“如果要(yao)在‘我’和‘你’之间填空，应该怎么填？在武侠小说里可能(neng)‘打(da)’出现得(de)比较多，而在爱情小说里可能(neng)‘爱’出现得(de)多。语言大模型可以预(yu)测在不同语境中，填哪个字的可能(neng)性最高。”上海达威科技创始人朱代辉介绍道。

在目(mu)前大模型广泛采(cai)用的Transformer架(jia)构中，输入的文本会被转化成数学向量的形式，词与词的关联概(gai)率可以用向量距离来度量。模型比较这(zhe)些向量，计算出它们之间的“注(zhu)意力权(quan)重”，从而确定哪些词对(dui)当前词更(geng)重要(yao)，这(zhe)就是“自注(zhu)意力”（Self-Attention）算法机(ji)制。

“这(zhe)种(zhong)机(ji)制允许模型在处理序列数据时，同时考(kao)虑(lu)所有(you)位置的信息，动态地决定哪些信息更(geng)重要(yao)。”朱代辉说。为了(le)让(rang)模型在不同的上下文中捕捉不同的信息，Transformer模型会将注(zhu)意力权(quan)重维度分(fen)成多组同时计算，每(mei)组关注(zhu)序列中的不同部分(fen)，最后的结果会被合并。这(zhe)种(zhong)“多头注(zhu)意力”（Multi-Head Attention）机(ji)制能(neng)帮助模型从多个角度理解句(ju)子。

这(zhe)些注(zhu)意力权(quan)重随后会被输入“前馈神经网络”（Feed-Forward Neural Network）中进行计算。这(zhe)种(zhong)神经网络模型由多层对(dui)应数据特征的节点构成，它能(neng)够帮助模型对(dui)数据进行“深度学习(xi)”，发(fa)现其(qi)中更(geng)复杂(za)的模式。

这(zhe)些模块层层堆叠，产生大量参(can)数来描(miao)述数据。通过调整，这(zhe)些模型不止能(neng)够学习(xi)语言，还能(neng)够学习(xi)图(tu)像、音频乃至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(can)数和数据量达到(dao)一定规模时，模型就仿佛“开窍”一般，涌现出分(fen)类、预(yu)测、生成的能(neng)力。

要(yao)达到(dao)这(zhe)种(zhong)效果需要(yao)耗费大量的数据和算力成本。专(zhuan)注(zhu)于应用的开发(fa)者可以选(xuan)择在这(zhe)些已经具备一定认(ren)知(zhi)能(neng)力的通用大模型基础上进行算法和数据的调整，开发(fa)适用于特定任务(wu)的专(zhuan)业大模型。

联合利华数据AI总监、计算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模型，可以用于基因(yin)、蛋白质等多组学信息的整合、药物靶点发(fa)现与分(fen)子设计、医学图(tu)像分(fen)析等场景。

能(neng)看文献(xian)，能(neng)做(zuo)研究，也能(neng)诊(zhen)断

杨荟提到(dao)，大模型已经成为辅助生命科学和医学研究的得(de)力助手。

“一天我看到(dao)家里的塑料袋(dai)被一些虫子分(fen)泌的物质所腐蚀，突然(ran)来了(le)灵感，就通过Chatgpt的Deep research（深度研究）功能(neng)询问有(you)没有(you)昆虫分(fen)泌蛋白质降解塑料的研究。AI最后帮我找到(dao)了(le)西班牙的一项研究，其(qi)中发(fa)现一种(zhong)飞蛾幼虫能(neng)分(fen)泌两种(zhong)能(neng)够降解塑料的蛋白质。”他说。

随后，杨荟通过AI提供(gong)的资(zi)料找到(dao)了(le)这(zhe)两种(zhong)蛋白质在数据库中的信息。“其(qi)中一种(zhong)已经被解析，而且可以看到(dao)实际结果与蛋白质结构预(yu)测AI给出的结果很接近。”

一名开发(fa)者还介绍了(le)一款在医学和生物领域相当流行的AI产品“txyz”。这(zhe)款基于Chatgpt开发(fa)的平(ping)台能(neng)够帮助用户快速查(cha)找和精读论文，或是根据论文形成准确的综合性回答，帮助科研人员快速获取知(zhi)识。

AI大模型快速“理解”文献(xian)的能(neng)力还可以用于从海量论文中提取关于生命和疾病规律的关键结论，比如药物作用的靶点、疾病机(ji)制等，然(ran)后再用这(zhe)些信息和其(qi)它实验数据去建立能(neng)够预(yu)测生命和疾病活(huo)动的模型。这(zhe)被一些人称(cheng)为生命的“数字孪生”（digital twin）。

“近年来尽管科技进步了(le)，数据也越来越多，药物研发(fa)的成功率却在走低，主要(yao)原因(yin)是对(dui)药理机(ji)制理解的缺(que)乏。”焕一生物的副总裁蔡俊杰告诉澎湃科技。数字孪生能(neng)够通过模拟人体对(dui)药物的反应，从病理的角度对(dui)实验结果进行预(yu)测，让(rang)药物研发(fa)少走弯路。

开源大模型性能(neng)的提升为数字孪生产品开发(fa)者带来了(le)新的机(ji)遇。“公开数据库中有(you)3700万篇医学文献(xian)，我们算了(le)一下，如果调用Chatgpt的接口去提取收集里面的机(ji)制和参(can)数等知(zhi)识，要(yao)花费几千万乃至上亿美元。”蔡俊杰说，“现在有(you)了(le)性能(neng)同样强劲的开源模型Deepseek，就能(neng)显著降低成本。”

在医学诊(zhen)断方面，AI大模型也正(zheng)在帮助医生提高效率，甚至取代一部分(fen)的工作。上海科莫生医疗科技有(you)限公司的张浩曦分(fen)享了(le)他们开发(fa)的染色体核型分(fen)析AI平(ping)台。

在胚(pei)胎发(fa)育、细胞分(fen)裂时，DNA紧密(mi)压缩在一起，成为我们能(neng)观测到(dao)的染色体，它们的功能(neng)和形态正(zheng)常很重要(yao)。“50%的自然(ran)流产是由染色体异常导致的。而因(yin)为漏检等原因(yin)，在每(mei)150个新生儿(er)中，平(ping)均有(you)1个染色体异常，这(zhe)往往意味着畸形或者基因(yin)病，是一件很悲伤的事情。”张浩曦说。

染色体核型分(fen)析是医生排除染色体异常的主要(yao)手段。人有(you)23对(dui)染色体，但在观测时往往不是成对(dui)出现的。在核型分(fen)析中，医生需要(yao)“看图(tu)配对(dui)”，再与正(zheng)常的染色体进行对(dui)比，看看有(you)没有(you)缺(que)失、重复等异常现象。

“这(zhe)个过程周期长，很枯燥，费眼(yan)睛，搞得(de)医生也很疲(pi)劳。”张浩曦说。科莫生开发(fa)了(le)一种(zhong)核型分(fen)析大模型，帮助医生进行染色体图(tu)像的自动识别、配对(dui)和分(fen)析。该产品已经拿到(dao)了(le)四(si)川省的二类医疗器械证。

“原先28天才能(neng)拿的染色体报告，现在在AI的辅助下1天就能(neng)出。”他说，这(zhe)提高了(le)核型检测的效率，降低了(le)成本，放大了(le)医院的诊(zhen)疗能(neng)力。“做(zuo)得(de)快了(le)，那么除了(le)孕检之外(wai)，比如那些可能(neng)接触辐射(she)的高危人群有(you)需要(yao)的人也可以去做(zuo)。”

挑战与风险

生命科学研究要(yao)求(qiu)专(zhuan)业性和准确性，而医学诊(zhen)断更(geng)是直接关系到(dao)患者的福祉。尽管AI大模型正(zheng)在各个应用场景中迅速落地，但其(qi)中还是存在着不少风险与挑战，需要(yao)开发(fa)者和政策标准制定者共同面对(dui)和克(ke)服(fu)。

在西湖大学博士研究生燕阳眼(yan)里，AI辅助诊(zhen)断还是有(you)很多风险的：“如果问一些大模型，孕妇能(neng)用什么药，它会提示四(si)环素是可以使用的，但这(zhe)个药肯定不能(neng)用。大模型不知(zhi)道，是因(yin)为它没学到(dao)过。”

他介绍道，在大语言模型中，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，那么回答的质量也就高。如果前面出现错误，就会导致后续生成中错误的累积，导致答案失真。

因(yin)此，追(zhui)求(qiu)更(geng)高质量的数据成为AI产品开发(fa)者共同关注(zhu)的主题。燕阳认(ren)为，很多人对(dui)生命健康领域数据的认(ren)识存在误区，导致产品开发(fa)陷入瓶颈，乃至产生风险。

“有(you)人觉得(de)有(you)海量数据就能(neng)训练好模型，数据越多模型性能(neng)越好，这(zhe)是不对(dui)的。”他说。医院数据往往是非(fei)标准化的，比如医嘱、不同设备产生的检测结果等等，难以直接用来训练AI模型。有(you)些数据缺(que)乏标注(zhu)，这(zhe)些可能(neng)会导致模型学习(xi)到(dao)的概(gai)率分(fen)布偏离真实的医学推理逻辑。

“比如说，超(chao)过90%的胸片报告只标注(zhu)异常结果，正(zheng)常的话就没有(you)标注(zhu)。那AI可能(neng)会学到(dao)‘如果没有(you)标注(zhu)，则为正(zheng)常’的逻辑，这(zhe)显然(ran)是不对(dui)的，会导致误检率上升。”燕阳举(ju)例道。

由于缺(que)乏更(geng)加完整的医学数据，有(you)些医学AI研究可能(neng)会尝试数据“蒸(zheng)馏(liu)”的方法，用ChatGPT等大模型生成数据，然(ran)后用这(zhe)些数据来训练自己参(can)数相对(dui)较少的模型。这(zhe)样做(zuo)的好处是能(neng)让(rang)小模型逼近大模型的能(neng)力，但坏处是大模型的输出本身可能(neng)存在问题。

“由于通用的大模型往往缺(que)少医学知(zhi)识，可能(neng)导致对(dui)罕见病等疾病的忽略。小模型将这(zhe)些倾向作为‘事实’进行学习(xi)，可能(neng)会变得(de)‘过度自信’且容易(yi)犯错。”他说。

燕阳认(ren)为，这(zhe)些问题可以通过让(rang)数据变得(de)更(geng)加完整和专(zhuan)业来解决，比如增(zeng)加专(zhuan)家标注(zhu)和更(geng)多医学知(zhi)识，让(rang)AI学会“是什么”和“为什么”。还可以通过展示推理轨迹（CoT）等算法来完善AI的推理过程，把自相矛盾或者错误的逻辑剔除出去。

国内(nei)首个AI安全研究员、美国生命未来研究所的朱小虎告诉澎湃科技，在风险评估中，大语言模型已经展现出了(le)欺骗、避免自身毁灭、传(chuan)播(bo)对(dui)人有(you)害的信息等问题。“基于专(zhuan)业知(zhi)识的医学模型相对(dui)会好很多。但如果这(zhe)些模型是以通用大模型为基座训练的话，底(di)层的倾向也可能(neng)会传(chuan)递到(dao)模型中。”他说。

据悉，2025全球开发(fa)者先锋大会于2月21日至2月23日在上海举(ju)办，主题为“模塑全球，无限可能(neng)”，旨在促进人工智能(neng)产业集群的培育，推动基础大模型与算力、语料、垂类应用场景等人工智能(neng)企业深度融合，打(da)造以开发(fa)者为中心的开发(fa)者节。