医疗垂类大模型应走出'应试'误区，聚焦真实场景落地
'现阶段，许多医疗垂类大模型就是伪命题，推理能力不行。' 一位观望大模型已久的医疗从业者玄彬（化名）发出了极为尖锐的批评。
在他看来，目前人工智能是靠 scaling law 涌现的，模型性能随着模型规模、数据规模和算力规模等因素的增大而提升。只要还是 Transformer，就不可能有垂类的机会。
过去两年，为了追上生成式 AI 的热潮，不少企业将开源大模型稍加'改造'后就冠以自有产品名，套牌、过度宣传屡见不鲜，铺天盖地的榜单，各种评测熙熙攘攘。'大模型用不用不重要，先要拥有大模型。'思潮下，历经井喷式的发展，也造就了医疗大模型圈里鱼龙混杂、良莠不齐。
当通用大模型掀起了低价肉搏战，从 5 元到 1 元，不断击穿大模型低价，巨头们降价正酣。医疗大模型虽在病历书写、诊断等细分领域展示出巨大潜力，但商业化路径仍不清晰，行业仍在苦苦寻觅杀手级场景。
与此同时，技术不断迭代，随着 OpenAI 和 Mistral AI 的助力，专家混合（MoE）一时间炙手可热。这种混合模型，由多个子模型（即专家）组成，每个子模型都是一个局部模型，专门处理输入空间的一个子集。简而言之，它使用一个门控网络来决定每个数据应该被哪个模型去训练，从而减轻不同类型样本之间的干扰。
天才黑客乔治・霍兹曾爆料，GPT-4 其实是一个混合模型，采用了由 8 个专家模型组成的集成系统，每个专家模型都有 2200 亿个参数。
2023 年底，微软首席科学家埃里克・霍尔维茨曾发布一项调研报告《The Power of Prompting》，他们研究发现，在相同的基准上，利用提示词工程就能让 GPT-4 的性能明显优于专门针对医疗应用进行微调的领先模型。
'Medprompt 研究表明，更深入地探索将通用模型转化为专业模型的提示可能性，并将这些模型的优势扩展到新领域和新应用，是非常有价值的。'埃里克·霍尔维茨欣喜写道。
以上种种，使得医疗垂类大模型的质疑声越来越响：医疗大模型是伪命题吗？我们可以期待怎样的医疗大模型？
01 衡量标准：忍受 VS 享受，要求 VS 需要
在和缓医疗 CEO 李宇看来，判断大模型的应用是否成立，主要在于两个点：一是对于用户来说，大模型是忍受，还是享受；二是对于使用者而言，是要求还是需要。
'现在整个医疗行业都在寻找杀手级应用，找场景，其实很重要一点就在于找到强要求、强监管下的应用。'他阐述道，邮件和 Office 这种才叫杀手应用，发生在每天应用的工具中，具备非常高的便捷性。
纵览目前的医疗大模型，多聚焦患者问诊、医生助手、药物研发、健康科普等领域。李宇最看好的则是病历质控系统以及 DRG/DIP 下，监管医院的临床诊疗行为和收费合理性的医保控费应用。
'对于医院至关紧要的，才会有大规模商业机会。'李宇认为，文字模型的杀手级应用应该还是在病历相关的场景上，比如 DRG 要求的病案首页等医生极易出错的地方，抓住了医院端需求，并打通了业务场景，落地了才能有未来。
当大模型进入医疗领域之后，更多的资源应该探索如何寻找高频且刚需的场景，如此才能诞生下一个超级应用的可能性。当享受与需要二者兼备，医疗大模型才能真正成立。
复旦大学中国研究院副研究员刘典曾在线下论坛中一针见血指出，行业的核心是数据和原有的工作流。只要大模型能很好解决这两件事，且成本不高于原有方案，就不能说是伪命题。
换言之，只有在医疗领域真正实现'降本增效'，积累真实世界数据，才能称得上医疗大模型。
要知道，大模型想要真正脱颖而出，几方面能力至关重要：
- 获取最新知识能力：医学知识是不断更迭的，需要动态获取最新的医学知识。
- 理解多模态数据：医学影像、X 光片，心电图等。
- 高级推理能力：大模型不能永远只做'应试教育的高材生'，真正应用于医疗场景中，非常依赖模型的推理能力，毕竟好的医生都是推理专家。
- 长文本能力：处理复杂的病历记录和文献。
百模大战尽管听起来热闹，但是真正具备模型能力的仍是少数，毕竟大模型推理这类访存密集型任务需要真金白银的投入。财通证券曾经测算，支撑 GPT-3.5 推理任务的 A100 数量或至少在 5 万张左右。
'我觉得医疗垂直大模型不成立的原因就是它的推理能力会很弱，你不会希望一个熟读各类医学百科、疾病诊疗指南书籍的学生来当你的医生。'玄彬坚定说道，虽然它是个专业的学生，但作为医疗场景应用，还是有些危险。
02 大模型的终局——通用还是垂直？
事实上，通用大模型与垂直大模型之争从 2024 年初便备受关注。
一个理想的范式中，通用大模型以'百科全书式'的通用能力安身，垂直大模型以某一领域的专家立命，两者融合共同构筑枝繁叶茂的大模型生态。然而，随着 AGI 时代的到来，通用大模型完全能够覆盖各种垂直模型的业务场景，垂直模型存在的必要性便被质疑。
一位生物医学工程博士在社交媒体撰文指出，目前一个很尴尬的事情：许多垂类大模型在他垂直领域里能力似乎没有超过通用大模型。所谓垂类大模型，感觉就是用小部分已经用过的文本数据做复读机一样的训练，用通用领域的性能下降换专业领域的 sota。
判断一个大模型够不够聪明，很重要的一点就是它能不能解决复杂问题。玄彬在过去一年多测试了许多医疗大模型，悲哀地发现，有时候医疗大模型宣称'更懂医疗'，其实只是把医疗领域的俗称与全称对应一下。'比如甲减，你不翻译成甲状腺功能性减退，通用大模型就听不懂了，而一些垂直模型所做的事情就是把这些俗称对应一下。'
