“如果要在‘我’和‘你’之(zhi)间填空，应该怎么填？在武(wu)侠小说里可(ke)能‘打’出现得(de)比较多(duo)，而在爱情小说里可(ke)能‘爱’出现得(de)多(duo)。语言(yan)大模型(xing)可(ke)以预(yu)测在不同语境中，填哪个(ge)字(zi)的可(ke)能性(xing)最高。”上(shang)海达(da)威(wei)科技创(chuang)始人(ren)朱(zhu)代辉介绍道。

在目前大模型(xing)广泛采用的Transformer架构中，输入的文(wen)本会被转化成数学向量的形式，词与词的关联概率可(ke)以用向量距离来度量。模型(xing)比较这(zhe)些向量，计(ji)算出它们之(zhi)间的“注意力权重”，从而确(que)定哪些词对当前词更重要，这(zhe)就(jiu)是“自注意力”（Self-Attention）算法机制。

“这(zhe)种机制允(yun)许模型(xing)在处理序列数据时，同时考虑所有位(wei)置(zhi)的信息，动态地决(jue)定哪些信息更重要。”朱(zhu)代辉说。为了让(rang)模型(xing)在不同的上(shang)下文(wen)中捕捉不同的信息，Transformer模型(xing)会将注意力权重维度分成多(duo)组同时计(ji)算，每组关注序列中的不同部分，最后的结果会被合并。这(zhe)种“多(duo)头注意力”（Multi-Head Attention）机制能帮助(zhu)模型(xing)从多(duo)个(ge)角度理解句子。

这(zhe)些注意力权重随后会被输入“前馈(kui)神经网络”（Feed-Forward Neural Network）中进行(xing)计(ji)算。这(zhe)种神经网络模型(xing)由多(duo)层对应数据特征的节点构成，它能够帮助(zhu)模型(xing)对数据进行(xing)“深度学习”，发现其中更复杂的模式。

这(zhe)些模块(kuai)层层堆叠，产(chan)生(sheng)大量参数来描述数据。通过调整，这(zhe)些模型(xing)不止能够学习语言(yan)，还能够学习图像、音频(pin)乃至DNA序列、蛋白质结构等不同模态的数据，将它们进行(xing)统一表示。当参数和数据量达(da)到(dao)一定规模时，模型(xing)就(jiu)仿佛“开窍”一般(ban)，涌现出分类、预(yu)测、生(sheng)成的能力。

要达(da)到(dao)这(zhe)种效果需要耗费大量的数据和算力成本。专注于应用的开发者可(ke)以选(xuan)择在这(zhe)些已经具备一定认(ren)知能力的通用大模型(xing)基础上(shang)进行(xing)算法和数据的调整，开发适用于特定任务(wu)的专业大模型(xing)。

联合利华(hua)数据AI总监、计(ji)算生(sheng)物(wu)学博士杨荟介绍了Biobert、SCGPT、Evo等多(duo)款生(sheng)命科学和医学领域的大模型(xing)，可(ke)以用于基因、蛋白质等多(duo)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(jing)。

能看文(wen)献，能做研究，也(ye)能诊断

杨荟提到(dao)，大模型(xing)已经成为辅助(zhu)生(sheng)命科学和医学研究的得(de)力助(zhu)手。

“一天我看到(dao)家里的塑料袋被一些虫子分泌的物(wu)质所腐蚀，突然来了灵感，就(jiu)通过Chatgpt的Deep research（深度研究）功能询(xun)问有没有昆虫分泌蛋白质降解塑料的研究。AI最后帮我找(zhao)到(dao)了西(xi)班牙的一项研究，其中发现一种飞蛾幼虫能分泌两种能够降解塑料的蛋白质。”他说。

随后，杨荟通过AI提供的资料找(zhao)到(dao)了这(zhe)两种蛋白质在数据库中的信息。“其中一种已经被解析，而且可(ke)以看到(dao)实(shi)际结果与蛋白质结构预(yu)测AI给出的结果很接近(jin)。”

一名(ming)开发者还介绍了一款在医学和生(sheng)物(wu)领域相(xiang)当流(liu)行(xing)的AI产(chan)品(pin)“txyz”。这(zhe)款基于Chatgpt开发的平台能够帮助(zhu)用户快(kuai)速查找(zhao)和精读论文(wen)，或是根(gen)据论文(wen)形成准确(que)的综合性(xing)回答(da)，帮助(zhu)科研人(ren)员快(kuai)速获取知识。

AI大模型(xing)快(kuai)速“理解”文(wen)献的能力还可(ke)以用于从海量论文(wen)中提取关于生(sheng)命和疾病规律的关键结论，比如药物(wu)作用的靶点、疾病机制等，然后再用这(zhe)些信息和其它实(shi)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(zhe)被一些人(ren)称为生(sheng)命的“数字(zi)孪生(sheng)”（digital twin）。

“近(jin)年来尽(jin)管科技进步了，数据也(ye)越来越多(duo)，药物(wu)研发的成功率却在走低，主要原因是对药理机制理解的缺乏。”焕一生(sheng)物(wu)的副总裁蔡俊(jun)杰告诉澎湃科技。数字(zi)孪生(sheng)能够通过模拟人(ren)体对药物(wu)的反应，从病理的角度对实(shi)验结果进行(xing)预(yu)测，让(rang)药物(wu)研发少走弯路(lu)。

开源大模型(xing)性(xing)能的提升为数字(zi)孪生(sheng)产(chan)品(pin)开发者带(dai)来了新的机遇。“公开数据库中有3700万篇医学文(wen)献，我们算了一下，如果调用Chatgpt的接口去提取收(shou)集里面(mian)的机制和参数等知识，要花费几千万乃至上(shang)亿美元。”蔡俊(jun)杰说，“现在有了性(xing)能同样强(qiang)劲的开源模型(xing)Deepseek，就(jiu)能显著降低成本。”

在医学诊断方面(mian)，AI大模型(xing)也(ye)正在帮助(zhu)医生(sheng)提高效率，甚至取代一部分的工作。上(shang)海科莫生(sheng)医疗(liao)科技有限公司的张(zhang)浩曦分享了他们开发的染色(se)体核型(xing)分析AI平台。

在胚胎发育、细(xi)胞分裂时，DNA紧密(mi)压缩在一起，成为我们能观测到(dao)的染色(se)体，它们的功能和形态正常很重要。“50%的自然流(liu)产(chan)是由染色(se)体异(yi)常导致的。而因为漏检等原因，在每150个(ge)新生(sheng)儿中，平均有1个(ge)染色(se)体异(yi)常，这(zhe)往往意味着畸形或者基因病，是一件很悲伤的事情。”张(zhang)浩曦说。

染色(se)体核型(xing)分析是医生(sheng)排除(chu)染色(se)体异(yi)常的主要手段。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，医生(sheng)需要“看图配对”，再与正常的染色(se)体进行(xing)对比，看看有没有缺失、重复等异(yi)常现象。

“这(zhe)个(ge)过程周期长，很枯燥，费眼睛，搞得(de)医生(sheng)也(ye)很疲劳。”张(zhang)浩曦说。科莫生(sheng)开发了一种核型(xing)分析大模型(xing)，帮助(zhu)医生(sheng)进行(xing)染色(se)体图像的自动识别(bie)、配对和分析。该产(chan)品(pin)已经拿到(dao)了四川省的二类医疗(liao)器械证。

“原先28天才能拿的染色(se)体报(bao)告，现在在AI的辅助(zhu)下1天就(jiu)能出。”他说，这(zhe)提高了核型(xing)检测的效率，降低了成本，放大了医院的诊疗(liao)能力。“做得(de)快(kuai)了，那么除(chu)了孕检之(zhi)外，比如那些可(ke)能接触辐射的高危人(ren)群有需要的人(ren)也(ye)可(ke)以去做。”

挑战与风险(xian)

生(sheng)命科学研究要求专业性(xing)和准确(que)性(xing)，而医学诊断更是直接关系到(dao)患者的福祉。尽(jin)管AI大模型(xing)正在各(ge)个(ge)应用场景(jing)中迅速落地，但其中还是存在着不少风险(xian)与挑战，需要开发者和政策(ce)标准制定者共同面(mian)对和克服。

在西(xi)湖大学博士研究生(sheng)燕阳眼里，AI辅助(zhu)诊断还是有很多(duo)风险(xian)的：“如果问一些大模型(xing)，孕妇能用什么药，它会提示四环素是可(ke)以使用的，但这(zhe)个(ge)药肯(ken)定不能用。大模型(xing)不知道，是因为它没学到(dao)过。”

他介绍道，在大语言(yan)模型(xing)中，数据训练的本质是去尽(jin)可(ke)能地接近(jin)训练数据。如果数据完整、准确(que)、质量高，那么回答(da)的质量也(ye)就(jiu)高。如果前面(mian)出现错误，就(jiu)会导致后续生(sheng)成中错误的累积，导致答(da)案失真(zhen)。

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。燕阳认(ren)为，很多(duo)人(ren)对生(sheng)命健康(kang)领域数据的认(ren)识存在误区，导致产(chan)品(pin)开发陷入瓶颈，乃至产(chan)生(sheng)风险(xian)。

“有人(ren)觉得(de)有海量数据就(jiu)能训练好模型(xing)，数据越多(duo)模型(xing)性(xing)能越好，这(zhe)是不对的。”他说。医院数据往往是非标准化的，比如医嘱、不同设备产(chan)生(sheng)的检测结果等等，难以直接用来训练AI模型(xing)。有些数据缺乏标注，这(zhe)些可(ke)能会导致模型(xing)学习到(dao)的概率分布偏离真(zhen)实(shi)的医学推理逻辑。

“比如说，超(chao)过90%的胸片报(bao)告只标注异(yi)常结果，正常的话就(jiu)没有标注。那AI可(ke)能会学到(dao)‘如果没有标注，则为正常’的逻辑，这(zhe)显然是不对的，会导致误检率上(shang)升。”燕阳举例(li)道。

由于缺乏更加完整的医学数据，有些医学AI研究可(ke)能会尝试(shi)数据“蒸馏”的方法，用ChatGPT等大模型(xing)生(sheng)成数据，然后用这(zhe)些数据来训练自己参数相(xiang)对较少的模型(xing)。这(zhe)样做的好处是能让(rang)小模型(xing)逼近(jin)大模型(xing)的能力，但坏处是大模型(xing)的输出本身可(ke)能存在问题。

“由于通用的大模型(xing)往往缺少医学知识，可(ke)能导致对罕见病等疾病的忽略(lue)。小模型(xing)将这(zhe)些倾向作为‘事实(shi)’进行(xing)学习，可(ke)能会变得(de)‘过度自信’且容易犯错。”他说。

燕阳认(ren)为，这(zhe)些问题可(ke)以通过让(rang)数据变得(de)更加完整和专业来解决(jue)，比如增(zeng)加专家标注和更多(duo)医学知识，让(rang)AI学会“是什么”和“为什么”。还可(ke)以通过展(zhan)示推理轨迹（CoT）等算法来完善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(nei)首个(ge)AI安全研究员、美国生(sheng)命未来研究所的朱(zhu)小虎告诉澎湃科技，在风险(xian)评估中，大语言(yan)模型(xing)已经展(zhan)现出了欺骗、避免(mian)自身毁灭、传播对人(ren)有害的信息等问题。“基于专业知识的医学模型(xing)相(xiang)对会好很多(duo)。但如果这(zhe)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(ye)可(ke)能会传递到(dao)模型(xing)中。”他说。

据悉，2025全球开发者先锋大会于2月21日至2月23日在上(shang)海举办，主题为“模塑全球，无限可(ke)能”，旨在促进人(ren)工智能产(chan)业集群的培育，推动基础大模型(xing)与算力、语料、垂类应用场景(jing)等人(ren)工智能企业深度融合，打造以开发者为中心(xin)的开发者节。