2024生成式人工智能genai在生物醫(yī)藥大健康行業(yè)應用進展報告-理特咨詢-202405

生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告CMAC醫(yī)學事務生成式AI聯(lián)盟1計，全球大型企業(yè)中，已有10%成功將GenAI技術(shù)應用于公司層面的平臺級項目，50%調(diào)查顯示，GenAI已成為大多數(shù)制藥公司的首要關(guān)注點GenAI來幫助企業(yè)降低成本或提高生產(chǎn)效率的目標，其中75%的公司2023年4月，CMAC牽頭與跨國和國內(nèi)生物制藥企業(yè)、醫(yī)藥AI領(lǐng)先企業(yè)以及醫(yī)學專家共ChatGPT大模型在醫(yī)療健康行業(yè)落地的挑戰(zhàn)及可能的路徑，為在ChatGPT背景下大模型在過去的一年中，CMAC醫(yī)學事務生成式AI聯(lián)盟與數(shù)十家跨國和國內(nèi)的藥械企業(yè)、營養(yǎng)（POC）、項目申報等形式，我們交流并見證了GenAI在國內(nèi)生物醫(yī)藥大健康行業(yè)的快年。因此CMAC醫(yī)學事務生成式AI聯(lián)盟牽頭，聯(lián)合理特咨詢、天士力數(shù)智中藥創(chuàng)新中2第一章第一章GenAI技術(shù)進展概述4GenAI應用進展情況4GenAI技術(shù)定義及背景4GenAI應用領(lǐng)域與案例5GenAI應用關(guān)鍵技術(shù)8RAG10GenAI大模型發(fā)展現(xiàn)狀18第二章GenAI在生物醫(yī)藥大健康行業(yè)主要應用場景總覽32GenAI在生物醫(yī)藥大健康行業(yè)主要應用場景總覽33第三章GenAI在生物醫(yī)藥大健康行業(yè)的挑戰(zhàn)、展望及落地建議58數(shù)據(jù)合規(guī)性、符合醫(yī)學邏輯及循證溯源603第一章：GenAI技術(shù)進展概述4生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告1.1GenAI應用進展情況當OpenAI在2022年11月30日發(fā)布ChatGPT的時候，沒有人會意識到，新一代人工智能大模型時代。OpenAI基于Transformer的Decoder部分建立起來了GPT家族。ChatGPT伴隨AI預訓練大模型持續(xù)發(fā)展，生成式人工智能（GenAI）算法不斷創(chuàng)新以及多模態(tài)AI日益主流化，以ChatGPT為代表的GenAI技術(shù)加速成為AI領(lǐng)域的最新發(fā)展方向，推1.1.1GenAI技術(shù)定義及背景方式。通過訓練模型來生成新的、與訓練數(shù)據(jù)相似的內(nèi)容。與傳統(tǒng)類型的識別和預測現(xiàn)有數(shù)據(jù)的模式不同，GenAI著重于創(chuàng)造新的、有創(chuàng)意的數(shù)據(jù)，其關(guān)鍵原理在于學習和理解數(shù)據(jù)的分布，進而生成具有相似特征的新數(shù)據(jù)，在頻、視頻等多種領(lǐng)域都有廣泛的應用。GenAI目前最引人注目的應用當屬ChatGPT。ChatGPT是基于OpenAI公司的大語言模型GPT-3.5訓練、調(diào)試、優(yōu)化的聊天機器人應ChatGPT發(fā)布僅兩個月即獲得1億月活用戶，超越了歷史上所有互聯(lián)網(wǎng)消費者應用軟件的用戶增長速度。以大語言模型、圖像生成模型為代表的GenAI技術(shù)，成為新一代人工智能的平臺型技術(shù)，助力不同行業(yè)實現(xiàn)價值躍升。GenAI大爆發(fā)的背后，普遍認為三個領(lǐng)域的AI技術(shù)的發(fā)展為其提供了肥沃的土壤，分別是生成算像、語音、視頻物體等各種類型的內(nèi)容和數(shù)據(jù)。GenAI與過去最顯著的區(qū)別是從分析第二，預訓練模型，特別是以ChatGPT為代表的大模型，引發(fā)了GenAI技術(shù)能力的質(zhì)變。在過去，研究人員需要針對每一個類型的任務單獨訓練AI模只能從事特定任務，不具有通用性。而預訓練的大模型技術(shù)顯著提升了GenAI模型的5生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告模型，包括ChatGPT、GPT-4等大語言模型（LargeLanguageModels，LLM）和更加泛化的語言理解和內(nèi)容生成能力。以大語言模型（LLM）為例，經(jīng)過海量的互聯(lián)網(wǎng)內(nèi)容數(shù)據(jù)的訓練，大語言模型的參數(shù)可以達到萬億甚至百萬億級別語言模型的生成能力，同一個大語言模型可以高質(zhì)量地完成各種各樣務，例如作詩、寫文章、講故事、寫代碼、提供專業(yè)知識等等。因此第三，多模態(tài)AI技術(shù)的發(fā)展。多模態(tài)技術(shù)讓GenAI模型可以跨模態(tài)地去生成各種類型1.1.2GenAI應用領(lǐng)域與案例編寫文章、故事、詩歌等，為作家和內(nèi)容創(chuàng)作者提供新的創(chuàng)作ChatGPT目前仍以文字方式互動，可以解決包括自動文GenAI的商業(yè)服務。6生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告GenAI技術(shù)還可以用于語音合成，即生成逼真的語音。例如，通過學習人類的語音特征，生成式模型可以生成逼真的語音，從而用于虛擬助手、語音翻譯等應用。GenAI為音樂家提供新的創(chuàng)作靈感。這種技術(shù)還可以幫助音GenAI可以用于生成虛擬角色、場景和動畫，為電影和游戲制作帶來更多的創(chuàng)意可2023年3月，騰訊AILab在GDC上提出了3D虛擬場景自動生成解決方案，能夠幫助游戲開發(fā)者以更低成本創(chuàng)造風格多樣、貼近現(xiàn)實的虛擬城市，提升3D虛擬場景的生產(chǎn)經(jīng)過自然語言和數(shù)十億行代碼的訓練。部分GenAI模型精通十幾種語言，包括者正在編輯的代碼上下文為開發(fā)者提供代碼建議。官方介紹其已7生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告GenAI可以直接應用于翻譯實踐之中，與傳統(tǒng)機器翻譯系統(tǒng)采用以句子為單位的方式訓練不同，大語言模型采用以單詞為單位的方式進行訓練。這使傳統(tǒng)機器翻譯系統(tǒng)在遇到較為復雜的語言環(huán)境時，往往會出現(xiàn)句法誤，而大語言模型可以應付更為復雜的語言環(huán)境，產(chǎn)出更為準確、比較而言，大語言模型在翻譯方面展現(xiàn)的性能要比傳統(tǒng)機器翻譯更騰訊會議AI小助手：只需通過簡單自然的會議指令，基于對會議可以完成信息提取、內(nèi)容分析、會管會控等多種復雜任務。會后總結(jié)摘要，還能基于智能錄制的能力，幫助用戶高效回顧，提升GenAI可以在化學、生物學、物理學等領(lǐng)域探索新的理論和實驗方法，幫助科學家發(fā)現(xiàn)新的知識。此外，GenAI還可以用于藥物設計、材料科學等領(lǐng)域，加速技術(shù)創(chuàng)新和8生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告1.2GenAI應用關(guān)鍵技術(shù)在GenAI領(lǐng)域中，有四種關(guān)鍵技術(shù)：模型訓練(ModelTraining)、微調(diào)(FineTuning)、檢索增強生成(RAG)和提示詞工程(PromptEngineering)。針對不同的業(yè)務目標和場景，選擇適當?shù)募夹g(shù)模型方法至關(guān)重要。1.模型訓練(ModelTraining)：需要大量的數(shù)據(jù)和計算資源來從頭構(gòu)建一個人工智能模型。它具有高度的可定制性和可擴展性，但耗時較長，成本最高。適用于全新的突破性應用，例如訓練一套中醫(yī)診療大模型。2.微調(diào)(Fine-Tuning)：專注于將現(xiàn)有模型適應特定任務，提供了定制性和效率之間的平衡。來增強模型，非常適合需要當前或廣泛信息的任務，是現(xiàn)階段企業(yè)級知識庫以及Chatbot建設較高性價比的主要方法。4.提示工程(PromptEngineering)：依賴于設計有效的提示來引需要在提示設計方面的技能，但計算資源需求較低。這種方法不僅具有成本效益，而且非常有效，然而其潛力經(jīng)常被低估。每種方法在不同應用中都有其優(yōu)勢和限制，取決于數(shù)據(jù)可及性、計算資源、特定的任務、對最新信息的需求以及所需技能和成本等因素。模型訓練類似于AI系統(tǒng)開發(fā)的基礎階段(例如重新開發(fā)一個ChatGPT)。它涉及從零開始構(gòu)建AI模型的過程，類似于將種子培育成長成一棵大樹。這個過程非常重要，因的新型醫(yī)學診斷AI智能發(fā)展的基石，提供了無與倫比的定制化和創(chuàng)新潛力。然而，它需要大量數(shù)據(jù)和GPU計算資源和開發(fā)資源，成本很高，并帶有固有的風險，因此更適用于需要定制解決方案或在人工智能應用領(lǐng)域開辟新天地的情況。9生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告微調(diào)類似于磨練技藝嫻熟的藝術(shù)家，使其在特定類型中表現(xiàn)出色。它涉及對經(jīng)過預訓練的模型進行調(diào)整，即對已經(jīng)從大規(guī)模數(shù)據(jù)集中學到一般模式的模型進行專門任務或數(shù)據(jù)集方面的進一步提高。這一過程對于將通用人工智能模型適應特殊需求至關(guān)重要。例如基于醫(yī)學文獻訓練微調(diào)成一套更適合回答健康護理相關(guān)的問題。在GenAI中，微調(diào)是將通用模型轉(zhuǎn)變?yōu)閷I(yè)模型的藝術(shù)。它在效率和性能增強之間取得平衡，非常適合有針對性改進的場景。這種方法最適用于基礎扎實但需要特生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告1.2.3RAG（1）RAG介紹大進展，它通過整合外部知識源來增強傳統(tǒng)的大語言模型(LLM)。這種方法拓寬了人工智能的視野，使其能夠訪問和利用除初始訓練數(shù)據(jù)之外的大量信息。可圖1.RAG工作流程上圖展示了RAG架構(gòu)的工作流程，整體分為五步：RAG的優(yōu)勢：答3.便于知識更新和引入特定領(lǐng)域知識：RAG通過生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告RAG的應用場景：RAG技術(shù)通過結(jié)合最新的大語言模型和外部知識庫，為AI在自然語言處理領(lǐng)域中在RAG的技術(shù)發(fā)展中，從技術(shù)角度，呈現(xiàn)出以下幾種范式：圖2.RAG技術(shù)發(fā)展范式生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告據(jù)庫的檢索增強技術(shù)。它通過構(gòu)建圖模型的知識表達，將實體和關(guān)強。GraphRAG的核心在于將知識圖譜等價于一個超大規(guī)模的詞匯表，其中實體和關(guān)GraphRAG的處理流程劃分為兩個主要階段：鎖定與查詢最為相關(guān)的知識點。此外，通過利用知識圖譜（KG）中知識點之間的關(guān)聯(lián)關(guān)系或語義鏈接，系統(tǒng)可以快速地識別出在語義同時，這一過程也有助于防止語言模型產(chǎn)生虛假或不合邏GraphRAG的主要特點：GraphRAG作為一種新興的技術(shù)，正在逐漸展現(xiàn)出其在信息檢索和處理領(lǐng)域的潛力，尤其是在需要處理大量結(jié)構(gòu)化數(shù)據(jù)和復雜上下文信息的場發(fā)展，GraphRAG有望在更多領(lǐng)域得到應用和推廣。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告提示詞來提高AI的表現(xiàn)。PE關(guān)注提示詞的開發(fā)和優(yōu)化，幫助用戶將大模型用于各場提示詞（prompt）在人工智能場景下指給模型的一個初始生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告零樣本提示是一種先進的自然語言處理技術(shù)，旨在讓模型在沒領(lǐng)域中表現(xiàn)出色。通過零樣本提示，模型能夠根據(jù)用戶提供的提成，即使這些提示與訓練數(shù)據(jù)中的內(nèi)容沒有直接關(guān)聯(lián)。這一技術(shù)的過廣泛而有代表性的訓練，使模型能夠推廣到新的輸入領(lǐng)域，進而雖然大語言模型展示了驚人的零樣本能力，但在使用的任務上仍然表現(xiàn)不佳。少樣本提示可以作為一種技術(shù)，以啟用上于零樣本提示，少樣本提示更專注于在有限的先驗知識下進行任務過少樣本提示，模型可以在只有極少量相關(guān)樣本的情況下，利用先引導模型實現(xiàn)更復雜的任務。這種方法通過逐步提供信息，促使下文中進行思考，逐漸構(gòu)建起全局的理解。鏈式思考提示可以用生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告GenAI應用技術(shù)的選擇方法可以類比于在據(jù)投入的過程。雖然為創(chuàng)建高度定制和強大的人工智能模型3.檢索增強生成（RAG）：將RAG與這個類比相結(jié)合，就好像給道路配備了動態(tài)標志，可以從各個位置獲取信息。RAG結(jié)合了預訓練模型的優(yōu)點和獲取和整合外部最新信息的能力。與模型訓練和微調(diào)相比，它更應新的信息。但是，其效率取決于外部數(shù)據(jù)源的整合和處提示來引導預訓練的人工智能模型產(chǎn)生期望的結(jié)果。這種資源高效，可以利用先進的人工智能模型的能力，而無需力或時間。這是一種創(chuàng)新的方式來應用人工智能的能力，生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告在人工智能領(lǐng)域，大語言模型（LLMs）如GPT-3.5和GPT-4等已經(jīng)成為了自然語言處理（NLP）的強大工具。它們能夠生成連貫的文本、回答問題、甚至創(chuàng)作詩歌和故事。然而，盡管這些模型在處理語言方面表現(xiàn)出色，但它們在實際應用中的潛力仍然受限。為了克服這些限制并充分發(fā)揮LLMs的能力，LangChain應運而生。用開發(fā)框架開源項目，是目前大模型應用開發(fā)的最主流框架之一。它提供了一套工具和組件，使得開發(fā)者能夠?qū)LMs與外部數(shù)據(jù)源和計算能力結(jié)合起來，從而創(chuàng)建更加智能和功能豐富的應用。LangChain圍繞將不同組件“鏈接”在一起的核心概念構(gòu)建，通過統(tǒng)一的接口簡化了與GPT-3.5、GPT-4、llama、文心一言、通義千問等LLM合作的過程，使得開發(fā)者可以輕松創(chuàng)建定制的高級用例。流云存儲系統(tǒng)的深度整合，并且封裝了涵蓋新聞資訊、影視資料和氣交互。在并發(fā)處理層面，該平臺能夠?qū)崟r追蹤并記錄線程與異步子生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告AIAgent，即人工智能代理，是一種具備環(huán)境感知、決策制定和行動執(zhí)行能力的智能體，也被稱為“智能業(yè)務助理”。其旨在利用大模型技術(shù)，通過自然語言交互方式高度自動化地處理專業(yè)或復雜工作任務，從而顯著減輕人力負擔。在本質(zhì)上，AIAgent是建立在大語言模型之上的智能應用，即在大模型的基礎上運行的應用程序。AIAgent不僅限于對話交流，還能整合外部工具，直接完一個基于大模型的AIAgent系統(tǒng)可分為四個組件部分：大模型、規(guī)劃、記憶和工具使用，對應需要四個能力：包含大語言模型能力、具體拆解問題的能力、具有長短期記憶控制的能力、以及具有調(diào)用外部工具的能力。AIAgent有望開啟新時代，其基礎架構(gòu)可簡單劃分為Agent=LLM+規(guī)劃技能+記憶+工具使用。在這一結(jié)構(gòu)中，LLM充當Agent的“大腦”，為系統(tǒng)提供推理、規(guī)劃等關(guān)鍵能力。本文著重介紹了基于LLM的Agent的整體概念框架，包括大腦、感知和行動三個關(guān)鍵部分。圖7.Agent智能體AutoGPT原理介紹生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告1.3GenAI大模型發(fā)展現(xiàn)狀器人程序，于2022年11月30日發(fā)布。它是基于GPT-3.5模型的一個生成的語言模型。ChatGPT能夠根據(jù)用戶輸入的文本產(chǎn)生智能化的回答，并且具備連續(xù)對話的能力，能夠捕捉用戶的意圖，理解上下文，并在多輪對話中提高準確率。截至2023年12月，ChatGPT已無可爭議地成為全球范圍內(nèi)增長速度空前的消費級軟件應用典范，其用戶基數(shù)在以突破1.8億大關(guān)，并在此背景下，促使OpenAI公司的估值躍升至800億美元的新高度。ChatGPT這一劃時代產(chǎn)品的發(fā)布不僅引發(fā)了全球科技界的廣泛關(guān)注，還強有力地激發(fā)了市場對同類競品的研發(fā)熱潮，諸如Gemini、ErnieBot、LLaMA以及Claude等項目應運而生。值得注意供了兩個迭代版本，分別基于GPT-3.5和更為先進的GPT-4架構(gòu)構(gòu)建而成。這兩個版Transformer，GPT）模型系列，該系列的設計靈感與核心技術(shù)基礎源自谷歌所研發(fā)于GPT-3.5版本的服務；而對于追求更高級功能和持續(xù)更新內(nèi)容的用戶，則通過商業(yè)化品牌“ChatGPTPlus”提供基于GPT-4版本及其后續(xù)優(yōu)化功能的付費訂閱服務。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告Gemini是由GoogleDeepMind團隊研發(fā)的人工智能模型，是LaMDA和PaLM2的繼任者，于2023年12月6日發(fā)布。這是一個多模態(tài)模型家族，支持文本、圖像、音頻、視頻和代碼的全方位理解和生成。Gemini模型家族包含三個針對不同應用場景計；GeminiPro則定位為通用型解決方案，能在多種工作任務上展現(xiàn)高效性能，并且特別適用于企業(yè)級應用及云端服務；而小巧靈活的GeminiNano，則通過高度優(yōu)化實現(xiàn)了在資源受限的移動設備上的高效運行，為智能手機和平板電腦等移動平臺帶來了強大且實時的AI交互體驗。Gemini的設計使其能夠原生地支持多模態(tài)能力，即從一開始就在不同模態(tài)上進行預訓練，并利用額外的多模態(tài)數(shù)據(jù)進行微調(diào)，編碼、數(shù)學推理等方面尚存在一定的性能局限性，但依然在執(zhí)生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告（4）LLaMALLaMA（全稱為“大語言模型MetaAI”）是MetaAI于2023年2月推出的自回歸式大語言模型系列，它囊括了多種參數(shù)規(guī)模的版本，其參數(shù)量分別為7億、130億、330億以及650億。通常情況下，頂級LLM僅能通過有限或?qū)貯PI途徑訪問，而Meta則破例在非商業(yè)許可框架下向全球研究社群開放了LLaMA模型權(quán)重的下載權(quán)限。值得關(guān)注的是，在LLaMA發(fā)布后短短一周內(nèi)，其模型權(quán)重即通過2023年7月18日，Meta與微軟攜手推出了LLaMA系列的迭代升級產(chǎn)品——LLaMA-2，標志著雙方在大語言模型技術(shù)領(lǐng)域的合作邁入了新的階段。當日，Meta正式揭曉了三種不同規(guī)模配置的LLaMA-2模型，參數(shù)量分別達到了70億、130億以及700億。盡管在架構(gòu)設計上，LLaMA-2延續(xù)了前代LLaMA-1的基本框架，但值得注意的是，在構(gòu)建基礎模型的過程中，Meta引入了相較于LLaMA-1多出40%的數(shù)據(jù)進行訓練，從而提升了模型對廣泛語境和任務的理解能力。LLaMA-2產(chǎn)品系列不僅包括針對通用自然語言處理任務的基礎模型，而且還推出了經(jīng)過對話場景微調(diào)優(yōu)化的變體——LLaMA-2Chat，專為提升人機交互體驗而打造。相比于其前身LLaMA-1，LLaMA-2的一大突破性舉措在于所有模型權(quán)重的全面開放，并且對于廣泛的商業(yè)應用場景，提供免費使用的權(quán)限，此舉無疑拓寬了LLaMA-2在業(yè)界的應用范圍和影響力。LLaMA具有以下特點：·高效能與靈活性：盡管參數(shù)規(guī)模相對較小，但LLaMA模型在許多NLP任務上的性能優(yōu)于同等參數(shù)量級的其他模型，展現(xiàn)出高效的參數(shù)利用率和優(yōu)秀的泛化能力?！ら_源友好：MetaAI選擇在非商業(yè)許可下向研究界開放LLaMA的模型權(quán)重，鼓勵·模塊化設計：LLaMA框架體現(xiàn)了高度的模塊化設計理念，便于開發(fā)者根據(jù)實際·社區(qū)活躍：由于模型開源，社區(qū)可以不斷迭代更新模型版本，LLaMA在性能和適應性方面保持了持續(xù)進步，為人工智能領(lǐng)域的研究和發(fā)展注入新的活力。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告種架構(gòu)通過一個網(wǎng)關(guān)網(wǎng)絡將輸入數(shù)據(jù)分配給被稱為“專家上，盡管總體參數(shù)量達到了467億之多，但得益于MoE技術(shù)的高效性，對于每個利語、英語及德語在內(nèi)的五大語言環(huán)境，并在多項基準測試大模型。它不僅支持多種語言處理任務，還具備編程能力，在多領(lǐng)域度訓練后推出的，其綜合性能評價位于Claude模型與GPT-4之間，為尋求平它在保證快速響應的同時，實現(xiàn)了更優(yōu)的性生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告本的描述產(chǎn)生詳細圖像，盡管它也可以應用于其他任務，如內(nèi)補繪制、外補繪制，以及在提示詞指導下產(chǎn)生圖生圖的轉(zhuǎn)變。它是一種潛在擴散模型，由慕尼黑大學的CompVis研究團體開發(fā)的各種生成性人工神經(jīng)網(wǎng)絡之一。它是由初創(chuàng)公司Model）和2015年提出的擴散模型（DM/DiffusionM精細度提升到了藝術(shù)品級別，并將生產(chǎn)效率提升到了秒級，創(chuàng)作所需的設備門檻也了日新月異的發(fā)展，AI繪圖正在走進千家萬戶，輿論熱潮也隨之而來。2023年7只需要不到一分鐘。可以選擇不同畫家的藝術(shù)風格，例如安和畢加索等，還能識別特定鏡頭或攝影術(shù)語。有別于谷歌的Image和OpenAI的DALL-E，Midjourney是第一個快速生成AI制圖并開放予大眾申請使用的平（8）DALL-EDALL-E是一個可以通過文本描述生成圖像的人工智能程序，由OpenAI發(fā)成相應的圖片。它既可以生成現(xiàn)實的對象，也能夠生成現(xiàn)實名字是2008年動畫電影WALL-E（瓦力）和20世紀西班牙加泰羅尼亞畫家薩爾瓦多·達利（SalvadorDalí)之混成詞。自2000年代以來，已有其他許多神經(jīng)網(wǎng)絡有生成逼真圖像的能力。而DALL-E的特點在于它能夠通過純文本描述生成這樣逼真的圖像。OpenAI尚未發(fā)布DALL-E模型的源代碼，不過OpenAI在其網(wǎng)站上提供了DALL-E演示，可以查看部分文本描述的輸出圖像。DALL-E模型最初于2021年1月5日由OpenAI發(fā)布。2022年4月，OpenAI宣布了新版本的DALL-E2，聲稱它可以從文本描述中生成照片般逼真的圖像，另外還有一個允許對輸出進行簡單修改的編輯器。根據(jù)OpenAI的公告，該程序仍處于研究階段，訪問權(quán)限僅限于小部分測試版用戶。該模型有時仍會犯一些人誤。OpenAI稱DALL-E2是一個“可以從文本描述中生成原創(chuàng)、逼真的圖像和藝生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告OpenAI開發(fā)。Sora這一名稱源于日文“空”(そらsora），即天空之意，以示其無限的創(chuàng)造潛力。其背后的技術(shù)是在OpenAI的文本到圖像生成模型DALL-E基礎上開發(fā)而成的。模型的訓練數(shù)據(jù)既包含公開可用的視頻，也包括了專為訓練分鐘的視頻。同時，OpenAI也承認了該技術(shù)的一些缺點，包括在模擬復雜物理現(xiàn)象方面的困難?！堵槭±砉た萍荚u論》的報道稱演示視頻令人印象深刻可能被濫用，OpenAI表示目前沒有計劃向公眾發(fā)布該模型，而是給予小部分研究人員有限的訪問權(quán)限，以理解模型的潛在危害。Sora生成的視頻帶有C2PA元數(shù)據(jù)標簽，以表示它們是由人工智能模型生成的。OpenAI還與一小群創(chuàng)意專業(yè)人士分確地解釋用戶提供的文本輸入，并生成具有各種場景和人物的涵蓋了廣泛的主題，如人物、動物、風景、城市場景等，可根的描述性字幕，提高了文本的準確性，同時也提升了視頻GPT技術(shù)將簡短的用戶提示轉(zhuǎn)換為更長的詳細轉(zhuǎn)譯，確保視頻精確地按照用戶提示生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告文心一言（英文名：ERNIEBot）是百度基于文心大模型技術(shù)研發(fā)的知識增強大語言模型，被外界譽為“中國版ChatGPT”。其核心理念在于運用深度學習算法和大規(guī)模語料庫，模擬人類的語言理解和生成能力，從而為用戶提供智能化、個性化的服務。能夠?qū)崿F(xiàn)與人對話互動，回答問題，協(xié)助創(chuàng)作，高效便捷地幫助人們獲取信息、知識和靈感，并且在文學創(chuàng)作、商業(yè)文案創(chuàng)作、數(shù)理邏輯推算、中文理解、多日，百度正式發(fā)布知識增強的文心大模型ERNIE1.0，該模型基于飛槳深度學習平臺打造，通過將數(shù)據(jù)與知識融合，提升了大模型學習效率及學習效果。2019年7月31中的詞法、語法、語義等知識，在共計16個中英文任務上取得全球最好效訓練模型中引入大規(guī)模知識圖譜，ERNIE3.0刷新54個中文NLP任務基準，并在國際權(quán)威的復雜語言理解評測SuperGLUE上,以超越人類水平0.8日，文心一言率先向全社會全面開放。開放首日，文心一言共計回復網(wǎng)友超3342萬生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告阿里通義是阿里云推出的一系列人工智能產(chǎn)品和服務平臺，旨在提供類人智慧的通用智能服務。這些產(chǎn)品和服務包括通義千問、通義智文等，它們支持多種API接口，使得AI應用開發(fā)變得更加簡單和高效。通義千問（Qwen）是阿里云推出的一款超大規(guī)模語言模型，采用了阿里云自主研發(fā)的大規(guī)模預訓練語言模型架構(gòu)，通過先進的深度學習技術(shù)和海量數(shù)據(jù)訓練而成。通義智文是另一個阿里云的AI產(chǎn)品，它可能包含了文本生成、內(nèi)容理解、自動摘要、情感分析等功能，旨在幫助用戶高目前，通義千問的綜合性能已經(jīng)超過GPT-3.5，加速阿里云舉辦發(fā)布會，正式發(fā)布并開源“業(yè)界最強開源大模型”通義千問720億參數(shù)模型Qwen-72B。同時，通義千問開源了18億參數(shù)模型Qwen-1.8B和音頻大模型Qwen-Audio。至此，通義千問共開源18億、70億、140億、720億參數(shù)的4款大語言模型，以及視覺理解、音頻理解兩款多模態(tài)大模型，實現(xiàn)了“全尺寸、全模態(tài)”開源。自此，阿里云大模型的開源邏輯更加清晰，即通過開源的方式提供技術(shù)產(chǎn)品，降低門檻，推動技術(shù)普惠，為企業(yè)客戶到個人開發(fā)者提供多元化、全方位的技術(shù)服務。在通義千問的基礎上創(chuàng)建的大模型、小模型越豐富，AI生態(tài)就越繁榮。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告訊飛星火認知大模型是由科大訊飛推出的新一代認知智能大模認知智能大模型技術(shù)，經(jīng)歷了各類數(shù)據(jù)和知識的充分學習訓練，可成”等能力，并且在業(yè)界參考測試集與真實應用場景均達到前列，其在數(shù)學自動提煉規(guī)律、小樣本學習、代碼項目級理解能跟隨與細節(jié)表達等方面進行了進一步升級，這些能力的提升將融布了基于首個全國產(chǎn)算力平臺「飛行一號」訓練的全民開放大答、邏輯推理、數(shù)學能力、代碼能力、多模態(tài)能力等七大核心能力升，進一步逼近GPT-4Turbo的最新水平。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告華為盤古大模型是華為云推出的一系列人工智能大模型，旨在通過強大的計算能力和先進的算法，解決行業(yè)難題并釋放AI的生產(chǎn)力。該模型涵蓋了NLP大模型、CV大模型、多模態(tài)大模型、預測大模型和科學計算大模型五大類別，旨在為氣象、醫(yī)藥、水務、機械等領(lǐng)域提供強大的科學計算能力。盤古大模型的研發(fā)不僅體現(xiàn)了華為在AI技術(shù)領(lǐng)域的深厚積累，也展示了華為在推進AI技術(shù)產(chǎn)業(yè)化應用方日的華為全聯(lián)接大會2022中國站上發(fā)布了盤古氣象大模型、盤古海浪大模型、盤古礦山大模型、盤古OCR大模型等新服務。2023年7月舉行的華為開發(fā)者大會上，華為云曾發(fā)布了盤古大模型3.0，是中國首個全棧自主的AI大模型生圖、文生文、文生代碼、文生視頻等多模態(tài)能力，提供5+N+X的三層解耦架構(gòu)：L0層有5個基礎大模型，提供滿足行業(yè)場景的多種技能；L1層是N個行業(yè)大模型，提供使用行業(yè)數(shù)據(jù)訓練的行業(yè)大模型；L2層為客戶提供更多細化場景模型，它更加專注于某個具體應用場景或特定業(yè)務。華為常務董事、華為云CEO張平安表示，盤古大模型聚焦產(chǎn)品研發(fā)、軟件工程、生產(chǎn)供應、市場營銷、客戶運營等價值場景，致力于深耕行業(yè)，如政務、金融、制造、煤礦、鐵路、制藥、氣象等。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告騰訊混元大模型（TencentHunyuan）是騰訊自主研發(fā)的通用大語言模型，擁有騰訊混元大模型的主要功能和技術(shù)特點包括成為騰訊云MaaS服務的基礎，客戶可以通過API直接調(diào)用混元，也可將其作為用。該模型具備強大的中文創(chuàng)作能力、復雜語境下的邏輯推行能力。其全鏈路自研技術(shù)是其首要特點，從零開始訓練，掌握了模型學習框架和AI基礎設施。騰訊在算法層面進行了自研創(chuàng)新，提高了模型成熟度，解決了大模型“胡言亂語”的問題。此外，騰訊還自研了機騰訊混元大模型能夠理解上下文含義，具有長文記憶能力，可進對話、文學創(chuàng)作、文本摘要、角色扮演等內(nèi)容創(chuàng)作。它能高效、準圖，解決事實性、時效性問題，提升內(nèi)容生成效果。在不同場景議、廣告和營銷，混元大模型提供了各種功能，包括文檔創(chuàng)作、會生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告（6）智譜AI北京智譜華章科技有限公司（簡稱“智譜AI”）專注于新一代認知智能大模型的研發(fā)，致力于在中國推動大模型領(lǐng)域的創(chuàng)新。公司與合作伙伴共同研發(fā)了中英雙語級超大規(guī)模預訓練模型GLM-130B，并在此基礎上推出了對話模型ChatGLM以及開源單卡版模型ChatGLM-6B。同時，團隊還開發(fā)了GenAI模型及產(chǎn)品矩陣，包括AI提效助手智譜清言、高效率代碼模型CodeGeeX、多模態(tài)理解模型CogVLM和文生圖模型CogView等。智譜AI秉承ModelasaServi模型MaaS開放平臺，旨在構(gòu)建高效率、通用化的“模型即服務”AI開發(fā)新范式。通過認知大模型連接億級用戶的物理世界，智譜AI憑借完整的模型生態(tài)和全流程技術(shù)支持，為各行各業(yè)帶來持續(xù)創(chuàng)新與變革，助力加速通用人工智能時代到來。智譜AI的產(chǎn)品包括ChatGLM-6B、GLM-130B、GLM系列、CodeGeeX、CogView、CogVideo等大模型。在2024年01月16日的「智譜AI技術(shù)開放日(ZhipuDevDay)」上，智譜AI推出了新一代基座大模型GLM-4。GLM-4相比上一代在整體性能上有了顯著提升，十余項指標接近或達到了GPT-4水平；支持更長上下文、更強的多模態(tài)、更快的推理速度和更多并發(fā)，大幅降低了推理成本；同時，GLM-4還生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告百川智能公司于2023年4月10日由前搜狗公司CEO王小川創(chuàng)立，旨在以幫助大眾輕松、普惠地獲取世界知識和專業(yè)服務為使命。公司專注于通過語言人工創(chuàng)新，構(gòu)建中國頂尖的大模型基礎設施。其核心團隊由來自搜狗、百度個權(quán)威評測榜單中名列前茅，下載量更是突破了百萬。隨CMMLU、GAOKAO和AGI-Eval，Baichuan3展現(xiàn)出色的能力，特別是在中文任務上超越了GPT-4。在數(shù)學和代碼專項評測中，如MATH、HumanEval和MBPP，極高的MCMLE、MedExam、CMExam等權(quán)威醫(yī)療評測中，中文效果超過了Baichuan-NPC通過強化模型基礎能力，使用思維鏈對齊技術(shù)考能力，使模型能夠敏銳地捕捉上下文對話語義，生成更加符合人第二章：GenAI在生物醫(yī)藥大健康行業(yè)落地應用進展及典型案例生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告GenAI作為人工智能領(lǐng)域的重要分支，正逐漸引起廣泛關(guān)注。GenAI以其獨特的生成能力和創(chuàng)造性，正在改變著生物醫(yī)藥大健康行業(yè)和潛在收益。GenAI已經(jīng)在醫(yī)療健康開始了應用探索與落地，包括藥物研發(fā)、臨床在藥物研發(fā)方面，GenAI可助力科研人員靶點發(fā)現(xiàn)及驗證、藥物分子生成以及為中醫(yī)藥研發(fā)等，加速藥物發(fā)現(xiàn)和設計進程。在臨床研究方面，GenAI可以優(yōu)化臨床開發(fā)的多個環(huán)節(jié)，包括篩選臨床試驗中心篩選、監(jiān)管合規(guī)、藥物物警戒（PV）和臨床研究方案設計等方面。在上市及商業(yè)化方面，GenAl主要體現(xiàn)于學術(shù)推廣及患者教育等方面。在臨床疾病診療方面，GenAI可以實現(xiàn)包括在診生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告升。然而新藥研發(fā)、上市的速率卻沒有同比例增長，其中一個重要原段耗時長、成本高、流程復雜?，F(xiàn)如今，GenAI成為潛在的破局利器，在藥物研發(fā)方面已有越來越多的應用。GenAI可以通過分析大量的基因組學、蛋白質(zhì)組學、代謝組學等多組學數(shù)據(jù)，幫助研究人員更快地發(fā)現(xiàn)可能的靶點、藥物分子藥物靶點指的是藥物與人體內(nèi)特定分子相互作用的目標位置，和發(fā)展的關(guān)鍵蛋白質(zhì)、酶或細胞結(jié)構(gòu)。靶點的發(fā)現(xiàn)是現(xiàn)代藥物研發(fā)的通過對這些靶點的深入了解，科研人員可以設計出針對性的藥物，干達到治療疾病的目的。但疾病的發(fā)生非常復雜，基因冗余和多效性、反饋等，都會降低靶點被藥物作用造成的影響。藥物立項要經(jīng)過藥理傳學等多學科的檢驗，成功率非常低。疾病相關(guān)的靶點的早期識別和物批準的機會。目前業(yè)界在致力于識別與特定疾病相關(guān)的生物學上最年來，傳統(tǒng)的生信分析方法、多組學因子分析、知識圖譜、圖模型、多地應用于靶點發(fā)現(xiàn)中，而GenAI的發(fā)展，則提供了更強有力的技術(shù)支持去尋找新的增加了知識圖譜的功能，可以從期刊文獻中提取相關(guān)信息，將生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告和生物過程聯(lián)系起來，并將關(guān)系網(wǎng)絡可視化形成知識圖譜。2023年3月，在ChatGPT開放端口后，英矽智能將其接入靶點發(fā)現(xiàn)平臺PandaOmics。通過將知識圖譜與ChatGPT相結(jié)合，得到了具有AI問答功能的ChatPandaGPT，支持研究人員在瀏覽和分析大數(shù)據(jù)集的同時，高效開展基于自然語言的問答，更便2023年底，英矽智能發(fā)布了全球首個“由AI輔助決策的自動化實驗室”，將Gen用于高質(zhì)量自動化實驗，并通過實驗數(shù)據(jù)反饋推動GenAI模型迭代優(yōu)化。實現(xiàn)在14天是全球首款由GenAI發(fā)現(xiàn)靶點并設計化合物的候選藥物。2023年4月，水木分子開源了輕量科研版BioMedGPT-10B，將文獻、分子、蛋白、圖16.BioMedGPT-10B的概述生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告大分子藥物的作用機制主要是通過刺激機體免疫系統(tǒng)產(chǎn)生免疫物質(zhì)（如抗體），從而發(fā)揮其功效，在人體內(nèi)出現(xiàn)體液免疫、細胞免疫或細胞介導免疫。大分子藥物如抗體有更好的靶向性、mRNA有望帶來更好的疫苗與藥物等。但這些大分子結(jié)構(gòu)復雜，開發(fā)成本高，發(fā)現(xiàn)時間長。GenAI為此提供了新的解決方案，通過學習預測大分子（例如核酸或氨基酸）的下一個子結(jié)構(gòu)，并產(chǎn)生有關(guān)大分子的見解，這些見解可用于新藥物載體的計算機設計、以及預測其在各種藥物研發(fā)檢測的效果。人類一直以來都在探索如何更高效、直接、自由地控制細胞功能、甚至生命活動，而運用GenAI預測大分子結(jié)構(gòu)使得這一切的可行性大大提升，并且其預測性能在精度、范圍、耗時等方面正在不斷快速提高。以蛋白質(zhì)為例，利用GenAI預測結(jié)構(gòu)，為解碼蛋白質(zhì)的三維奧秘提供了高效手段，從而能夠直接按需制造蛋白質(zhì)、甚至是創(chuàng)造未知或不存在的蛋白，擴增出近乎無限的、廣闊的蛋白質(zhì)序列和結(jié)構(gòu)空可根據(jù)所需屬性生成特定蛋白質(zhì)的方法，從頭合成了自然界中不存在的人工酶，引起了生命科學領(lǐng)域的廣泛關(guān)注。而后者構(gòu)建思路則是采取了圖像生成領(lǐng)域常用的擴散性模型的技術(shù)路徑，更加擅長基于文本生成圖像來描述蛋白質(zhì)序列和結(jié)構(gòu)之間的關(guān)系，并以此快速生成蛋白質(zhì)的骨架結(jié)構(gòu)。例如2022年10月美國斯坦福大學和微軟研究院經(jīng)受體內(nèi)蛋白質(zhì)折疊過程的啟發(fā)，引入了一個折疊擴散模型，通過鏡像蛋白質(zhì)天然折疊過程實現(xiàn)蛋白質(zhì)主鏈結(jié)構(gòu)的設計，解決了直接生成結(jié)構(gòu)復掃描跨國大型藥企與科技公司動態(tài)，2023年12月，制藥巨頭阿斯利康與AI抗體發(fā)開發(fā)知識、以及利用Absci的集成藥物創(chuàng)造平臺，借助GenAI技術(shù)來開發(fā)新AlphaFold模型，從上一代的預測蛋白質(zhì)結(jié)構(gòu)，擴展到預測蛋白質(zhì)數(shù)據(jù)庫（PDB）中幾乎任何分子的結(jié)構(gòu)，包括配體（小分子）、蛋白質(zhì)、核酸（DNA和RNA）以及含有翻譯后修飾（PTM）的生物分子。如改變氨基酸序列來改變蛋白質(zhì)的性能，用于設計和開發(fā)具有特定功能的酶；預測核酸結(jié)構(gòu)，加速mRNA疫苗等醫(yī)療創(chuàng)新；預測配體和蛋白質(zhì)間的相互作用，幫助鑒定和設計可能成為藥物的新分子地表征對治療疾病很重要的多種類型的大分子結(jié)構(gòu)。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告國內(nèi)頭部藥企與AI制藥企業(yè)也在GenAI生成大分子藥物領(lǐng)域展開布局。2023年8月，深圳晶泰科技宣布與石藥集團在創(chuàng)新藥研發(fā)AI領(lǐng)域達成戰(zhàn)略合作協(xié)議，結(jié)合石藥集團深厚藥物研發(fā)經(jīng)驗，利用晶泰科技開發(fā)的ProteinGPT大分子藥物生成式AI模型，將“類GPT技術(shù)”應用于藥物研發(fā)，覆蓋抗體發(fā)現(xiàn)、抗體工程、抗原設計、設計基于蛋白質(zhì)的療法和其他化合物，正在開展12個研發(fā)項目，關(guān)注工程酶、疫苗、肽藥物和抗體，涵蓋廣泛所需蛋白質(zhì)特性，如穩(wěn)定性、表達、活性、結(jié)合親和小分子藥物研發(fā)中的一大重要難題是如何識別并且篩選出最有可能實現(xiàn)所需療效、值得進一步測試優(yōu)化的化合物，傳統(tǒng)上，藥物化學家會在實驗室制造化合物并進行測試，耗時長、投資大，但人工智能可以改變這個過程。GenAI通過先進的基礎化學模型加速篩選過程，如同GPT-4被訓練來預測句子中可能的下一個單詞，這些模型可以預測小分子結(jié)構(gòu)中的下一部分原子。通過多次迭代，該模型學習了小分子化學的基本原理，即使在很大程度上未探索的化學領(lǐng)域，這些模型也可以提供更精確的預測，醫(yī)藥公司可以通過這些預測來規(guī)劃后續(xù)篩選。國外大型藥企與AI制藥企業(yè)紛紛開展合作，各取所長。2024年默沙東為Enki平臺提供目標產(chǎn)品概況（TPP），平臺基于GenAI技術(shù)，可在幾天時間內(nèi)生成符合條件的小分子。生成物是具有多樣化、選擇性和可合成的先導化合物結(jié)構(gòu)，從而快速進入先導化合物優(yōu)化階段。法國藥物化學和新藥設計AI解決方案提供商Iktos則是利用GenAI技術(shù)，降低化合物小分子篩選和生成所需的時間生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告所有條件”的分子，即在盡可能低的劑量下有效、安全、穩(wěn)定、可申請專利且能夠物。目前其擁有50多個已完成或正在進行的項目，合作伙伴包括強生、默克、輝瑞等跨國大型藥企?；乜磭鴥?nèi)，多家AI制藥企業(yè)、大型藥企、科技公司等，也在布局GenAI藥物分子生成。英矽智能推出小分子生公開化合物和100億個構(gòu)建塊（或虛擬分子片段）的訓練，生成數(shù)百個具有所需特性的化合物，被輸送到管道中評估適用性，并選擇滿足安全性、效力、合成可用性和代謝穩(wěn)定性等目標的分子。生成的分子及其后續(xù)分數(shù)將返回到生成引擎，以便模型“學習”得分高的分子類型和得分低的分子類型，重新訓練生成模型以生成高分分子，已實現(xiàn)在一周內(nèi)發(fā)現(xiàn)全新的先導化合物類似分子，遠超人類科學家的速度。序，以改善自己對下一個突破性療法的探索。2022年4月份，華為云計算技術(shù)的健康智能實驗室推出了華為盤古藥物分子大模型，該模型訓練了17億個小分子化合物的數(shù)據(jù)集，這一模型結(jié)合了藥物分子的圖形結(jié)構(gòu)和SMILES字符表示法，從兩個不同的角度理解分子，進而構(gòu)建了一個自監(jiān)督的預訓練大模型。該模型適用于多個分子相關(guān)的后續(xù)任務，如預測分子屬性、生成分子虛擬庫以及分子的優(yōu)化等。目前盤古藥物模型的預訓練數(shù)據(jù)集是最大的，涵蓋了多個公共數(shù)據(jù)源，盤古模型采用cVAE架構(gòu)，將小分子的圖形表示轉(zhuǎn)換成相應空間，盤古模型在微調(diào)和化學指紋表示方面的能力得到了增強。盤古的創(chuàng)新網(wǎng)絡結(jié)構(gòu)不僅易于訓練，還能夠通過僅更新一個核心網(wǎng)絡來支持所有藥物發(fā)現(xiàn)任務的步生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告2023年底，深度勢能團隊聯(lián)合29家單位的通力協(xié)作，發(fā)布了深度勢能預訓練大模型DPA-2。該模型面向豐富的下游任務，在微調(diào)DPA-2的"大模型"所需數(shù)據(jù)量整體上減少了1-2個數(shù)量級。此外，經(jīng)過進一步蒸餾和壓型"，該模型能夠保持過去模型的精度和效率。與去年發(fā)布的DPA-1相比，DPA-2在模型架構(gòu)方面有顯著的更新，最大的特點是采用了多任務訓練策略，可以同時學習計算設置不同、標簽類型不同的各類數(shù)據(jù)集。由此產(chǎn)生的模型在下游案。目前，用于訓練DPA-2模型的數(shù)據(jù)集已涵蓋了半導體、鈣鈦礦、合金、表面催化、正極材料、固態(tài)電解質(zhì)、有機分子等多個體系。圖19.DPA-2提出的多任務預訓練、微調(diào)、蒸餾全流程示意圖洛桑聯(lián)邦理工學院（EPFL）和美國羅切斯特大學的研究團隊，開發(fā)出了一款名為ChemCrow的語言模型代理，這款代理能夠執(zhí)行包括有機合成、藥物發(fā)現(xiàn)和材料設計在內(nèi)的多項化學任務。ChemCrow集成了17種由專家精心設計的工具，不僅提升了其在化學領(lǐng)域的表現(xiàn)，還賦予了它新的能力。迄今為止，ChemCrow已成功自行設計出一種驅(qū)蟲劑、三種有機催化劑以及其他相關(guān)分子。通過語言模型評估和專家的評審，ChemCrow的有效性在自動執(zhí)行各類化學任務方面得到了證實。圖20.ChemCrow的功能示意圖生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告中科大MIRALab團隊與微軟研究院AI4Science團隊共同開發(fā)了一種創(chuàng)新的分子生成模型，名為MiCaM。該模型通過構(gòu)建一個含有數(shù)據(jù)驅(qū)動的高頻分子片段詞匯庫，顯著優(yōu)化了藥物分子的生成過程。MiCaM模型特別強調(diào)了對連接感知的高頻子圖庫中自動提取的，它們不僅包括常見的分子片段，還細致記錄了這些片段之間的連接信息。利用這一策略，MiCaM設計了一個能夠同時選擇分子片段并確定其連接方式的生成器，從而能夠基于這些高頻子圖構(gòu)造出全新的分子結(jié)構(gòu)。在進行的兩項模型展現(xiàn)了其在提高分子生成效率和探索化學空間方面的顯著能力。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告2.2.4中醫(yī)藥研發(fā)2024年全國兩會期間，政府工作報告中提出“促進中醫(yī)藥傳承創(chuàng)新”，有代表提議，大模型與生物醫(yī)藥大健康行業(yè)的結(jié)合有望革新藥物研發(fā)范式，通過構(gòu)建中醫(yī)藥AI大模型，將能夠用于挖掘中藥活性成分、推進中藥循證工作、加速中藥研發(fā)進程。中國擁有自己龐大的醫(yī)學寶庫，中醫(yī)藥的“整體觀”對人體、疾病、藥物的認識積累龐大的實踐經(jīng)驗。隨著人工智能技術(shù)的飛速發(fā)展，中醫(yī)藥領(lǐng)域迎來一場數(shù)字化、智能化的革命。中醫(yī)藥領(lǐng)域的大語言模型（中醫(yī)藥大模型）作為這場革命的代表，它通過整合和分析大量的中醫(yī)藥文獻、藥材數(shù)據(jù)庫、臨床研究和實踐經(jīng)驗來訓練，旨在將人工智能技術(shù)應用于傳統(tǒng)醫(yī)學知識和實踐中。目前，中醫(yī)藥大模型主要用于中醫(yī)臨床輔助診療（病證診斷、處方推薦等）、創(chuàng)新研發(fā)以及中醫(yī)藥知識整合與普及。下面我們將盤點現(xiàn)有的中醫(yī)大模型在創(chuàng)新研發(fā)以及中醫(yī)藥知識問答的應“數(shù)智岐黃”中醫(yī)藥大模型由華東師范大學、上海中醫(yī)藥大學、華東理工大學、海軍軍醫(yī)大學、臨港實驗室與華潤江中現(xiàn)代中藥全國重點實驗室聯(lián)合開發(fā)，它以《黃帝內(nèi)經(jīng)》和《傷寒雜病論》等著名中醫(yī)典籍及1000多本古籍和中醫(yī)藥文獻為核心數(shù)據(jù)基礎，以高質(zhì)量中醫(yī)藥知識圖譜為知識寶庫?！皩殠臁敝泻w超過8萬種方劑，過2000種疾病。該大模型采用預訓練和微調(diào)并結(jié)合檢索增強生成和插件調(diào)用等技方法等）和證候輔助診斷，實現(xiàn)中醫(yī)藥領(lǐng)域知識智能問答、健康咨詢、中醫(yī)藥知識圖譜動態(tài)交互三大核心功能，助力中醫(yī)藥創(chuàng)新研究和人才培養(yǎng)、臨床輔助診療和中生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告北京博奧晶方生物科技有限公司（以下簡稱“博奧晶方”）系博奧生物在中醫(yī)藥領(lǐng)域布局的產(chǎn)業(yè)化平臺。博奧晶方通過其核心的“分子本草技術(shù)”，構(gòu)建了“多彈打多靶”的中藥組方篩選大模型（900多種中藥、300多種食因表達譜數(shù)據(jù)、藥物作用信號通路2500多萬條）。博奧晶方首創(chuàng)基于生物芯片技術(shù)同源健康食品開發(fā)、天然植物化妝品開發(fā)，致力于為中醫(yī)藥現(xiàn)代化和國際化開創(chuàng)全數(shù)智本草大模型是由天士力與華為云在華為盤古大語言模型和盤古藥物分子大模型基礎上推出。目前數(shù)智本草大模型整合了1500+中醫(yī)藥典籍、4000萬篇中英文文獻、10TB中藥以及天然產(chǎn)物現(xiàn)代化研究數(shù)據(jù)，基于數(shù)智本草大模型的數(shù)智中藥問答以及報告生成平臺，通過細分向量庫和使用場景、優(yōu)化向量庫、多種檢索方式結(jié)合，提升了中醫(yī)藥知識問答的精準性，通過藥典、文獻、指南、醫(yī)案以及中醫(yī)藥現(xiàn)代化數(shù)據(jù)庫等多種科學證據(jù)支持，深度挖掘和整合中藥藥理、配伍、臨床應用等多維度信息，為中藥研發(fā)、復方設計、藥效預測提供科學、高效的信息整合，從而加數(shù)智本草大模型的天然產(chǎn)物分子大模型，是在300萬天然產(chǎn)物及衍生物結(jié)構(gòu)基礎上微調(diào)而成，實現(xiàn)在天然產(chǎn)物的ADMET性質(zhì)預測、分子生成、分子優(yōu)化等關(guān)鍵任務上的性能優(yōu)化，也為中藥復方的深入研究和開發(fā)提供了進一步的技術(shù)支撐。同時，還可以結(jié)合天士力開發(fā)的星斗云一站式中藥研發(fā)計算平臺，覆蓋了從疾病靶點發(fā)現(xiàn)、轉(zhuǎn)錄組學與蛋白質(zhì)組學分析，到天然產(chǎn)物分子篩選、方劑推薦及分析等全方位生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告同時，用于中藥知識問答的中醫(yī)藥大模型數(shù)量也在快速增長，例如軒岐問對·大模型是“甘草醫(yī)生”聯(lián)合浙江中醫(yī)藥大學共同推出了中醫(yī)藥經(jīng)方領(lǐng)域首個基于大語言模型的人工智能對話系統(tǒng)。軒岐問對是一款類chatGPT的中醫(yī)垂直領(lǐng)域問答AI產(chǎn)品，其支持中醫(yī)（經(jīng)方）領(lǐng)域問題的檢索與回復，包含中醫(yī)基礎理論、相關(guān)經(jīng)典古籍、方劑配伍及臨床疾病辨證選方等。中醫(yī)藥大語言模型項目（TCMLLM）由北京交通大學計算機與信息技術(shù)學院醫(yī)學智能團隊開發(fā)開發(fā)。TCMLLM擬通過大模型方式實現(xiàn)中醫(yī)臨床輔助診療（病證診斷、處方推薦等）中醫(yī)藥知識問答等任務，推動中醫(yī)知識問答、臨床輔助診療等領(lǐng)域的快速發(fā)展。本項目針對中醫(yī)臨床智能診療問題中的處方推薦任務，通過整合真實世界臨床病歷等數(shù)據(jù)得到中醫(yī)處方推薦大模型。仲景中醫(yī)大語言模型的靈感來自中國古代杰出醫(yī)家張仲景的智慧。該模型旨在闡明中醫(yī)博大精深之知識，傳承古代智慧與現(xiàn)代技術(shù)創(chuàng)新，最終為醫(yī)學領(lǐng)域提供可信賴和專業(yè)的工具。仲景中醫(yī)大語言模型由復旦大類記憶知識和大語言模型的語言表征能力，訓練的主要內(nèi)容包括患者的病因病機、診療方案、隨訪記錄、處方、藥物用量、治療預期結(jié)果等。該模型采用特定的prompt模板，初步測試發(fā)現(xiàn)模型在婦科以外的中醫(yī)臨床?？祁I(lǐng)具備一定診斷和處方能力，提高模型對中醫(yī)方藥數(shù)據(jù)和診斷思維邏輯的推理能力。經(jīng)過與文心一言、星火等大語言模型的初步對比，發(fā)現(xiàn)復旦同濟中醫(yī)大語言模型在基于300條中醫(yī)方藥數(shù)據(jù)構(gòu)建的診療分解指令數(shù)據(jù)集上展現(xiàn)出了出色的泛化能力。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告以GenAI為代表的基于機器學習、深度神經(jīng)網(wǎng)絡和多模態(tài)人工智能的應用有望從多個角度優(yōu)化臨床開發(fā)，包括篩選臨床試驗中心、監(jiān)管合規(guī)、藥物選擇和患者入組、臨床研究方案設計和試驗報告生成、以及提高藥物警戒等方面。以此，從根本上改變醫(yī)療事務部和整個生物制藥或醫(yī)療技術(shù)行業(yè)管理科學發(fā)現(xiàn)、開發(fā)和商業(yè)化的方式。最近在GenAI的動向總體呈現(xiàn)兩大規(guī)律，一是提升GenAI技力，通過技術(shù)優(yōu)勢獲得大型企業(yè)合作方的青睞；二是利用GenAI賦能自身自研管線，以期轉(zhuǎn)型為創(chuàng)新藥研發(fā)中心或藥企，鞏固行業(yè)領(lǐng)先優(yōu)勢。在臨床研究中，監(jiān)管合規(guī)是一個非常重要的課題。研究人員需要遵守各種法規(guī)和規(guī)定，以確保臨床研究的合法性和可靠性。然而，這些法規(guī)和規(guī)定通常非常復雜，需要花費大量的時間和精力來理解和遵守。同時，不同地區(qū)的監(jiān)管要求也可能存在差異，這使得跨地域合規(guī)變得更加困難。傳統(tǒng)上，研究人員需要手動處理監(jiān)管文本，這非常耗時且容易出錯。如果能夠?qū)崿F(xiàn)自動化處理監(jiān)管文本，將大大提高研究人員的效率，并減少錯誤的發(fā)生。最后，不合規(guī)可能會導致嚴重的財務風險，這將對研究機構(gòu)和企業(yè)造成巨大的損失。利用GenAI結(jié)合自然語言處理、機器學習、知識圖譜構(gòu)建等先進技術(shù)，能夠從龐大的法規(guī)文本中快速提取與特定目的相關(guān)的法規(guī)，加速合規(guī)進程，并實現(xiàn)自動化處理監(jiān)管文本，減少對第三方法律和合規(guī)支持的依賴。MedidataAI，將患者層面數(shù)據(jù)直接從試驗中的所有病例報告提取，確保臨床試驗產(chǎn)生合規(guī)的數(shù)據(jù)質(zhì)量，對數(shù)據(jù)輸入中的錯誤、異常值、前后不一致和錯誤報告中的不良事件進行排序和分類，以加快藥品審批流程。此外，強生使用的GenAI項目針對新藥上市合規(guī)審查的需求給予全方面的賦能，通過獲取國家藥監(jiān)局、藥物審評中心、中國食品藥品檢定研究所的法律法規(guī)、指導原則、相關(guān)公告等內(nèi)容并定期更新，利用大模型的能力進行智能語義檢索和細節(jié)內(nèi)容問答，并可通過內(nèi)置實體模型對法規(guī)文檔進行主題分類和實體抽取。針對用戶對于藥品上市合規(guī)審查指導原則進行全文問答，并溯源至原文段落、針對用戶對于法律法規(guī)中段落內(nèi)容的提問，能通過檢索問題相關(guān)的文檔，可選單篇或多篇進行問答，可準確定位至相應內(nèi)容，并總結(jié)回復、能幫助用戶對于國內(nèi)藥品技術(shù)指導原則中較為專業(yè)復雜的試驗設計進行生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告臨床試驗中心的篩選是為了評估其在臨床試驗方面的資質(zhì)、專業(yè)性、合作意愿和經(jīng)驗等方面，以確保在該中心開展的臨床試驗具有可靠性和有效性。這一步驟對于臨床試驗的成功開展至關(guān)重要。通過進行可行性研究，可以為項目組提供在該中心開展研究的依據(jù)，并提前預判可能會遇到的問題。因此，臨床試驗中心的篩選和評定是臨床試驗開展前必不可少的重要環(huán)節(jié)。生物醫(yī)藥大健康行業(yè)在臨床試驗中心篩選方面存在許多挑戰(zhàn)和痛點，其中，信息不對稱是一個顯著問題，醫(yī)藥企業(yè)需要了解每個臨床試驗中心的實力、經(jīng)驗、設備和人員等方面的信息，但這些信息并不總是公開或易于獲取。同時，時間成本高和風險控制難度大也是臨床試驗中心篩選的挑戰(zhàn)，醫(yī)藥企業(yè)需要花費大量時間和精力去篩選臨床試驗中心，如若選擇不合適的臨床試驗中心可能會導致試驗失敗或者延期，增加項目的風險優(yōu)化試驗設計，選擇最優(yōu)的國家/地區(qū)與研究中心，并在啟動后確保試驗表現(xiàn)良好。GenAI可以利用數(shù)據(jù)分析、智能決策支持和預測分析等技術(shù)手段，為臨床試臨床研究中的藥物選擇是指研究人員根據(jù)研究目的和研究設計，選擇適當?shù)乃幬锼幫緩降纫蛩?。而患者入組是指研究人員根據(jù)研究設計和入選標準，從符合條件的患者中篩選出符合研究要求的患者，并將其納入研究中。入選標準包括患者的疾病類型、病情嚴重程度、年齡、性別、病史等因素，患者入組的目的是確保研在臨床試驗研究中，藥物選擇和患者入組是兩個關(guān)鍵環(huán)節(jié)，但存在一定的痛點藥物選擇需要確保藥物的安全性、有效性和適應癥范圍，這需要大量的前期研在臨床試驗研究中，藥物選擇和患者入組是兩個關(guān)鍵環(huán)節(jié)，但存在一定的痛點和篩選，耗時耗力。而患者入組方面，痛點主要涵蓋招募合適的患者、確?；颊叻先虢M標準、排除患者的合并癥和干擾因素等方面。上述痛點可能導致臨床試驗進度緩慢、成本增加，甚至影響試驗結(jié)果的準確性和可靠性。在藥物選擇方面，GenAI可以通過結(jié)合多種數(shù)據(jù)源和模型，實現(xiàn)從分子到人體多層次的模擬和優(yōu)化，為藥物的選擇和評價提供更高的精度和效率。此外，還可通過對藥物分子結(jié)構(gòu)的分析，預測藥物在人體內(nèi)的藥代動力學和藥效學特性，從而種來源，從中提取出有用的信息，利用人工智能和機器學習技術(shù)進行模式識別和預測，最終選擇出最適合治療特定疾病的藥物。在篩選患者入組方面，GenAI能夠運用多種數(shù)據(jù)來源，例如電子病歷、基因組學數(shù)據(jù)和生物標志物等，對患者進行全面評估和分析。這有助于確定最適合參與臨床試驗的患者群體。此外，GenAI還可以運用機器學習和深度學習等先進技術(shù)，對患者的臨床特征等進生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告行深入分析和預測，從而實現(xiàn)對患者的個性化匹配和推薦。在2023年9月，水木分子發(fā)布新一代對話式藥物研發(fā)助手ChatDD(DrugDesign)和全球首個千億參數(shù)多模態(tài)生物醫(yī)藥對話大模型ChatDD-FM100BChatDD-Trial可輔助臨床試驗研究人員找到最適合入組的患者人群。通過發(fā)現(xiàn)藥物敏感的生物標志物，更好地理解疾病亞型，實現(xiàn)精準的患者分類，確保患者與試驗藥物更匹配，減少不必要的變量干擾，圖25.ChatDD輔助患者入組臨床研究方案設計是指在進行臨床試驗前，制定一份詳細的計劃，包括研究的目的、研究對象、研究方法、研究過程中的監(jiān)測和評估等內(nèi)容。而試驗報告生成是指在臨床試驗結(jié)束后，根據(jù)試驗方案設計的要求，對試驗過程中的數(shù)據(jù)進行整理、分析和總結(jié)，撰寫一份詳細的試驗報告，這份報告需要提交給相關(guān)的機構(gòu)進在臨床研究領(lǐng)域，方案設計和試驗報告生成面臨諸多挑戰(zhàn)。首先，傳統(tǒng)的臨床試驗設計和方案開發(fā)過程往往耗時較長，需要研究人員對大量歷史數(shù)據(jù)和文獻進行分析和研究，以確定合適的試驗設計和終點。其次，由于臨床試驗設計過程中可能存在不確定性和不完善的地方，研究人員可能需要多次修改方案以達到理想的試驗效果。這不僅增加了研究成本，還可能影響試驗進度。此外，臨床試驗設計方法可能無法充分利用歷史數(shù)據(jù)進行預測分析，導致試驗結(jié)果的預測準確性不足。這可能會影響試驗的成功率和研究成果的可靠性。試驗報告生成方面，試驗報告需要整合和處理大量的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，如試驗結(jié)果、患者信息和相關(guān)文獻，這對研究人員來說是一項具有挑戰(zhàn)性的任務。其次，由于數(shù)據(jù)處理和分析的復雜性，試驗報告的質(zhì)量可能受到影響，如準確GenAI基于AI和ML的技術(shù)，通過分析過往試驗數(shù)據(jù)來優(yōu)化臨床試驗設計來構(gòu)建主要終點和次要終點情境，設計端到端的臨床試驗；并利用AI驅(qū)動的算法縮短方案開發(fā)周期，運用預測分析預測試驗結(jié)果，降低方案修改次數(shù)。此外，GenAI可實現(xiàn)對于歷史試驗的分析和解釋、數(shù)據(jù)注冊表和科學文獻中結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告成果已發(fā)表在《臨床藥理學與治療學》期刊上，該期刊是試驗與臨床醫(yī)學領(lǐng)域權(quán)威的跨學科期刊。ConcertAI與全球性生物制藥公司BMS合作，為BMS的腫瘤學臨床研究提供首個完全數(shù)字化的臨床試驗解決方案，該解決方案將臨床研究和實踐整合在一起，支持更輕松的患者識別和試驗同意，并有助于IRB批準和臨床研究的合同談判，消除了與數(shù)據(jù)錄入重復和數(shù)據(jù)監(jiān)控相關(guān)的挑戰(zhàn)，并減輕了臨床研究人協(xié)助醫(yī)學、生物統(tǒng)計、臨床運營等各部門專家高效撰寫研究方案，便捷開展團隊內(nèi)及跨部門跨組織協(xié)同編輯、審閱、審批和遞交工作，充分利用方案知識內(nèi)容，實現(xiàn)知識留存的數(shù)據(jù)化、結(jié)構(gòu)化，以協(xié)助臨床運營相關(guān)執(zhí)行文檔和計劃、指導文件的生成，并高度自動化對接試驗建庫工作，達成“方案撰寫即建庫”，加速從臨床研究中的藥物警戒是指對正在進行的臨床試驗中的藥物進行監(jiān)測和評估，以確保藥物的安全性和有效性。其目的在于及早發(fā)現(xiàn)和解決藥物的不良反應和安全在臨床試驗過程中，對藥物不良反應的監(jiān)測和報告至關(guān)重要。然而，由于醫(yī)務人員繁忙、知識儲備不足或者報告流程復雜等原因，可能導致不良反應的延遲發(fā)現(xiàn)或者漏報。這將影響藥物安全性評估，增加患者風險；其次，藥物警戒涉及多個部門和專業(yè)人員，如臨床研究者、藥品監(jiān)管部門、倫理委員會等。有效的溝通與合作對于藥物安全監(jiān)測至關(guān)重要。然而，在實際操作中，溝通不暢或合作不充分可能導致藥物安全問題被忽視或處理不當。GenAI通過運用人工智能技術(shù)和先進的數(shù)據(jù)管理方法，分析包括藥物的化學結(jié)構(gòu)、藥理學特性、臨床試驗等數(shù)據(jù)，并利藥物的安全性和有效性。同時，可將實時收集和整合各方信息，提供全面的藥物警戒分析報告，幫助各部門及時識別風險、制定解決方案。目前，Labcorp推出了基于GenAI架構(gòu)的臨床/上市后藥物警戒平臺、AI輿情平臺，產(chǎn)品通過客戶的數(shù)據(jù)生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告收集整理，然后用人工智能計算機集群服務做全球的媒體、文獻搜索和訓練，提取相關(guān)安全信號，進行風險識別，并將安全信息推送給企業(yè)；此外，通義行業(yè)大模型通過API與交互式問答形式提供服務，并提供用于模型二次訓練與評測的完整操控平臺，與阿斯利康聯(lián)合完成對藥企的應用案例落地。在應對醫(yī)學領(lǐng)域的學術(shù)文獻理解方面，針對文獻進行特定格式的不良反應信息的識別和總結(jié)，生成用于不良反應報告后續(xù)處理的內(nèi)容，提升企業(yè)運營效率。醫(yī)藥企業(yè)在營銷推廣方面目前存在著幾大痛點。首先，“醫(yī)藥分離”背景下，藥品進院及推廣都對銷售團隊以及經(jīng)銷商人員的專業(yè)能力提出了更高的要求，醫(yī)學營銷推廣需要處理大量的臨床研究數(shù)據(jù)，這些數(shù)據(jù)往往非常復雜，需要花費大量的時間和精力進行分析和提取。其次，醫(yī)學營銷推廣需要對不同市場的文化、語言、習慣等進行深入了解。此外，醫(yī)學營銷推廣還需要考慮隱私和合規(guī)性等問題，確保推廣活動的合法性和合規(guī)性。首先，在醫(yī)藥企業(yè)的銷售端，GenAI能幫助企業(yè)內(nèi)部的醫(yī)藥代表和MSL，優(yōu)化工作效率，降低人工成本，從而在整體上賦能銷售增長。柯基數(shù)據(jù)針對銷售端主要面臨的內(nèi)容合規(guī)審核慢、以及SOP流程類問題多的痛點，為德國MNC藥企市場部門打造了面向銷售端的學術(shù)推廣智能助手。智能助手統(tǒng)一構(gòu)建和維護銷售端知識庫，覆蓋臨床產(chǎn)品、醫(yī)學和SOP流程指引類知識，并與十多個銷售端業(yè)務系統(tǒng)打通，以接口形式實時更新知識庫；通過基于知識圖譜和大模型GraphRAG的技術(shù)實現(xiàn)醫(yī)學素材段落原文問答與溯源，確保學術(shù)推廣的合規(guī)性。在企業(yè)微信中，以對話機器人的形式，自動回復代表90%的問題，10%無法解答的以企業(yè)郵件的形式與各平臺負責人對接并當日及時回復。通過GenAI工具，以10篇最新文章為例，升級前需要2個月的上線時間，以最新的解決方案，可實時更新發(fā)布上線。降低了人工成本80%，提升上線效率90%以上，且由于智能性大大提升，吸引醫(yī)藥代表和MSL使用并提升整體銷售端的使用活躍度60%以上。圖27.GraphRAG大模型生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告其次，GenAI在醫(yī)生端，由于醫(yī)生面臨著醫(yī)學學術(shù)資料數(shù)量多，更新快，無法快速有效學習以提升診療和科研能力等相關(guān)問題。醫(yī)藥企業(yè)需要為醫(yī)生端提供更加智能的學術(shù)推廣應用。目前，GenAI能夠充分利用大量的醫(yī)學學術(shù)會議內(nèi)容、訓練數(shù)據(jù)、知識圖譜和專家經(jīng)驗，快速準確地回答最新的醫(yī)學臨床研究問題并做總結(jié)。美國醫(yī)藥咨詢公司ZoomRx推出了基于GenAI技術(shù)的應用程序FermaGPT。Ferma.AI是ZoomRx開發(fā)的一個LLM，它利用了全面的生命科學數(shù)據(jù)集、精心設計的知識圖譜、制藥業(yè)專用的訓練模型以及專業(yè)的人類智能和監(jiān)督。這種方法使Ferma.AI能夠適應制藥學和科學語言的獨特能力使其有別于傳統(tǒng)模型。Ferma.AI可以通過提供快速、準確的信息，使繁瑣的任務自動化。FermaGPT的AACR應用程序可以梳理所有8230份提交的摘要和研究，以滿足特定的請求，如識別NSCLC中的新型KRAS摘要或總結(jié)圍繞前列腺癌種族差異的關(guān)鍵討論。除了人工智能生成的一兩段回答用戶的問題外，F(xiàn)ermaGPT還能夠列出原始材料和鏈接。ZoomRx在2023年4月14日至19日舉行的美國癌癥研究協(xié)會（AACR）年會推出其生成性人工智能產(chǎn)品的公開版本，專門用于醫(yī)學會議。2024年，ZoomRx計劃在數(shù)據(jù)和信息發(fā)布后繼續(xù)添加。ZoomRx計劃今年為大多數(shù)大型醫(yī)學會議以及許多小型會議創(chuàng)建FermaGPT公共訪問應用程序，包括AAN、ASCO、ESMO、SABCS和ASH。生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告患者教育是指醫(yī)療專業(yè)人員向患者及其家屬提供有關(guān)疾病、治療和預防的信息和指導。它旨在增加患者對自身健康狀況的了解，提高其自我管理疾病的能力，并促進良好的健康結(jié)果。在患者教育方面，由于醫(yī)學領(lǐng)域涉及大量的專業(yè)術(shù)語和復雜的概念，這對患者來說可能難以理解。醫(yī)生需要確保以簡明扼要的方式傳達信息，避免使用過于專業(yè)化的術(shù)語，以便患者能夠理解和應用。目前，GenAI可以針對不同市場的本土化特點，以及通過對目前患者的特點，針對性地生成和構(gòu)建患教內(nèi)容，例如圖像、內(nèi)容、數(shù)字廣告和宣傳材料。美國的人創(chuàng)建營銷內(nèi)容、分析競爭情報，并通過個性化答案增強客戶體驗，同時確保隱醫(yī)蝶谷是阿里健康旗下的一款醫(yī)生個人診所云平臺，專為醫(yī)生打造，旨在提供便捷、高效、可信的操作平臺，以便于為患者提供優(yōu)質(zhì)的醫(yī)療服務。醫(yī)蝶谷的GenAI能力可以幫助醫(yī)生制作科普視頻，常規(guī)錄制一個科普視頻可能需要幾十分鐘，甚至更長。當醫(yī)生擁有一個數(shù)字人模型后，醫(yī)生無需多次拍攝，只需提交腳另外，GenAI可以輔助醫(yī)藥企業(yè)搭建面向患者的健康管理用藥助手，提供藥品說明書相關(guān)信息、在線和線下購藥渠道咨詢等智能問答，及時解決患者遇到的相關(guān)問題。同時，GenAI還可以提供慢病智能護理與營養(yǎng)健康知識圖譜智能推薦等，幫助患者更高效的獲得疾病及藥品、營養(yǎng)等相關(guān)的知識內(nèi)容，提高自我健康管理在診前階段，GenAI可以通過對醫(yī)學診療數(shù)據(jù)深度學習，分析患者的基因組、生活方式和環(huán)境因素等數(shù)據(jù)，預測患者未來患病的風險，有助于實現(xiàn)疾病早篩，早期干預和預防性治療，并基于患者情況進行預問診，提高診前與診中鏈接效大語言模型MedGPT。這一模型的參數(shù)高達1000億，訓練所用醫(yī)學文本數(shù)據(jù)高達20億條，臨床診療數(shù)據(jù)多達800萬條，并由100名醫(yī)生進行強化調(diào)優(yōu)。在診段，利用其強大的資料檢索和推理能力增強對患者疾病的預測，從而提升分診導圖29.醫(yī)聯(lián)MedGPT一致性得分生成式人工智能(GenAI)在生物醫(yī)藥大健康行業(yè)應用進展報告除了患病預測外，GenAI可以提高預問診、導診準確度和患者信息集成質(zhì)量通俗易懂地給患者解釋病情、提供治療方案甚至建議生活方式、以及提供預期的結(jié)果和風險，這可以提高患者的理解力和參與度，患者能更清楚地了解自己的病情和治療方案，從而減少不必要的誤解和糾紛。DiagnaMed推出了一款新的生成式人工智能（AI）個人醫(yī)療聊天機器人，幫助人們根據(jù)自己獨特的醫(yī)療狀況快速獲得個性化的醫(yī)療信息，并完成從家庭到醫(yī)院的預問診和智能導診。DrGenAI還能利用醫(yī)療信息（包括生命體征、實驗室檢測結(jié)果和身體特征）對患者進行研究，并將患者信息整合提高患者診前信息集成能力。撰寫醫(yī)療文書是醫(yī)療服務人員日常工作中不可或缺的一部分，但是這項工作的主要問題存在于：首先，醫(yī)療文書的撰寫需要耗費大量的時間和精力，醫(yī)生需要花費很多時間來記錄患者的病情、治療方案和醫(yī)療記錄等信息。其次，由于醫(yī)療文書的撰寫需要遵循一定的規(guī)范和標準，醫(yī)生需要具備一定的專業(yè)知識和技能，否則可能會出現(xiàn)錯誤或遺漏。此外，由于醫(yī)療文書的撰寫需要手動完成，存在著一定的人為因素，可能會影響文書的準確性和完整性。GenAI技術(shù)可以通過學習大量的醫(yī)療文書數(shù)據(jù)，自動生成符合規(guī)范和標準的醫(yī)療文書，從而大大減輕了醫(yī)生的工作負擔。此外，GenAI技術(shù)還可以通過語音識別技術(shù)，自動將醫(yī)生的口述轉(zhuǎn)化為文字，進一步提高了醫(yī)療文書的撰寫效率和準確服務工具，幫助醫(yī)療服務人員使用