从深蓝到1500亿参数大模型，AI医疗行业经历了哪些关键拐点？

从深蓝到1500亿参数大模型，AI医疗行业经历了哪些关键拐点？

AI医疗行业的关键拐点，并非从某个具体产品开始，而是源于AI技术路线的根本性分岔：从以深蓝为代表的“基于模型运算”的可解释路线，转向以阿法狗和ChatGPT为代表的“基于神经网络训练”的深度学习路线。 这一转变的核心标志是参数规模的指数级跃升——ChatGPT所代表的拥有1500亿参数的人工神经网络，让AI首次展现出无法被研究者完全解释的“涌现”能力。对AI医疗而言，这个拐点带来的不是技术狂欢，而是一场关于“可解释性”的深刻博弈：监管机构要求AI医疗具备可解释性，而深度学习的工作原理恰恰尚未得到严格的数学定义。

技术路线的分岔：从知识图谱到深度学习

AI的发展形成了两大类技术路线。第一类是基于模型的运算能力，如知识图谱，依靠计算机运算能力，深蓝是这一路线的代表；第二类是基于神经网络模型的训练，如深度学习，模拟人类思维方式，阿法狗是这一路线的代表。前者的工作原理有严格的数学定义，因此是可解释的；后者通过确定人工神经模型并训练，得到一个参数被调节好的神经网络，但其内部如何相互影响并不清楚，工作原理尚未得到严格的数学定义。

这一分岔的哲学根源可追溯至哥德尔不完备性定理与图灵测试的争论。哥德尔定理揭示了形式系统内自治性与完备性无法同时满足，有观点据此认为计算机系统逻辑能力有限，难以具备真正的智能；而图灵则认为人类思维同样存在局限性，计算机可以以不同于人类的方式实现智能。这一争论为后来深度学习路线的崛起埋下了伏笔。

1500亿参数的涌现：AI医疗面临的可解释性拷问

ChatGPT虽然需要强大的分布式算力资源，但其核心是基于神经元模型的训练，研究人员使用梯度下降等算法来训练拥有1500亿参数的人工神经网络，但对于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，研究者自己并不明白——他们只知道，在不断测试和训练中，人类突然发现ChatGPT开始出现了归纳推理能力。

这种“涌现”能力对AI医疗构成了特殊挑战。无论是FDA还是NMPA，对于AI医疗的可解释性都提出了很高的要求。但问题在于，可解释性本质要从深度学习理论的角度来提供，而面向问题的算法处理流程的可解释性和构造这个算法的过程的可解释性是两回事。针对医学影像AI，所谓的可解释性，说白了就是要求其工作流程和人类对医学问题的认知一致，或者其工作流程可以被人类所理解。然而，完成目标任务的途径本质上有无穷多条，我们不可能要求任意一条途径都满足人类的理解模式。

因果关系的困境：可解释性从学术讨论走向监管刚需

目前医学领域的可解释性实际上是要求看到因果关系，但深度网络和深度学习在挖掘因果性方面恰恰是弱项。即使网络真的构造了一条看起来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，而不是机器学习本身发掘了这个因果性。因此，在这个阶段寻求可解释性，实质上是在追求人类对网络结构设计如何与医学问题自身的逻辑匹配——这本质上还是在考验人类自己如何理解这个医学问题。即便有所发现，应该也是相关性而非因果性，还需要人类去进一步验证。

常见问题

深蓝和阿法狗分别代表什么技术路线？

深蓝代表基于模型运算能力的路线，依靠计算机运算能力，工作原理有严格的数学定义，是可解释的；阿法狗代表基于神经网络模型训练的路线，通过训练得到参数被调节好的神经网络，工作原理尚未得到严格的数学定义，不具有可解释性。这两条路线的分岔构成了AI医疗技术演进的基本脉络。

为什么1500亿参数的大模型对AI医疗是双刃剑？

1500亿参数的人工神经网络让AI展现出研究者无法完全解释的“涌现”能力，如归纳推理。这种能力带来了更强的性能，但也意味着其内部工作机制不透明。对AI医疗而言，监管机构对可解释性的高要求与深度学习的不透明性之间存在根本张力，这正是当前AI医疗面临的核心挑战。

AI医疗的可解释性要求本质是什么？

可解释性要求工作流程和人类对医学问题的认知一致，或工作流程可以被人类理解。但深度学习的内部机制本身尚未被严格定义，因此医学领域的可解释性实质上是要求看到因果关系，而深度网络在挖掘因果性方面是弱项。当前的可解释性探索，更多是在考验人类自己对医学问题的理解深度，而非机器学习本身发掘了新的因果逻辑。