目前最适合工科的AI是

毫无疑问，AI将不可逆转地改变我们如何预防和治疗疾病。医生将把文档工作交给AI书记员；初级医疗服务提供者将依赖聊天机器人进行分诊；几乎无穷无尽的预测蛋白结构库将极大地加速药物开发。然而，为了真正改变这些领域，我们应该投资于创建一个模型生态系统——比如说，“专家” AI——它们像我们今天最优秀的医生和药物开发者那样学习。成为某个领域顶尖人才通常以多年的密集信息输入开始，通常是通过正规的学校教育，然后是某种形式的学徒实践；数年时间都致力于从该领域最出色的实践者那里学习，大多数情况下是面对面地学习。这是一个几乎不可替代的过程：例如，医学住院医生通过聆听和观察高水平的外科医生所获取的大部分信息，是任何教科书中都没有明确写出来的。通过学校教育和经验，获得有助于在复杂情况下确定最佳答案的直觉特别具有挑战性。这一点对于人工智能和人类都是如此，但对于AI来说，这个问题因其当前的学习方式以及技术人员当前对待这个机会和挑战的方式而变得更加严重。通过研究成千上万个标记过的数据点（“正确”和“错误”的例子）——当前的先进神经网络架构能够弄清楚什么使一个选择比另一个选择更好。我们应该通过使用彼此堆叠的模型来训练AI，而不是仅仅依靠大量的数据，并期望一个生成模型解决所有问题。例如，我们首先应该训练生物学的模型，然后是化学的模型，在这些基础上添加特定于医疗保健或药物设计的数据点。预医学生的目标是成为医生，但他们的课程从化学和生物学的基础开始，而不是诊断疾病的细微差别。如果没有这些基础课程，他们未来提供高质量医疗保健的能力将受到严重限制。同样，设计新疗法的科学家需要经历数年的化学和生物学学习，然后是博士研究，再然后是在经验丰富的药物设计师的指导下工作。这种学习方式可以帮助培养如何处理涉及细微差别的决策的直觉，特别是在分子层面，这些差别真的很重要。例如，雌激素和睾酮只有细微的差别，但它们对人类健康的影响截然不同。

原创Lian et Zian普通人的AI自由2024-04-15 18:17上海原文地址：https://mp.weixin.qq.com/s/cxKzeAQ_539YOfKNNuIpDA[heading1]太长不看版[content]从人口老龄化和医保缺口看：AI初诊是基础普惠医疗的必选项在AI诊断准确率不断提升的背景下，“AI不能背锅论”不构成问题医疗数据是核心资产并提供行业护城河，C端AI陪诊、AI助理等可以成为获取医疗数据的重要途径短期内，AI医疗C端直接付费仍然会比较困难，满足2B\2G的降本需求会是主要模式医生使用AI助手动力不足，短期内“护士助手”可能比“AI诊疗”更适合国情更长期，AI提供了“人体健康模型”的可能性：防未病、真正的个性化诊疗[作者]Yi,Lian

我们今天正站在这个转折点上。直到现在，医疗保健和生物技术仍然大量依赖服务——由受过专业培训的科学家和[医生](https://a16z.com/2019/06/13/ai-doctor-deep-medicine-topol/)提供——这些服务是算法无法替代的，更不用说为公司增加足够的价值来采纳它们了。但现在，我们正处于一个革命的起点，[AI正在](https://a16z.com/2019/11/19/ai-industrializing-discovery-biology-healthcare/)工业化生物制药和医疗保健，它被应用于从[药物设计](https://a16z.com/2020/05/26/investing-insitro/)和[诊断](https://a16z.com/2017/03/01/going-deeper-into-freenome/)到[医疗保健交付](https://a16z.com/2021/07/12/investing-in-bayesian-health/)和[后勤功能](https://a16z.com/2021/02/09/administration-healthcare-back-office-innovation/)的各个方面。（关于在生物学中应用AI的讨论经常出现的问题或挑战，我在[此处](https://a16z.com/2018/02/28/black-box-problem-ai-healthcare/)解决了医疗保健中AI的“黑箱”问题；并在[此处](https://a16z.com/2021/06/15/ai-is-too-dumb-for-now-2/)解决了我们获取智能[与“愚蠢”]AI的需求问题。）[heading4]但现在，我们正处于一个革命的起点，AI正在使生物制药和医疗保健产业化，并且它被应用到从药物设计和诊