训练一个1500亿参数神经网络需要梯度下降算法反复迭代，这类模型规模扩张直接拉高算力与医疗数据的需求量；AI医疗市场规模的扩张，正是由算力成本、数据积累与临床落地场景共同驱动。 需要说明的是，这类大模型的内部运作机制目前尚未获得严格的数学定义，训练过程并不完全透明，效率提升与成本优化仍有空间，这本身也是市场增长的潜在变量。

从梯度下降到医疗场景

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，但对其中的细节并不完全掌握。OpenAI公司CEO萨姆·阿尔特曼在公开访谈中也坦言，ChatGPT为何会出现归纳推理能力，研究者自己搞不明白。这种“涌现”能力对AI医疗有特殊意义——在可见的将来，无论是FDA还是NMPA，对AI医疗的可解释性都提出了很高要求。

增长靠什么驱动

AI医疗市场的扩容，可从三个方向理解：

  • 算力与模型规模：参数规模扩张带来算力需求，训练成本的变化直接影响商业化节奏。
  • 医疗数据积累：深度网络在挖掘因果性方面是弱项，医疗数据的规模与质量决定了模型能走多远。
  • 临床场景扩张：诊断、药物研发、健康管理等场景的落地，构成市场需求的来源。

可解释性为何关键

针对医学影像AI问题，可解释性本质上是要求其工作流程和人类对医学问题的认知一致，或可被人类理解。但完成目标任务的途径本质上有无穷多条，不可能要求任意一条都符合人类理解模式。目前医学领域的可解释性实际上要求看到因果关系，而深度网络在这方面恰是弱项，因此这一阶段的“可解释”，更多是在考验人类如何理解医学问题本身。

常见问题

梯度下降和AI医疗市场规模有什么直接关系？

梯度下降是训练大规模神经网络的核心算法之一，模型参数规模越大，对算力和数据的需求越高。这种需求传导到医疗领域，就体现为AI医疗在算力、数据和场景三方面的投入扩张。

AI医疗的可解释性为什么难实现？

医学领域要求看到因果关系，而深度网络在挖掘因果性方面是弱项。即使网络构造出看似符合人类认知的逻辑链路，更大可能也是通过人为的网络结构设计获得的，而非机器学习本身发掘了因果性。

AI医疗的增长还有哪些不确定因素？

训练过程不透明意味着效率提升与成本优化仍有较大空间，这是市场增长的潜在变量。同时，可解释性要求如何与医学问题自身的逻辑匹配，也考验着行业参与者对医学问题的理解深度。