“如果要在‘我’和‘你’之间填空，应该(gai)怎么填？在武侠(xia)小(xiao)说里(li)可能‘打’出(chu)现得比较多，而在爱情小(xiao)说里(li)可能‘爱’出(chu)现得多。语言大模型可以预测在不同语境(jing)中(zhong)，填哪个(ge)字的可能性(xing)最高。”上(shang)海达威(wei)科技创始人朱代辉介绍道。

在目前大模型广(guang)泛(fan)采用的Transformer架构中(zhong)，输入的文本会被转化成数学向(xiang)量(liang)的形式，词与词的关联概率(lu)可以用向(xiang)量(liang)距离来度(du)量(liang)。模型比较这(zhe)些向(xiang)量(liang)，计算(suan)出(chu)它们之间的“注(zhu)意力权重”，从而确定哪些词对当(dang)前词更(geng)重要，这(zhe)就是(shi)“自注(zhu)意力”（Self-Attention）算(suan)法机制(zhi)。

“这(zhe)种(zhong)机制(zhi)允许模型在处理序列(lie)数据时，同时考(kao)虑所(suo)有位置(zhi)的信息(xi)，动态地决定哪些信息(xi)更(geng)重要。”朱代辉说。为(wei)了让模型在不同的上(shang)下文中(zhong)捕捉不同的信息(xi)，Transformer模型会将注(zhu)意力权重维度(du)分成多组(zu)同时计算(suan)，每组(zu)关注(zhu)序列(lie)中(zhong)的不同部分，最后的结果会被合(he)并。这(zhe)种(zhong)“多头注(zhu)意力”（Multi-Head Attention）机制(zhi)能帮助模型从多个(ge)角度(du)理解句(ju)子(zi)。

这(zhe)些注(zhu)意力权重随后会被输入“前馈神经网(wang)络(luo)”（Feed-Forward Neural Network）中(zhong)进行计算(suan)。这(zhe)种(zhong)神经网(wang)络(luo)模型由多层(ceng)对应数据特征(zheng)的节点构成，它能够帮助模型对数据进行“深度(du)学习”，发现其(qi)中(zhong)更(geng)复(fu)杂的模式。

这(zhe)些模块层(ceng)层(ceng)堆叠，产生大量(liang)参数来描述数据。通(tong)过调整，这(zhe)些模型不止能够学习语言，还能够学习图像、音频(pin)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(dang)参数和数据量(liang)达到一定规模时，模型就仿佛“开窍”一般(ban)，涌现出(chu)分类、预测、生成的能力。

要达到这(zhe)种(zhong)效果需要耗费大量(liang)的数据和算(suan)力成本。专(zhuan)注(zhu)于应用的开发者可以选择在这(zhe)些已经具备一定认知能力的通(tong)用大模型基础上(shang)进行算(suan)法和数据的调整，开发适用于特定任务的专(zhuan)业大模型。

联合(he)利华数据AI总监、计算(suan)生物学博士杨荟介绍了Biobert、SCGPT、Evo等多款生命科学和医学领域的大模型，可以用于基因、蛋白质等多组(zu)学信息(xi)的整合(he)、药物靶点发现与分子(zi)设计、医学图像分析(xi)等场景。

能看文献，能做研究，也能诊断

杨荟提到，大模型已经成为(wei)辅助生命科学和医学研究的得力助手。

“一天我看到家里(li)的塑料袋被一些虫子(zi)分泌的物质所(suo)腐蚀，突然来了灵感，就通(tong)过Chatgpt的Deep research（深度(du)研究）功(gong)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)到了西班牙的一项研究，其(qi)中(zhong)发现一种(zhong)飞蛾幼虫能分泌两种(zhong)能够降解塑料的蛋白质。”他说。

随后，杨荟通(tong)过AI提供的资料找(zhao)到了这(zhe)两种(zhong)蛋白质在数据库中(zhong)的信息(xi)。“其(qi)中(zhong)一种(zhong)已经被解析(xi)，而且可以看到实际结果与蛋白质结构预测AI给出(chu)的结果很接近。”

一名(ming)开发者还介绍了一款在医学和生物领域相当(dang)流行的AI产品“txyz”。这(zhe)款基于Chatgpt开发的平台能够帮助用户快速查找(zhao)和精读论文，或(huo)是(shi)根据论文形成准确的综合(he)性(xing)回答，帮助科研人员快速获取知识(shi)。

AI大模型快速“理解”文献的能力还可以用于从海量(liang)论文中(zhong)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、疾病机制(zhi)等，然后再用这(zhe)些信息(xi)和其(qi)它实验数据去建(jian)立能够预测生命和疾病活动的模型。这(zhe)被一些人称为(wei)生命的“数字孪生”（digital twin）。

“近年(nian)来尽(jin)管科技进步了，数据也越来越多，药物研发的成功(gong)率(lu)却在走低，主要原因是(shi)对药理机制(zhi)理解的缺乏。”焕一生物的副总裁(cai)蔡俊(jun)杰告诉澎(peng)湃(pai)科技。数字孪生能够通(tong)过模拟人体对药物的反应，从病理的角度(du)对实验结果进行预测，让药物研发少走弯路。

开源大模型性(xing)能的提升为(wei)数字孪生产品开发者带来了新的机遇。“公开数据库中(zhong)有3700万篇医学文献，我们算(suan)了一下，如果调用Chatgpt的接口(kou)去提取收集里(li)面的机制(zhi)和参数等知识(shi)，要花费几千万乃至上(shang)亿(yi)美元。”蔡俊(jun)杰说，“现在有了性(xing)能同样强劲的开源模型Deepseek，就能显(xian)著降低成本。”

在医学诊断方面，AI大模型也正(zheng)在帮助医生提高效率(lu)，甚至取代一部分的工(gong)作。上(shang)海科莫(mo)生医疗科技有限公司的张浩曦分享(xiang)了他们开发的染色体核型分析(xi)AI平台。

在胚胎发育、细胞分裂时，DNA紧密压缩在一起(qi)，成为(wei)我们能观测到的染色体，它们的功(gong)能和形态正(zheng)常很重要。“50%的自然流产是(shi)由染色体异常导(dao)致的。而因为(wei)漏检等原因，在每150个(ge)新生儿中(zhong)，平均有1个(ge)染色体异常，这(zhe)往往意味着畸形或(huo)者基因病，是(shi)一件很悲伤(shang)的事情。”张浩曦说。

染色体核型分析(xi)是(shi)医生排除染色体异常的主要手段(duan)。人有23对染色体，但在观测时往往不是(shi)成对出(chu)现的。在核型分析(xi)中(zhong)，医生需要“看图配对”，再与正(zheng)常的染色体进行对比，看看有没有缺失、重复(fu)等异常现象。

“这(zhe)个(ge)过程周期长，很枯燥(zao)，费眼(yan)睛，搞(gao)得医生也很疲劳(lao)。”张浩曦说。科莫(mo)生开发了一种(zhong)核型分析(xi)大模型，帮助医生进行染色体图像的自动识(shi)别、配对和分析(xi)。该(gai)产品已经拿到了四川省的二类医疗器(qi)械证。

“原先28天才能拿的染色体报告，现在在AI的辅助下1天就能出(chu)。”他说，这(zhe)提高了核型检测的效率(lu)，降低了成本，放大了医院的诊疗能力。“做得快了，那么除了孕检之外，比如那些可能接触(chu)辐射的高危人群有需要的人也可以去做。”

挑战与风险

生命科学研究要求专(zhuan)业性(xing)和准确性(xing)，而医学诊断更(geng)是(shi)直(zhi)接关系到患者的福祉(zhi)。尽(jin)管AI大模型正(zheng)在各个(ge)应用场景中(zhong)迅(xun)速落地，但其(qi)中(zhong)还是(shi)存在着不少风险与挑战，需要开发者和政(zheng)策(ce)标准制(zhi)定者共同面对和克服。

在西湖大学博士研究生燕阳眼(yan)里(li)，AI辅助诊断还是(shi)有很多风险的：“如果问一些大模型，孕妇能用什么药，它会提示四环素是(shi)可以使用的，但这(zhe)个(ge)药肯(ken)定不能用。大模型不知道，是(shi)因为(wei)它没学到过。”

他介绍道，在大语言模型中(zhong)，数据训练的本质是(shi)去尽(jin)可能地接近训练数据。如果数据完整、准确、质量(liang)高，那么回答的质量(liang)也就高。如果前面出(chu)现错误，就会导(dao)致后续生成中(zhong)错误的累(lei)积，导(dao)致答案(an)失真。

因此，追求更(geng)高质量(liang)的数据成为(wei)AI产品开发者共同关注(zhu)的主题。燕阳认为(wei)，很多人对生命健康领域数据的认识(shi)存在误区，导(dao)致产品开发陷(xian)入瓶颈，乃至产生风险。

“有人觉(jue)得有海量(liang)数据就能训练好(hao)模型，数据越多模型性(xing)能越好(hao)，这(zhe)是(shi)不对的。”他说。医院数据往往是(shi)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(zhi)接用来训练AI模型。有些数据缺乏标注(zhu)，这(zhe)些可能会导(dao)致模型学习到的概率(lu)分布偏离真实的医学推(tui)理逻辑(ji)。

“比如说，超过90%的胸片报告只标注(zhu)异常结果，正(zheng)常的话就没有标注(zhu)。那AI可能会学到‘如果没有标注(zhu)，则为(wei)正(zheng)常’的逻辑(ji)，这(zhe)显(xian)然是(shi)不对的，会导(dao)致误检率(lu)上(shang)升。”燕阳举例道。

由于缺乏更(geng)加完整的医学数据，有些医学AI研究可能会尝试数据“蒸馏”的方法，用ChatGPT等大模型生成数据，然后用这(zhe)些数据来训练自己参数相对较少的模型。这(zhe)样做的好(hao)处是(shi)能让小(xiao)模型逼近大模型的能力，但坏处是(shi)大模型的输出(chu)本身可能存在问题。

“由于通(tong)用的大模型往往缺少医学知识(shi)，可能导(dao)致对罕见病等疾病的忽略。小(xiao)模型将这(zhe)些倾向(xiang)作为(wei)‘事实’进行学习，可能会变得‘过度(du)自信’且容易犯错。”他说。

燕阳认为(wei)，这(zhe)些问题可以通(tong)过让数据变得更(geng)加完整和专(zhuan)业来解决，比如增加专(zhuan)家标注(zhu)和更(geng)多医学知识(shi)，让AI学会“是(shi)什么”和“为(wei)什么”。还可以通(tong)过展示推(tui)理轨迹（CoT）等算(suan)法来完善AI的推(tui)理过程，把自相矛盾或(huo)者错误的逻辑(ji)剔除出(chu)去。

国内首(shou)个(ge)AI安全研究员、美国生命未(wei)来研究所(suo)的朱小(xiao)虎告诉澎(peng)湃(pai)科技，在风险评估(gu)中(zhong)，大语言模型已经展现出(chu)了欺骗、避免(mian)自身毁灭、传播对人有害的信息(xi)等问题。“基于专(zhuan)业知识(shi)的医学模型相对会好(hao)很多。但如果这(zhe)些模型是(shi)以通(tong)用大模型为(wei)基座训练的话，底层(ceng)的倾向(xiang)也可能会传递到模型中(zhong)。”他说。

据悉，2025全球开发者先锋大会于2月(yue)21日至2月(yue)23日在上(shang)海举办，主题为(wei)“模塑全球，无限可能”，旨(zhi)在促(cu)进人工(gong)智能产业集群的培(pei)育，推(tui)动基础大模型与算(suan)力、语料、垂类应用场景等人工(gong)智能企业深度(du)融合(he)，打造(zao)以开发者为(wei)中(zhong)心的开发者节。