人們對人工智能（AI）的興趣達到了前所未有的高度。整個醫(yī)療保健領(lǐng)域的領(lǐng)導(dǎo)者都面臨著在何處、何時、如何部署AI，以及如何了解其風(fēng)險、問題和可能性等問題。
各種AI的能力和風(fēng)險明顯不同。
正如在制定治療方案時將細菌和病毒感染歸為一類可能會導(dǎo)致錯誤的臨床結(jié)果一樣，將不同種類的AI歸為一類可能會將醫(yī)療決策者引向錯誤的道路。
來自美國的學(xué)者將AI分成了簡單實用的AI三個時代的框架，可以幫助決策者在技術(shù)變革的今天了解不同類型人工智能的優(yōu)勢、劣勢和挑戰(zhàn)。
我們今天一塊學(xué)習(xí)一下。
人工智能 1.0：符號 AI 和概率模型
在人工智能發(fā)展的最初 50 多年里，大多數(shù)人工智能都專注于將人類知識編碼成機器規(guī)則。我們可以將其理解為許許多多的 "如果-那么 "規(guī)則或決策樹。這種符號人工智能取得了一些非凡的成就，例如 IBM 的 "深藍"（Deep Blue）在 1997 年擊敗了國際象棋世界冠軍。在醫(yī)療保健領(lǐng)域，INTERNIST-I 等工具旨在表達有關(guān)疾病的專家知識，以幫助處理具有挑戰(zhàn)性的病例。
符號人工智能也有一些關(guān)鍵的局限性，特別是在構(gòu)建過程中始終存在人為邏輯錯誤的風(fēng)險，而且由于其知識庫完全依賴于創(chuàng)建者，其規(guī)則中也存在偏見。但最重要的問題可能是，從經(jīng)驗上看，符號人工智能存在基本能力限制，在面對真實世界的情況時顯得脆弱不堪。
作為回應(yīng)，研究開始更多地關(guān)注概率建模，如傳統(tǒng)的回歸和貝葉斯網(wǎng)絡(luò)，這使得專家知識和經(jīng)驗數(shù)據(jù)都能為推理系統(tǒng)做出貢獻。這些模型能更優(yōu)雅地處理現(xiàn)實世界中的情況，并在醫(yī)療保健領(lǐng)域找到了一些用武之地，但在實踐中難以擴展，管理圖像、自由文本和其他復(fù)雜臨床數(shù)據(jù)的能力有限。
人工智能 2.0：深度學(xué)習(xí)時代
研究更多數(shù)據(jù)驅(qū)動方法的工作，即廣義上的機器學(xué)習(xí)，植根于這樣一種理念：智能的關(guān)鍵是從錯誤中學(xué)習(xí)。20 世紀 80 年代和 90 年代的錯誤反向傳播等發(fā)現(xiàn)奠定了基礎(chǔ)，但真正的革命發(fā)生在 2010 年代初。隨著數(shù)據(jù)集的增長和計算機速度的加快，使用多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)開始發(fā)揮其作用，人工智能 2.0 時代開始了。
首先，卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)賦予了計算機 "看 "的能力，它們獲得了對照片中的圖像進行分類（如 "貓 "與 "狗"）的能力。如今，在手機上搜索成千上萬張照片是一件輕而易舉的事，無需手動為每張照片標注內(nèi)容。個人甚至可以識別照片中自己一無所知的事物，如特定類型的植物。語音識別已司空見慣。人們可以在 100 多種語言中進行翻譯，無論是通過打字還是將相機對準使用他們不懂的語言書寫的單詞。
深度學(xué)習(xí)還讓醫(yī)療保健領(lǐng)域的新事物變得實用。本世紀《美國醫(yī)學(xué)會雜志》（JAMA）上最具影響力的一篇文章顯示，眼科醫(yī)生可以從視網(wǎng)膜照片中識別出糖尿病視網(wǎng)膜病變。研究人員還在乳腺癌和肺癌篩查、病理學(xué)、皮膚病鑒定以及從電子健康記錄數(shù)據(jù)中進行預(yù)測等諸多領(lǐng)域取得了突破性進展。
深度學(xué)習(xí)算法從標有基本事實（"這張圖片是一只貓"）的示例中學(xué)習(xí)。然后，它們學(xué)習(xí)模式，而不是通過編程來確定模式是什么。在這個時代，對計算機進行編程學(xué)習(xí)比用專家提供的規(guī)則硬編碼要容易得多，至少在許多任務(wù)中是如此。這些模型具有非凡的能力，但也存在重大風(fēng)險。當實時數(shù)據(jù)與訓(xùn)練數(shù)據(jù)不同時，模型可能會失效。例如，如果一個模型只接受了 "貓與狗 "的訓(xùn)練，但給它一張飛機的圖片，它就不會給出好的結(jié)果。
這種分布失衡問題的更微妙版本是醫(yī)療保健領(lǐng)域的一個重要安全問題。還可能出現(xiàn)復(fù)雜的偏差，涉及基礎(chǔ)數(shù)據(jù)的包容性、基于種族的不平等和不公平的診斷和治療選擇、算法設(shè)計選擇以及其他問題。
人工智能 3.0：基礎(chǔ)模型和生成式人工智能
人工智能 2.0 有一個關(guān)鍵問題，與有點兒夸張的災(zāi)難性遺忘有關(guān)：在處理長文本序列時，它很難記住序列中較早的內(nèi)容。2017 年出現(xiàn)的轉(zhuǎn)換器架構(gòu)幫助解決了這一問題，讓模型在處理長段落時能夠集中注意力。
隨后幾年，轉(zhuǎn)換器與更多計算和更多數(shù)據(jù)相結(jié)合，創(chuàng)建了基礎(chǔ)模型和大型語言模型。2022 年和 2023 年，進展速度急劇加快，標志著第三個時代的到來。
人工智能 2.0 區(qū)別于人工智能 3.0 的兩個關(guān)鍵要素。首先，人工智能 2.0 是針對特定任務(wù)的。它一次只做一件事。如果個人希望它做其他事情，就需要一個新的數(shù)據(jù)集和訓(xùn)練一個新的模型。
其次，人工智能 2.0 在很大程度上是對事物進行預(yù)測或分類。它生成新單詞、圖像或其他內(nèi)容的能力有限。
人工智能 3.0 則從根本上不同。它可以完成許多不同的任務(wù)，而無需重新訓(xùn)練。例如，一個簡單的文本指令就能改變模型的行為。像 "為專家顧問寫這張便條 "和 "為病人的母親寫這張便條 "這樣的提示會產(chǎn)生明顯不同的內(nèi)容。
這些模型的能力也有顯著提高：解釋真正復(fù)雜的問題；接受并生成文本、圖像和聲音；創(chuàng)建與人寫的幾乎無異的回復(fù)；以及進行長時間對話。這些模型有多種類型，我們將重點討論一個重要的類別--大型語言模型。
這些模型已經(jīng)影響到我們的日常生活，如寫作助手、圖像生成器、軟件編碼助手和聊天機器人。針對健康領(lǐng)域的大型語言模型現(xiàn)在也已經(jīng)存在。
例如，Med-PaLM 和 Med-PaLM 2 是谷歌開發(fā)的經(jīng)過醫(yī)學(xué)調(diào)整的基礎(chǔ)模型，在醫(yī)學(xué)執(zhí)照考試類型的問題上達到了專家級水平。當醫(yī)生將 Med-PaLM 2 的答案與不了解其來源的醫(yī)生所寫的答案進行比較時，在 9 個評估維度中的 8 個維度上，醫(yī)生都強烈傾向于該模型的答案。想象一下，有一大堆文檔。一個人按順序向模型展示每個單詞，但不讓它看到下一個單詞。
相反，要求模型一次又一次地預(yù)測單詞。每當模型預(yù)測錯誤一次，它就會改變其內(nèi)部關(guān)于單詞如何組合在一起的表征。最終，它就會建立一個關(guān)于這些單詞（以及概念）如何組合在一起的表征。之后，當該模型被問到一個問題時，它就會通過預(yù)測答案中可能出現(xiàn)的下一個單詞來做出反應(yīng)。
將這些模型的基本版本視為下一個單詞預(yù)測引擎。這有助于理解它們的一些驚人行為。例如，這些模型可能擅長編寫計算機程序，卻不擅長算術(shù)。為什么呢？因為它們不是在做數(shù)學(xué)，而是在預(yù)測一個序列中的下一個單詞。
同樣，它們可能會返回聽起來合理但不正確的期刊引文。為什么？同樣的原因：他們不是在PubMed上查資料，而是在預(yù)測似是而非的下一個詞。
這些 "幻覺 "是人工智能 3.0 中的一個新風(fēng)險類別。在這一領(lǐng)域，基礎(chǔ)和檢索增強生成等方面的技術(shù)進步正在積極提高性能，這些模型使用計算器等工具或?qū)崟r訪問網(wǎng)絡(luò)的能力也提高了結(jié)果。
我們預(yù)計，人工智能 3.0 將作為增強工具投入使用，最初將幫助解決醫(yī)療保健方面的問題，如文檔記錄負擔(dān)。隨著這些工具隨后開始支持臨床實踐，臨床醫(yī)生也將參與其中，因此需要一個深思熟慮的監(jiān)管框架，以幫助確?；颊甙踩貜倪@項技術(shù)中獲益。
基礎(chǔ)模型和生成型人工智能代表了人工智能能力的一場重大革命，為改善護理提供了巨大潛力。如今，醫(yī)療保健領(lǐng)導(dǎo)者正在就人工智能做出決定。雖然任何啟發(fā)式方法都會省略細節(jié)并失去細微差別，但人工智能1.0、2.0和3.0的框架可能對決策者有幫助，因為每個時代都有根本不同的能力和風(fēng)險。
Copyright ? 2022 上?？评讜狗?wù)有限公司 旗下「智慧醫(yī)療網(wǎng)」版權(quán)所有 ICP備案號：滬ICP備17004559號-5
