ChatGPT 的 1500 亿参数神经网络代表了当前主流的训练法路线，其核心仍是基于神经元模型的训练，并需要强大的分布式算力资源支撑。对 AI 医疗而言，自主可控的关键不在于复刻某一条海外技术路径，而在于构建与人类医学认知相匹配的可解释工作流程，并让医学数据与算力落在合规可控的本土体系之内。

训练法为何难以直接照搬

AI 发展形成了两大类技术路线：一类是基于模型的运算能力，如深蓝，其工作原理有严格的数学定义，是可解释的；另一类是基于神经网络模型的训练，如阿法狗，通过确定人工神经模型并训练，得到参数被调节好的网络。训练法是目前的主流，但人们目前只知其基本逻辑，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，因而不具有可解释性。

ChatGPT 的核心正是基于神经元模型的训练，研究人员使用梯度速降等算法训练拥有 1500 亿个参数的人工神经网络，但对其中细节并不掌握。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。

AI 医疗的自主可控诉求

可解释性是监管与临床的共同门槛。无论 FDA 还是 NMPA，对 AI 医疗的可解释性都提出了很高要求。面向医学影像 AI 问题，所谓可解释性，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。

本地化则落在算力与数据环节。训练法依赖分布式算力资源，而医学数据天然敏感，这使算力部署与数据合规成为自主可控体系中不可回避的部分。

值得注意的是，目前深度网络和深度学习在挖掘因果性方面其实是弱项。即使网络构造出一条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。因此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逻辑匹配——这本质上考验的是人类自己如何理解该医学问题。

常见问题

AI 医疗为什么必须强调可解释性？

因为无论 FDA 还是 NMPA，对 AI 医疗的可解释性都提出了很高要求，而主流训练法的工作原理目前尚未得到严格的数学定义。可解释性本质上是要求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。

自主可控是否意味着要重建一套全新的算法框架？

并非如此。可解释性的实现路径，是从人类自己对医学问题的理解出发设计网络，构造一个与人类已知认知匹配的网络工作流程。重点在于网络结构设计与医学问题逻辑的匹配，而非推倒重来。

训练法的不可解释性会限制 AI 医疗落地吗？

训练法是目前的主流，其价值已被广泛验证，但内部机制尚不清晰。在医学场景中，这决定了可解释性更多依赖人为的网络结构设计，而非机器自动发掘因果性，因此落地节奏取决于人类对具体医学问题的理解深度。