Transformer模型在AI医疗领域的应用正从药物发现向临床试验、老药新用等下游场景延伸。当前AIGC在医疗领域的应用仍处于起步阶段，成规模的应用主要集中在聊天机器人领域，而研发生产环节的应用更多集中在药物发现及CXO服务领域。生成式AI在药物发现、疗效评估、模拟数据生成、自动化工作流程等方面具有广泛前景，判别式AI则在识别疾病、分析影像、预测疗效等方面实现更高准确度。

从药物发现到下游场景的延伸逻辑

生成式AI技术（如Transformer模型）在医疗领域的应用路径，呈现出从研发端向诊疗端逐步拓展的态势。在研发生产制造环节，生物制药企业构建Transformer等生成式模型来预测结构、发现药物；CRO企业则在已有数据基础上训练生成式语言模型来更好地服务临床。

在诊疗环节，AI技术通过工作流程改进、新数据集成和更加个性化的互动体验，为辅助问诊、健康管理等领域注入新活力，并在心理健康等专病领域带来创新应用。判别式AI与生成式AI的结合正成为趋势——企业能够根据自身需求将两种算法相结合，以实现更复杂和精细的任务。

需求结构：专业化模型是关键

医疗领域尤其需要高质量的专业化模型，高质量、用户反馈和专有数据集是专业化模型的关键要素。医疗是一个高度专业化的领域，容错率低，需要基于大量可靠数据和高质量临床实践基础，并严格遵守相关法律法规和伦理规范。

从产业链角度看，AIGC产业由上游基础设施、中游算法模型和下游应用拓展三部分构成。基础层、模型层的搭建适合有规模效应的大厂和平台，而创业公司在应用层的探索可能成为未来主要趋势。医疗领域的高价值工作流程将主要由专门的人工智能系统而非通用模型来解决，这指向了从通用模型出发、对其进行实质性专业化以提高质量的发展路径。

常见问题

生成式AI与判别式AI在医疗中如何分工？

判别式AI擅长图像识别、分类等数据集较为单一的场景，如识别疾病、分析影像、预测疗效；生成式AI则关注理解人类意图、生成新数据，在医疗模拟对话、个性化医疗方面具有不可替代的作用，例如3D医学影像重建、脑部疾病影像分析等。

当前AIGC在医疗领域有哪些成规模的应用？

目前成规模的应用主要在聊天机器人领域，涵盖患者咨询与管理、临床决策支持、医疗教育等场景。例如谷歌推出的大型医用语言模型Med-PaLM 2，主要改进方向包括加强用户隐私保护、引入专业医生进行质量检查和监督。

不同药企对AI医疗的需求有何差异？

生物制药企业侧重构建Transformer等生成式模型用于预测结构、发现药物；CRO企业则在已有数据基础上训练生成式语言模型以更好服务临床。整体来看，企业可根据自身需求将判别式AI与生成式AI算法相结合，实现更复杂的任务。