AI医疗的行业演进，本质上是算法、算力与数据三重条件依次成熟的过程。早期AI沿两条路线并行：一类是基于模型运算能力的技术路径，如深蓝；另一类是基于神经网络模型训练的技术路径，如阿法狗。 后者逐渐成为主流——研究人员使用梯度下降等算法训练拥有1500亿个参数的人工神经网络，但对其内部如何相互影响并不完全掌握。这一“能力可见、细节难解”的特征，构成了AI医疗此后所有关键转折的底层背景。

从规则系统到神经网络

AI最初依赖严格数学定义的可解释路径，如知识图谱与符号运算；而神经网络路线通过确定人工神经模型、经训练得到参数被调节好的网络。训练法成为主流后，人们只知基本逻辑，内部机制尚未获得严格的数学定义，因而不具有可解释性。这正是AI医疗范式转移的起点：从人类写死的规则，转向由数据与梯度下降“调”出来的参数。

可解释性成为落地门槛

AI医疗的特殊性在于，无论是FDA还是NMPA，对AI医疗的可解释性都提出了很高要求。这种可解释性，实质是要求网络工作流程与人类对医学问题的认知一致，或至少可被人类理解。但完成目标任务的途径本质上无穷多条，无法要求每一条都符合人类理解模式；且深度网络在挖掘因果性方面是弱项，即使呈现出一条看似符合人类认知的逻辑链路，更大可能是人为网络结构设计的结果，而非机器学习自行发掘了因果性。因此这一阶段的可解释性，考验的仍是人类自身对医学问题的理解。

大模型进入医疗环节

随着参数规模与训练方法成熟，大模型开始进入药物管理与医疗翻译等环节。研究者发现，在不断测试和训练中，模型开始出现归纳推理能力——OpenAI公司CEO萨姆·阿尔特曼也坦言，ChatGPT为何会出现归纳推理能力，研究者自己搞不明白。对AI医疗而言，这既是能力跃升，也意味着可解释性挑战长期并存。

常见问题

AI医疗为什么特别强调可解释性？

因为监管机构对AI医疗的可解释性提出了很高要求，需要其工作流程与人类对医学问题的认知一致或可被理解。而深度网络在挖掘因果性方面是弱项，这使可解释性成为落地的核心门槛。

梯度下降在AI医疗中扮演什么角色？

梯度下降等算法被用于训练拥有1500亿个参数的人工神经网络，是训练法成为主流的技术基础。但人们目前只掌握其基本逻辑，网络内部如何相互影响尚不清楚。

AI医疗的下一阶段会由什么驱动？

从现有路径看，大模型已进入药物管理与医疗翻译等环节，归纳推理能力在训练中自发出现。后续演进仍需在算法、算力与数据三重条件上继续成熟，并以监管对可解释性的要求为边界。