ChatGPT上岗医疗还有多远？哈佛教授亲测表现接近医生，云知声被曝打造行业版

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

国内玩家如火如荼入局ChatGPT，其在各行业出圈也有目共睹。

但具体什么时候能上岗尚且还不明晰，尤其像一些艰深、壁垒性高的行业，比如医疗。

现在，一位哈佛医学院教授，就亲自下场测试ChatGPT的表现。

结果显示，它在45个案例中的39个诊断正确，正确率87%（超过了现有机器诊断率的51%）；并为30个案例提供了适当的分诊建议。

他表示，ChatGPT辅助诊断的表现，已经接近医生。既然如此，那什么时候可以上岗？

事实上，这也是目前国内大多数玩家所面临的问题：红利在此，如何率先吃掉？

此前我们也系统性地梳理过复刻中国版ChatGPT背后的技术与生态难度，显然不是短期就可以实现的。

现在已经衍生出来一种新思路：直接打造行业垂直版ChatGPT。

这种方式是否可行？

打造行业版ChatGPT可行吗？

ChatGPT的打造，技术核心绕不开算力、数据和算法三要素。

算力方面，OpenAI背靠微软这头奶牛——拥有28.5万个CPU核心、1万个英伟达V100 GPU，光是训练一个GPT-3，费用就高达460万美元；数据上，GPT系列几经迭代优化，一度惊艳众人的GPT-3就有1750亿参数，而上一版本GPT-2只有15亿参数；算法自然也有多年深厚的积累，否则也不能出现“类人”自主学习特征，而且进一步展现出快速适应多领域、多场景的能力。

再加上生态反哺技术，形成迭代闭环。OpenAI自GPT-3开始就以开放接口的形式，构建起了专属“GPT生态”。据gpt3demo网站统计，目前已有656个调用GPT-3系列模型开发的应用程序。

这样的技术与生态壁垒，决定了复刻ChatGPT并非那么容易。既然如此，垂直版ChatGPT的解决思路也开始在行业中探讨。

首先从技术上来看，他们的核心挑战主要在于以更少的参数，比如以百亿规模参数量，在垂直领域的任务达到或超过ChatGPT的效果。

这可能比复现ChatGPT更难，因为参数数量要小很多，不能仅仅依赖“暴力美学”，还要有高超的模型设计和压缩技巧。

另外一个挑战是数据来源的不同。

像谷歌、微软他们其实有天然的通用数据来源，但专用数据积累不能跟垂直玩家相比。

尤其像医疗等民生行业，专业性强覆盖面广，所需的高质量数据可能并不比ChatGPT小，且大部分数据不是网上可以抓取的。

但对多年深根于此的垂直玩家来说，他们早已构筑起自己的产业生态，有丰富的行业数据和知识积累，为复现ChatGPT奠定了必要的基础。

而且从价值需求来看，垂直行业所代表的价值是实实在在的。像医疗本身需求就不小，一旦ChatGPT落地医疗，所代表的社会价值很大。

以往用户们会习惯性使用的用搜索、APP来帮助诊断自己的疾病，但往往可能收效甚微。

哈佛医学院教授Ateev Mehrotra曾测试，现有的在线诊断器平均正确率仅在51%，而ChatGPT则有87%，因此他认为ChatGPT有可能成为医疗诊断的游戏规则改变者。

为了加速ChatGPT应用落地，从技术难度、价值需求等维度看，打造垂直版ChatGPT是可行的。

而现在国内有AI玩家，已经在这样做了。

云知声ChatGPT行业版

最新曝光的进展，智能语音赛道独角兽云知声正在推进ChatGPT行业版的建设——

以医疗作为切入口，构建ChatGPT医疗行业版，同时基于ChatGPT行业版构建平台，快速扩展到其他领域，再利用领域模型集成MoE（Mixture of Experts）技术，训练得到通用ChatGPT模型。

而这种从专用到通用的思路。其实是云知声一贯的“U+X“做法。在这里，“U”指的通用大模型算法研发及高效训练底座平台；“X”则是应用于多个行业领域的专用大模型版本。

事实上这也正在成为不少企业入局ChatGPT的思路，这样一来，可以利用已有的专用数据优势。

不过也不是那么容易走的，更何况云知声选择的，还是对生成内容质量要求更高的医疗行业作为切入口。

最首要的难题，是要提高医疗知识的可靠程度。ChatGPT最擅长的，就是一本正经地胡说八道。放在现在Bing上聊天搜索、内容生产其实问题不大，用户们也乐在其中。

但应用在行业中，往往让非专业人士难以察觉，这会引发各种风险。因此行业版ChatGPT要杜绝一切胡说八道，尤其像医疗、教育、工业等行业，内容生成要求极高容错率很低，也对数据的质量要求也就更高了。

其次，就是实现行业中的“性价比”。任何一项技术能够大规模落地，都必须要解决「如何以有限的资源，实现效果的最大化」问题。

这也是ChatGPT行业落地的必经之路——模型能以更小的参数规模，达到与ChatGPT同样的效果。这也就给这些企业带来了不小难题。

事实上，云知声也坦言，ChatGPT行业版的参数可能也需要达到百亿量级规模，要做出效果并实现规模化应用挑战也不小。

从某种程度上说，打造行业版的ChatGPT比现在通用的ChatGPT还要更难，但到真正ChatGPT行业落地时，这些问题又都必须得解决。概括来说，就是实现ChatGPT工程化能力。

这是每个躬身入局者，绕不开但必须得过的路。

在此基础上，毫无疑问的是，云知声的选择更难——医疗作为切入口。这是始终被认为是行业壁垒高、专业性强、技术难度制高点的领域，也是为什么相较于其他行业的盛况，医疗AI玩家就显得少之又少的原因。

但一旦将医疗版ChatGPT打通，那么其他领域的实现，包括最后的通用大模型也就事半功倍了。

作为成立于2012年的AI公司，他们一直密切关注AI前沿技术，并积极推动技术产业化应用，包括2012年的深度学习算法升级和产业化应用，到2016年Atlas超算平台、知识图谱和全栈AI技术应用，到现在基于ChatGPT框架的AGI认知技术升级。

同时，在医疗行业有近10年深耕，积累的行业知识、数据和应用，还获得了2019年北京市科技进步一等奖。

在回应是否有信心打造ChatGPT行业版时，云知声方面表示：完全有信心。

前面总结，打造ChatGPT离不开高质量的数据，领先的算法和充分的算力。而对于垂直版ChatGPT还需要更深厚的工程化能力。

从这几方面来看，云知声的确具有行业参考性。

数据方面，近10年来云知声积累了全方位的行业数据，包括面向患者的导诊、预问诊、患者教育和随访系统，也有面向临床的语音病历，病历质控，单病种质控和医疗风险管理系统，已有近400家医院落地使用。据称数据规模已达到了5T，为医疗行业语言大模型提供数据基础。

算法方面，而ChatGPT所代表的认知智能，本身就是云知声核心技术优势。他们构建了国内最大的医疗知识图谱之一。从2019年至2022年，云知声的认知智能技术在国内外相关评测中荣获7冠5亚。其自主研发的医疗预训练语言模型CirBERTa一度登顶中文医疗信息处理挑战榜榜首。

在算力上，云知声超算平台浮点计算能力可达8亿亿次/秒,可为千亿级参数规模模型提供算力保障。

而在大模型工程化方面，云知声已经研发了CirBERTa模型，复现了GPT-2模型，并利用模型压缩和知识蒸馏机制，实现了线上推理效率的近百倍加速，为大模型的广泛应用奠定了基础。

此外作为行业版ChatGPT，内容质量保障也是关键一环。

云知声给出的解决方案是，利用应用在CirBERTa的持续学习和知识嵌入技术，基于已有知识图谱积累，优化ChatGPT模型的知识获取和更新机制。

据介绍，这样一来可以保证ChatGPT回答中的知识正确性，与此同时还可以给出知识溯源信息。

另外，利用云知声业内领先的病历质控技术，可以自动发现生成的病历中的问题，进而自动生成作为ChatGPT核心技术的基于人类反馈的强化学习（RLHF，Reinforcement Learning from Human Feedback）所需的用户反馈数据，加速模型的优化。

谁最先吃掉ChatGPT红利？

最后回到事件本身，此前论及ChatGPT对行业的价值，都是从宏观上的产业生态和模式创新上谈，比如对人机交互、信息分发、内容生产等方面。

如今随着越来越多的垂直企业入局，ChatGPT对企业的意义也呼之欲出——一种全新AGI的技术范式选择：基于“大规模通用基础模型+轻量级行业应用优化”的行业知识整合和问题解决方法。

以往这些场景玩家，对于AI的探索可能处于“看山是山、看山不是山”的懵懂状态，现在出现了一座“更小，而且明知会有路的山”。

ChatGPT所表现出来的“智能”，给他们带来了一种明确的技术方向。

云知声CEO黄伟也深有体会，甚至于相较于AlphaGo，他认为ChatGPT所带来的影响要深厚得多，相当于一场新的“工业革命”。

这场革命最大的优势是，通过自监督注意力机制，能够充分利用海量无监督数据训练通用基础模型，并将感知、认知与生成，用统一框架实现“端到端”的整合，直接从高质量生成结果上去呈现机器智能。机器采取的人工引导的数据驱动学习方法，与人类的逻辑思维方式是完全不一样的，类似飞机所采用的喷气式“空气动力学”机制，与鸟类采取的“扇动翅膀”方式完全不同。

不管是对整个产业，还是单个企业而言，ChatGPT所带来的价值确实让他们不跟不行。

尤其对于一些场景玩家来说，他们还是最有可能吃掉ChatGPT红利的一拨人。

他们有场景有数据、有深厚的行业壁垒，一旦具备ChatGPT能力，就可以率先在行业落地。这是其他玩家所不能及的先发优势。

上一次AI浪潮来袭时，最终也是场景玩家率先吃掉AI红利。只不过现在ChatGPT是直接以技术路径出现，落地速度自然要比以往快得多。

云知声CEO黄伟也给出了个明确的时间点：

年内就会实现成功应用落地的方案。