回顾2023，各大厂商紧跟热点陆续发布自己的医疗大模型，笔者通过公开信息进行了一些梳理：
试用地址传送门：
1、香港中文大学（深圳）&深圳市大数据研究院（华佗GPT）
https://www.huatuogpt.cn/
2、云知声（山海大模型）
https://shanhai.unisound.com/
3、左手医生（左医GPT）
https://ai.zuoshouyisheng.com/publicize/home
4、百度（百度灵医Bot）
https://01.baidu.com/01Bot
5、大经中医（岐黄问道）
http://www.dajingtcm.com/dajinggpt
6、润达&华为云（良医小慧）
微信搜索【良医小慧】
7、商汤（大医）
可发送邮件备注联系方式及机构名称至sensecare-chat@sensetime.com获取邀请码后，登录https://chat.sensetime.com/申请试用账号。
8、科大讯飞（讯飞星火医疗大模型）
微信小程序-讯飞晓医
01 为何人工智能突然变得「聪明」了？
与通用大模型相比，医疗大模型需要在文本知识、任务执行等方面更符合医疗领域的专业性。目前除了从0-1开始预训练的方式以外，通常厂家可通过3种策略（基于通用大模型继续进行预训练、使用指令和任务微调、使用提示工程进行强化）获得医疗垂直大模型，3种策略可以单个使用也可以组合使用。
1、预训练。基于通用大模型继续进行预训练，可以极大降低从0-1的模型生成成本，节省研发时间。在通用大模型的文本生成、语义理解、文本检索等能力的基础上，企业利用自身在医疗领域内的积累和公开及半公开医疗专业数据，在生物医学领域完成进一步的预训练，使得更加符合生物医学的表达方式和术语应用，使得大模型更好地应用于医疗领域。
2、任务微调。在已经预训练好的大模型基础上，通过特定任务的微调，使其在特定数据集上的性能提升，或者通过监督学习/强化学习，使大模型更好的响应和理解医疗领域内的知识。
3、提示工程。通过设计和构建输入提示来控制大模型的输出，从而提高生产内容的准确性和可靠性。
03 医疗大模型的「应用场景」有哪些？
我们可以从患者服务、临床治疗、药械研发几个角度进行梳理
患者服务：健康问答、智能导诊、健康管理、检验解读...
临床治疗：病历生成、辅助诊断、影像标注、智能随访、患者教育、报告生成...
药械研发：文献检索、新药研发、器械研发...
（来自公开报道）
04 这么多大模型大家的「差异性」在哪里？
存在的差异可以从产品技术壁垒、应用场景、部署策略三个角度来观察
1、技术壁垒（用了什么语料知识库、有多少个参数、有多强的算力...）
知识、数据、算法、算力是拉动大模型运作的四大马车。
知识，决定了大模型的“认知深度”和“表现力”，是解决问题和推理的基础
数据，是大模型的“学习材料”，数据的质量、数量、多样性，决定了大模型的学习能力和泛化能力
算法，指导模型如何“思考”、如何处理数据、如何推理决策，决定了大模型的学习效率和表现水平
算力，为大模型提供必要的计算基础和硬件支持，决定了大模型的处理速度，影响了应用的实际性能
因此我们看到各大厂商的发布会上也都会秀自己的各大指标，比如10亿~1000亿的模型参数、各种来源各种形式的训练数据...
（来自公开报道）
（来自公开报道）
2、应用场景
应用场景必定和企业自身的行业积累、客户案例息息相关，能落地的大模型才能证明解决方案的可用性和应用效果。各厂商在首个落地应用也各有不同，如微脉的CareGPT，主要致力于在真实的医疗服务场景中充分发挥健康管理价值，实现预防、咨询、预约、康复的全周期智能化健康管理能力。如医渡科技的YiduCore，专注于医院的科研、管理和临床辅助决策等。
3、部署策略
对于医疗领域内的落地，特别是toB端的解决方案，企业充分考虑了客户需求，如百度灵医Bot，推出了三个版本，Lite版（私有化部署、可根据客户算力资源进行不同量级的参数调整）、定制版（对有高质量数据和研发能力的客户，针对特定场景，提供定制化模型训练和调优）、旗舰版（千亿参数、公有云服务、开箱即用）。
（来自公开报道）
最后，由“Mobile First” 到“AI First”，医疗领域的应用系统都值得通过AI、通过大模型完成智能化服务的跃迁。新一轮的产业升级正在开始，躬身入局，才能有新的机遇，与君共勉。
资料参考：
公开宣传、政府公开文件等
如有侵权，联系删除
END
整理不易，期待大家点赞、在看
