即刻App年轻人的同好社区
下载
AI for Medicine 的本质是 AI
AI for Science 的本质是 Science
AI for Medicine之所以更好做（科研，非商业化）的本质是因为整个医学系统的发展都是围绕人建立的，从医学知识、医学技术、医学实践都包含人的思考和人的反馈。所有的医学任务和场景都建立在人能描述，能理解，能干预的情况之上。从而产生了大量的以人为中心的知识、记录、任务，而且这些知识、记录、任务大都已经被人用自然语言整理成了体系（ICD、病历、文献）。LLM/视觉模型能很好的处理、理解、泛化，很大程度上是因为这些知识本来就已经是语言了。
相对而言，AI for Science，尤其是Biology，则要复杂得多。首先，生物是一个跨尺度多模态的复杂系统集，从每一个尺度所能观测到的现象及背后的解释都是自成体系的。医学其实也跨尺度，但医学的每个尺度都能锚定到人能观察、能验证的临床终点上（症状、影像、化验、结局），尺度之间有临床语义接着；生物缺的是这样一个统一的参照系。更不用说观测本身就是一个很大的问题（如何实现动态观测、如何从bulk数据中解析个体行为）。同一尺度的不同模态也缺乏映射，能够使用的理论在尺度上还是不连续的：原子分子尺度有可计算的假设（中心法则，分子动力学等），细胞和组织尺度几乎没有。观测难，系统复杂，机制不明，共同提升了Biology和其他Science领域的问题复杂度。
因此AI for Science领域的科研更多还是需要假设驱动和数据驱动进行结合，而AI for Medicine在感知和表征这一层已经趋于数据驱动了。
AI for Science 的本质是 Science
AI for Medicine之所以更好做（科研，非商业化）的本质是因为整个医学系统的发展都是围绕人建立的，从医学知识、医学技术、医学实践都包含人的思考和人的反馈。所有的医学任务和场景都建立在人能描述，能理解，能干预的情况之上。从而产生了大量的以人为中心的知识、记录、任务，而且这些知识、记录、任务大都已经被人用自然语言整理成了体系（ICD、病历、文献）。LLM/视觉模型能很好的处理、理解、泛化，很大程度上是因为这些知识本来就已经是语言了。
相对而言，AI for Science，尤其是Biology，则要复杂得多。首先，生物是一个跨尺度多模态的复杂系统集，从每一个尺度所能观测到的现象及背后的解释都是自成体系的。医学其实也跨尺度，但医学的每个尺度都能锚定到人能观察、能验证的临床终点上（症状、影像、化验、结局），尺度之间有临床语义接着；生物缺的是这样一个统一的参照系。更不用说观测本身就是一个很大的问题（如何实现动态观测、如何从bulk数据中解析个体行为）。同一尺度的不同模态也缺乏映射，能够使用的理论在尺度上还是不连续的：原子分子尺度有可计算的假设（中心法则，分子动力学等），细胞和组织尺度几乎没有。观测难，系统复杂，机制不明，共同提升了Biology和其他Science领域的问题复杂度。
因此AI for Science领域的科研更多还是需要假设驱动和数据驱动进行结合，而AI for Medicine在感知和表征这一层已经趋于数据驱动了。
1 00
