，将它们进行统一表示。当参(can)数(shu)和数(shu)据量达到(dao)一定规模(mo)时，模(mo)型就仿佛“开窍”一般，涌现(xian)出分类、预测、生成(cheng)的能力。

要达到(dao)这种效(xiao)果需要耗费大(da)量的数(shu)据和算(suan)力成(cheng)本。专注(zhu)于应用的开发者可(ke)以选择在这些已经具备一定认知能力的通用大(da)模(mo)型基础上进行算(suan)法和数(shu)据的调整，开发适(shi)用于特定任务的专业大(da)模(mo)型。

联合利华数(shu)据AI总监、计算(suan)生物学博士杨荟介绍了(le)Biobert、SCGPT、Evo等多款生命科学和医学领域的大(da)模(mo)型，可(ke)以用于基因、蛋白质等多组学信息的整合、药物靶(ba)点发现(xian)与分子设计、医学图像分析等场景。

能看文献，能做研究，也能诊断

杨荟提到(dao)，大(da)模(mo)型已经成(cheng)为(wei)辅助生命科学和医学研究的得(de)力助手。

“一天我看到(dao)家(jia)里(li)的塑料袋被一些虫子分泌(mi)的物质所(suo)腐蚀，突然来(lai)了(le)灵感，就通过Chatgpt的Deep research（深度研究）功能询问有没有昆虫分泌(mi)蛋白质降解塑料的研究。AI最(zui)后(hou)帮我找到(dao)了(le)西班牙的一项(xiang)研究，其中发现(xian)一种飞蛾幼虫能分泌(mi)两种能够降解塑料的蛋白质。”他说。

随后(hou)，杨荟通过AI提供(gong)的资料找到(dao)了(le)这两种蛋白质在数(shu)据库中的信息。“其中一种已经被解析，而且可(ke)以看到(dao)实际结果与蛋白质结构预测AI给出的结果很(hen)接(jie)近。”

一名开发者还介绍了(le)一款在医学和生物领域相(xiang)当流行的AI产品“txyz”。这款基于Chatgpt开发的平台能够帮助用户快速查找和精(jing)读论文，或是根据论文形成(cheng)准确的综(zong)合性回(hui)答，帮助科研人员快速获取知识。

AI大(da)模(mo)型快速“理解”文献的能力还可(ke)以用于从海量论文中提取关于生命和疾病(bing)规律的关键结论，比如药物作用的靶(ba)点、疾病(bing)机制等，然后(hou)再用这些信息和其它实验数(shu)据去建立(li)能够预测生命和疾病(bing)活动的模(mo)型。这被一些人称为(wei)生命的“数(shu)字孪生”（digital twin）。

“近年来(lai)尽管科技进步了(le)，数(shu)据也越来(lai)越多，药物研发的成(cheng)功率却在走低，主要原因是对药理机制理解的缺(que)乏。”焕一生物的副总裁蔡俊(jun)杰告诉澎湃(pai)科技。数(shu)字孪生能够通过模(mo)拟人体对药物的反应，从病(bing)理的角度对实验结果进行预测，让药物研发少走弯路。

开源大(da)模(mo)型性能的提升为(wei)数(shu)字孪生产品开发者带来(lai)了(le)新的机遇。“公开数(shu)据库中有3700万篇(pian)医学文献，我们算(suan)了(le)一下，如果调用Chatgpt的接(jie)口去提取收集里(li)面的机制和参(can)数(shu)等知识，要花费几千万乃(nai)至上亿美元。”蔡俊(jun)杰说，“现(xian)在有了(le)性能同样强劲(jin)的开源模(mo)型Deepseek，就能显著(zhu)降低成(cheng)本。”

在医学诊断方面，AI大(da)模(mo)型也正在帮助医生提高(gao)效(xiao)率，甚至取代一部分的工作。上海科莫生医疗科技有限(xian)公司的张浩曦分享了(le)他们开发的染(ran)色体核(he)型分析AI平台。

在胚胎发育、细胞分裂时，DNA紧密压(ya)缩(suo)在一起，成(cheng)为(wei)我们能观测到(dao)的染(ran)色体，它们的功能和形态(tai)正常很(hen)重(zhong)要。“50%的自然流产是由染(ran)色体异(yi)常导致的。而因为(wei)漏检等原因，在每150个新生儿中，平均有1个染(ran)色体异(yi)常，这往往意(yi)味着(zhe)畸形或者基因病(bing)，是一件很(hen)悲伤的事情。”张浩曦说。

染(ran)色体核(he)型分析是医生排除(chu)染(ran)色体异(yi)常的主要手段。人有23对染(ran)色体，但在观测时往往不是成(cheng)对出现(xian)的。在核(he)型分析中，医生需要“看图配对”，再与正常的染(ran)色体进行对比，看看有没有缺(que)失(shi)、重(zhong)复等异(yi)常现(xian)象。

“这个过程周期长，很(hen)枯燥，费眼睛，搞得(de)医生也很(hen)疲劳。”张浩曦说。科莫生开发了(le)一种核(he)型分析大(da)模(mo)型，帮助医生进行染(ran)色体图像的自动识别(bie)、配对和分析。该产品已经拿(na)到(dao)了(le)四川省的二类医疗器械证。

“原先28天才能拿(na)的染(ran)色体报告，现(xian)在在AI的辅助下1天就能出。”他说，这提高(gao)了(le)核(he)型检测的效(xiao)率，降低了(le)成(cheng)本，放大(da)了(le)医院的诊疗能力。“做得(de)快了(le)，那么除(chu)了(le)孕检之外，比如那些可(ke)能接(jie)触辐射的高(gao)危人群有需要的人也可(ke)以去做。”

挑战与风险(xian)

生命科学研究要求专业性和准确性，而医学诊断更是直接(jie)关系到(dao)患者的福祉。尽管AI大(da)模(mo)型正在各个应用场景中迅速落地，但其中还是存在着(zhe)不少风险(xian)与挑战，需要开发者和政策标准制定者共(gong)同面对和克服。

在西湖(hu)大(da)学博士研究生燕阳眼里(li)，AI辅助诊断还是有很(hen)多风险(xian)的：“如果问一些大(da)模(mo)型，孕妇能用什么药，它会(hui)提示四环素是可(ke)以使用的，但这个药肯定不能用。大(da)模(mo)型不知道，是因为(wei)它没学到(dao)过。”

他介绍道，在大(da)语言模(mo)型中，数(shu)据训练的本质是去尽可(ke)能地接(jie)近训练数(shu)据。如果数(shu)据完整、准确、质量高(gao)，那么回(hui)答的质量也就高(gao)。如果前面出现(xian)错误，就会(hui)导致后(hou)续(xu)生成(cheng)中错误的累(lei)积，导致答案失(shi)真。

因此(ci)，追求更高(gao)质量的数(shu)据成(cheng)为(wei)AI产品开发者共(gong)同关注(zhu)的主题。燕阳认为(wei)，很(hen)多人对生命健康领域数(shu)据的认识存在误区，导致产品开发陷(xian)入瓶颈，乃(nai)至产生风险(xian)。

“有人觉得(de)有海量数(shu)据就能训练好模(mo)型，数(shu)据越多模(mo)型性能越好，这是不对的。”他说。医院数(shu)据往往是非标准化的，比如医嘱、不同设备产生的检测结果等等，难以直接(jie)用来(lai)训练AI模(mo)型。有些数(shu)据缺(que)乏标注(zhu)，这些可(ke)能会(hui)导致模(mo)型学习到(dao)的概率分布偏离真实的医学推理逻辑。

“比如说，超过90%的胸片报告只标注(zhu)异(yi)常结果，正常的话就没有标注(zhu)。那AI可(ke)能会(hui)学到(dao)‘如果没有标注(zhu)，则为(wei)正常’的逻辑，这显然是不对的，会(hui)导致误检率上升。”燕阳举例道。

由于缺(que)乏更加完整的医学数(shu)据，有些医学AI研究可(ke)能会(hui)尝试数(shu)据“蒸(zheng)馏”的方法，用ChatGPT等大(da)模(mo)型生成(cheng)数(shu)据，然后(hou)用这些数(shu)据来(lai)训练自己参(can)数(shu)相(xiang)对较少的模(mo)型。这样做的好处是能让小模(mo)型逼近大(da)模(mo)型的能力，但坏处是大(da)模(mo)型的输出本身(shen)可(ke)能存在问题。

“由于通用的大(da)模(mo)型往往缺(que)少医学知识，可(ke)能导致对罕见(jian)病(bing)等疾病(bing)的忽略。小模(mo)型将这些倾向作为(wei)‘事实’进行学习，可(ke)能会(hui)变得(de)‘过度自信’且容易犯错。”他说。

燕阳认为(wei)，这些问题可(ke)以通过让数(shu)据变得(de)更加完整和专业来(lai)解决，比如增(zeng)加专家(jia)标注(zhu)和更多医学知识，让AI学会(hui)“是什么”和“为(wei)什么”。还可(ke)以通过展示推理轨迹（CoT）等算(suan)法来(lai)完善AI的推理过程，把自相(xiang)矛盾或者错误的逻辑剔除(chu)出去。

国内首个AI安(an)全研究员、美国生命未来(lai)研究所(suo)的朱小虎告诉澎湃(pai)科技，在风险(xian)评估中，大(da)语言模(mo)型已经展现(xian)出了(le)欺骗、避免自身(shen)毁(hui)灭、传(chuan)播对人有害的信息等问题。“基于专业知识的医学模(mo)型相(xiang)对会(hui)好很(hen)多。但如果这些模(mo)型是以通用大(da)模(mo)型为(wei)基座训练的话，底层的倾向也可(ke)能会(hui)传(chuan)递到(dao)模(mo)型中。”他说。

据悉，2025全球开发者先锋大(da)会(hui)于2月21日(ri)至2月23日(ri)在上海举办，主题为(wei)“模(mo)塑全球，无限(xian)可(ke)能”，旨在促进人工智能产业集群的培育，推动基础大(da)模(mo)型与算(suan)力、语料、垂类应用场景等人工智能企业深度融合，打造以开发者为(wei)中心的开发者节。