“如果要(yao)在‘我’和‘你’之间填空，应该(gai)怎么填？在武(wu)侠小说里可能‘打(da)’出现得比较多，而在爱情小说里可能‘爱’出现得多。语(yu)言大模型可以预测在不同语(yu)境(jing)中(zhong)，填哪个字的可能性最高。”上海达威科技创始人朱代(dai)辉介绍道。

在目前大模型广泛采用的Transformer架构中(zhong)，输入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。模型比较这些向量，计算(suan)出它们之间的“注意力权重(zhong)”，从(cong)而确定哪些词对(dui)当前词更重(zhong)要(yao)，这就是“自(zi)注意力”（Self-Attention）算(suan)法机制。

“这种机制允许模型在处理序列(lie)数据时，同时考虑所有(you)位置的信(xin)息，动态地决定哪些信(xin)息更重(zhong)要(yao)。”朱代(dai)辉说。为了让模型在不同的上下文中(zhong)捕(bu)捉不同的信(xin)息，Transformer模型会将注意力权重(zhong)维度分成多组同时计算(suan)，每组关注序列(lie)中(zhong)的不同部分，最后的结果会被合并。这种“多头注意力”（Multi-Head Attention）机制能帮助模型从(cong)多个角度理解句子。

这些注意力权重(zhong)随后会被输入“前馈神经网络”（Feed-Forward Neural Network）中(zhong)进行计算(suan)。这种神经网络模型由多层对(dui)应数据特(te)征的节(jie)点(dian)构成，它能够帮助模型对(dui)数据进行“深(shen)度学习”，发现其(qi)中(zhong)更复(fu)杂的模式。

这些模块(kuai)层层堆叠，产(chan)生大量参数来描述数据。通过调整(zheng)，这些模型不止能够学习语(yu)言，还能够学习图像、音频乃至DNA序列(lie)、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，模型就仿佛“开窍”一般，涌现出分类、预测、生成的能力。

要(yao)达到这种效果需要(yao)耗费大量的数据和算(suan)力成本。专注于(yu)应用的开发者可以选择(ze)在这些已经具(ju)备一定认知能力的通用大模型基础上进行算(suan)法和数据的调整(zheng)，开发适用于(yu)特(te)定任务的专业大模型。

联合利华数据AI总监、计算(suan)生物学博士杨荟介绍了Biobert、SCGPT、Evo等多款生命(ming)科学和医学领域的大模型，可以用于(yu)基因、蛋白质等多组学信(xin)息的整(zheng)合、药物靶点(dian)发现与分子设计、医学图像分析等场景。

能看文献，能做研(yan)究，也(ye)能诊断

杨荟提(ti)到，大模型已经成为辅助生命(ming)科学和医学研(yan)究的得力助手。

“一天我看到家里的塑(su)料袋被一些虫子分泌的物质所腐蚀，突然来了灵感，就通过Chatgpt的Deep research（深(shen)度研(yan)究）功能询问有(you)没有(you)昆虫分泌蛋白质降解塑(su)料的研(yan)究。AI最后帮我找到了西班牙的一项研(yan)究，其(qi)中(zhong)发现一种飞蛾幼虫能分泌两种能够降解塑(su)料的蛋白质。”他说。

随后，杨荟通过AI提(ti)供的资料找到了这两种蛋白质在数据库中(zhong)的信(xin)息。“其(qi)中(zhong)一种已经被解析，而且可以看到实际结果与蛋白质结构预测AI给出的结果很接近(jin)。”

一名开发者还介绍了一款在医学和生物领域相当流行的AI产(chan)品(pin)“txyz”。这款基于(yu)Chatgpt开发的平台能够帮助用户快(kuai)速查(cha)找和精读论文，或是根据论文形成准确的综(zong)合性回答(da)，帮助科研(yan)人员快(kuai)速获(huo)取知识。

AI大模型快(kuai)速“理解”文献的能力还可以用于(yu)从(cong)海量论文中(zhong)提(ti)取关于(yu)生命(ming)和疾病规律的关键(jian)结论，比如药物作用的靶点(dian)、疾病机制等，然后再(zai)用这些信(xin)息和其(qi)它实验数据去(qu)建立能够预测生命(ming)和疾病活动的模型。这被一些人称为生命(ming)的“数字孪生”（digital twin）。

“近(jin)年来尽(jin)管(guan)科技进步了，数据也(ye)越来越多，药物研(yan)发的成功率却在走低，主要(yao)原因是对(dui)药理机制理解的缺乏。”焕一生物的副总裁蔡俊杰告诉澎湃科技。数字孪生能够通过模拟人体对(dui)药物的反应，从(cong)病理的角度对(dui)实验结果进行预测，让药物研(yan)发少走弯路。

开源大模型性能的提(ti)升(sheng)为数字孪生产(chan)品(pin)开发者带来了新的机遇(yu)。“公开数据库中(zhong)有(you)3700万篇医学文献，我们算(suan)了一下，如果调用Chatgpt的接口去(qu)提(ti)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美元。”蔡俊杰说，“现在有(you)了性能同样强劲的开源模型Deepseek，就能显著降低成本。”

在医学诊断方(fang)面，AI大模型也(ye)正在帮助医生提(ti)高效率，甚至取代(dai)一部分的工(gong)作。上海科莫(mo)生医疗(liao)科技有(you)限公司的张浩曦分享(xiang)了他们开发的染色(se)体核型分析AI平台。

在胚胎发育、细胞分裂(lie)时，DNA紧密压(ya)缩在一起(qi)，成为我们能观(guan)测到的染色(se)体，它们的功能和形态正常很重(zhong)要(yao)。“50%的自(zi)然流产(chan)是由染色(se)体异常导(dao)致(zhi)的。而因为漏检(jian)等原因，在每150个新生儿(er)中(zhong)，平均有(you)1个染色(se)体异常，这往往意味(wei)着畸形或者基因病，是一件很悲伤的事情。”张浩曦说。

染色(se)体核型分析是医生排除(chu)染色(se)体异常的主要(yao)手段。人有(you)23对(dui)染色(se)体，但在观(guan)测时往往不是成对(dui)出现的。在核型分析中(zhong)，医生需要(yao)“看图配对(dui)”，再(zai)与正常的染色(se)体进行对(dui)比，看看有(you)没有(you)缺失、重(zhong)复(fu)等异常现象。

“这个过程周期长(chang)，很枯燥，费眼睛，搞得医生也(ye)很疲劳。”张浩曦说。科莫(mo)生开发了一种核型分析大模型，帮助医生进行染色(se)体图像的自(zi)动识别、配对(dui)和分析。该(gai)产(chan)品(pin)已经拿到了四川(chuan)省的二类医疗(liao)器械(xie)证。

“原先28天才能拿的染色(se)体报告，现在在AI的辅助下1天就能出。”他说，这提(ti)高了核型检(jian)测的效率，降低了成本，放大了医院的诊疗(liao)能力。“做得快(kuai)了，那么除(chu)了孕检(jian)之外，比如那些可能接触辐射的高危人群(qun)有(you)需要(yao)的人也(ye)可以去(qu)做。”

挑战与风险

生命(ming)科学研(yan)究要(yao)求专业性和准确性，而医学诊断更是直接关系到患者的福(fu)祉。尽(jin)管(guan)AI大模型正在各个应用场景中(zhong)迅速落地，但其(qi)中(zhong)还是存在着不少风险与挑战，需要(yao)开发者和政策标准制定者共同面对(dui)和克服。

在西湖大学博士研(yan)究生燕阳(yang)眼里，AI辅助诊断还是有(you)很多风险的：“如果问一些大模型，孕妇(fu)能用什么药，它会提(ti)示四环素是可以使(shi)用的，但这个药肯定不能用。大模型不知道，是因为它没学到过。”

他介绍道，在大语(yu)言模型中(zhong)，数据训练的本质是去(qu)尽(jin)可能地接近(jin)训练数据。如果数据完整(zheng)、准确、质量高，那么回答(da)的质量也(ye)就高。如果前面出现错误，就会导(dao)致(zhi)后续生成中(zhong)错误的累(lei)积，导(dao)致(zhi)答(da)案失真。

因此，追求更高质量的数据成为AI产(chan)品(pin)开发者共同关注的主题。燕阳(yang)认为，很多人对(dui)生命(ming)健康领域数据的认识存在误区(qu)，导(dao)致(zhi)产(chan)品(pin)开发陷入瓶(ping)颈，乃至产(chan)生风险。

“有(you)人觉得有(you)海量数据就能训练好模型，数据越多模型性能越好，这是不对(dui)的。”他说。医院数据往往是非(fei)标准化的，比如医嘱、不同设备产(chan)生的检(jian)测结果等等，难以直接用来训练AI模型。有(you)些数据缺乏标注，这些可能会导(dao)致(zhi)模型学习到的概率分布偏离真实的医学推(tui)理逻辑。

“比如说，超过90%的胸片报告只标注异常结果，正常的话就没有(you)标注。那AI可能会学到‘如果没有(you)标注，则(ze)为正常’的逻辑，这显然是不对(dui)的，会导(dao)致(zhi)误检(jian)率上升(sheng)。”燕阳(yang)举例道。

由于(yu)缺乏更加完整(zheng)的医学数据，有(you)些医学AI研(yan)究可能会尝(chang)试数据“蒸馏”的方(fang)法，用ChatGPT等大模型生成数据，然后用这些数据来训练自(zi)己参数相对(dui)较少的模型。这样做的好处是能让小模型逼近(jin)大模型的能力，但坏处是大模型的输出本身可能存在问题。

“由于(yu)通用的大模型往往缺少医学知识，可能导(dao)致(zhi)对(dui)罕见(jian)病等疾病的忽略。小模型将这些倾向作为‘事实’进行学习，可能会变得‘过度自(zi)信(xin)’且容易犯错。”他说。

燕阳(yang)认为，这些问题可以通过让数据变得更加完整(zheng)和专业来解决，比如增(zeng)加专家标注和更多医学知识，让AI学会“是什么”和“为什么”。还可以通过展示推(tui)理轨迹（CoT）等算(suan)法来完善AI的推(tui)理过程，把自(zi)相矛盾(dun)或者错误的逻辑剔除(chu)出去(qu)。

国内首个AI安全研(yan)究员、美国生命(ming)未来研(yan)究所的朱小虎告诉澎湃科技，在风险评估中(zhong)，大语(yu)言模型已经展现出了欺骗、避免自(zi)身毁灭、传播对(dui)人有(you)害的信(xin)息等问题。“基于(yu)专业知识的医学模型相对(dui)会好很多。但如果这些模型是以通用大模型为基座训练的话，底层的倾向也(ye)可能会传递到模型中(zhong)。”他说。

据悉，2025全球开发者先锋(feng)大会于(yu)2月21日至2月23日在上海举办，主题为“模塑(su)全球，无限可能”，旨在促进人工(gong)智能产(chan)业集群(qun)的培育，推(tui)动基础大模型与算(suan)力、语(yu)料、垂(chui)类应用场景等人工(gong)智能企业深(shen)度融合，打(da)造以开发者为中(zhong)心的开发者节(jie)。