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

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？

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。