多年来，人工智能领域的假设一直是专业化等于优越性。为了应对医学中的特定挑战，你需要一个经过医学数据微调的AI模型，使其成为领域专家。这种逻辑推动了大量投资用于构建专门的医疗AI系统。但是一项新的研究对此提出了质疑，表明通用目的的AI模型（那些接受广泛主题训练的模型）可能已经足够好，可以处理许多医疗任务。
如果这一发现属实，它可能会颠覆我们对医疗保健中AI的看法，节省时间和资源，同时仍能提供强大的结果。但这也会引发更深层次的问题，即专业化在其中的地位如何。
通用模型与专业模型之争
该研究来自约翰霍普金斯大学，比较了两种类型的AI模型：
- 通用模型：这些模型接受大量多样化的数据训练，涵盖从文学到科学和医学的一切。它们不是针对任何特定领域量身定制的，但拥有丰富的通用知识。
- 医疗模型：这些模型最初也是通用模型，但经过额外的训练步骤称为领域自适应预训练（DAPT）。这涉及在特定的医学数据上微调模型，期望它们在医疗诊断或研究综合等任务上表现更好。
研究人员通过医疗问答任务测试了这些模型。结果如何？通用模型在大多数情况下表现得一样好甚至更好。具体来看：
- 通用模型在近50%的案例中与专门化的医疗模型表现相当。
- 在38%的案例中，通用模型实际上超过了其医疗对手。
- 专门化的医疗模型仅在12%的情况下占据优势。
这些数字令人震惊。它们表明，对于大多数医疗任务，通用目的的AI模型（无需额外的领域特定训练）已经非常强大。
为什么通用模型在医学上如此出色？
通用模型的强大之处在于其训练。这些系统接触到庞大的数据集，不仅包括一般知识，还包括大量的医学信息。可以将其视为一个副产品，就像一个通才通过广泛阅读而掌握了医学专业知识一样。
这意味着通用模型通常可以有效地推理医学话题，而无需进一步适应。它们从广泛的训练中吸收了足够的医学知识，足以应对大多数常规任务。
但是那12%呢？
在完全否定专门化医疗模型之前，让我们稍作停顿。那12%的优势虽然看似微小，但在医学中，即使是适度的改进也可能产生深远的影响。
边缘案例很重要：罕见疾病、复杂的诊断难题和尖端治疗往往超出通用模型的舒适区。在这里，专门化模型的额外训练可能意味着正确诊断和错失机会之间的差异。
高风险场景：在单个错误可能导致灾难性后果的情境下，如手术规划或重症监护决策，即使是小幅度的表现提升也可能挽救生命。
因此，尽管通用模型可能足以应对大多数情况，但专门化模型在罕见、复杂和高风险的任务中仍然具有不可替代的价值。
临床力量：提出正确的问题
研究中最有趣的收获之一是提示工程的重要性——即如何为AI框架问题。研究人员并不是简单地向两个模型提出相同的问题；他们优化了提示，使其能够突出每个模型的优势。作者明确指出：
“我们发现，提示优化对于实现强性能至关重要，当提供精心设计的提示时，通用模型通常可以匹配或超过领域适应模型的性能。”
这是关键。AI模型不仅仅是“知道”正确答案，而是基于给定的输入生成响应。模糊或表述不当的提示可能导致模糊或无关的回答。但精心设计的问题可以解锁模型的全部潜力。例如：
- 宽泛提示：“什么是糖尿病？” 一个内容有限的一般性回答。
- 具体提示：“用外行人的话解释2型糖尿病的治疗选项。” 一个更具针对性和实用性的回答。
这表明，最大化AI性能的关键（无论是通用还是专门模型）可能在于我们如何与模型互动，而不仅仅是如何训练它们。
医学和AI的关键影响
这项研究促使我们重新思考如何在医疗保健中开发AI。与其假设每个问题都需要专门化的解决方案，我们或许应该考虑优化和智能部署通用模型。以下是几个关键影响：
- 成本效益：训练专门化模型资源密集。如果通用模型可以处理大多数任务，这些资源可以用于其他医疗创新领域。
- 更广泛的访问：通用模型广泛可用，不需要与专门化系统相同的高级技术基础设施，从而在低资源环境中更容易获得。
- 有针对性的专业化：我们可以专注于那些最需要专业化的高影响力领域，而不是为每一个可想象的任务进行微调。
更大的图景
这项研究挑战了一个关于医学AI的基本假设：更多的专业化自动意味着更好的结果。实际上，通用目的的AI模型已经非常强大。通过明智的应用（更好的提示、战略性用例和对其局限性的理解），它们可以重塑医疗保健，方式是我们刚刚开始想象的。
但这并不意味着专业化毫无用处。相反，它建议我们转变焦点：在多数情况下使用通用模型，在少数情况下使用专门化模型。在医学中，正如在生活中一样，关键不总是做更多，而是做到最好。
或许真正的革命不在于构建新工具，而在于学会使用我们已有的工具。
(全文结束)
