生成式AI正在深刻改变医疗领域，通过智能咨询和精准营销，优化医患体验和业务运营；智能数据处理和模式识别深度挖掘生物医学数据，自动发现候选药物靶点，并预测药物的药代动力学特性和毒性，改善疗效和安全性评估；在供应链管理方面，生成式AI通过数据分析，预测优化采购、订单和物流流程，提高需求预测准确性，实现采购自动化。
来源：新财富杂志（ID：xcfplus）
作者：吴晓颖、吴淼、胡钰茜、柴静、花煜阳【安永（中国）企业咨询有限公司】
随着生成式人工智能（生成式AI）的崛起，其技术能力正重新定义传统人工智能的边界。它不仅在技术层面实现了质的飞跃，更在医疗医药行业展现出独特的创造力和想象力。
生成式AI通过深度学习和模式识别，为疾病诊断和治疗提供了新的视角和方法。它优化了诊疗流程，提高了医疗服务的质量和效率，同时也为患者带来了更加个性化和人性化的体验。这种技术的应用，正在逐步改变医疗行业的面貌，为患者和医生提供了前所未有的便利。
01、AI的变革：从知识的传递者，转变为生成和创造者
生成式AI的崛起对传统AI构成了颠覆性的挑战，从传统AI到生成式AI的发展，是一个既有进化又有新生的过程，二者之间既有区别，又有结合。
传统AI和生成式AI的区别在于工作目标，以及对待知识的态度和方法。传统AI更注重对已有知识的运用和推理，它的目标是回答特定问题或解决特定任务，其工作方式更像是知识的传递。因此，传统AI体现出智慧工具的属性，即“智器”，它们具备强大的数据处理和分析能力，让许多业务流程得以自动化，提高了工作效率。
而生成式AI则更注重生成和创造，它的目标是生成全新的、真实的、有用的数据和内容，其工作方式更像是知识的归纳和演绎。这种区别使得它们在各自领域中发挥着重要作用，并为未来的发展提供无限的可能性。生成式AI更像智慧大脑，即“智脑”。其创造性、通用性、灵活性使得生成式AI在内容创作、虚拟角色生成等方面具有广泛的应用前景。
与此同时，二者所生成内容质量的影响因素有所不同。传统AI在数据规模、硬件成本、部署复杂性、数据依赖等方面存在痛点，其生成内容的质量高度依赖硬件性能和数据能力。相比之下，所输入提问的质量包括是否准确、聚焦、结构化等，是影响内容生成质量的重要因素。
02、在医患场景的机会：提升患者就医体验与治疗效率
随着算法、算力和数据能力的提升，生成式AI正在深刻地改变医疗领域。回到服务人类社会本身，生成式AI能够在患者的就医旅程中，从症状感知与认知阶段到疾病诊疗、复诊与复购，以及愈后阶段的管理，发挥着关键的角色。
在初期，患者对自身症状认知不足，可能忽视疾病的早期信号。这时，生成式AI通过智能交互和个性化的疾病教育内容，帮助患者更好地理解其症状和潜在疾病。此外，通过智能语音助手或虚拟助手，患者可以随时随地获得疾病相关的信息和对疑问的解答，以提高自身对疾病的认知。
在诊疗阶段，AI技术能通过深度学习分析医学图像，提高诊断的准确性，并根据分析结果帮助医生制定精准的治疗方案。
对于复诊与药物复购，生成式AI的智能提醒功能确保患者按时接受治疗和药物，避免错过重要的治疗时机。同时，智能药房管理技术可以根据患者的处方信息自动分配药物，从而使患者快速准确地获取所需药品。
在愈后阶段，AI不仅通过定期随访和生命体征监测提高患者的健康管理水平，还提供个性化的健康管理计划和教育内容，帮助患者改善生活质量和自我管理能力。总体而言，生成式AI的应用使得患者的就医过程更加智能化、高效化和人性化，极大地提升了医疗服务的质量和患者的满意度。
通过医患不同视角下的多样化场景触达，生成式AI还能够使诊疗“更优质”、医生“更专业”、病患“更自主”。传统的诊疗方式往往依赖于医生的临床经验，以医生为中心。而生成式AI可以通过分析大量临床诊疗数据，深度学习医疗领域知识，为医生提供更准确和可靠的诊断依据。这不仅可以提高诊断的准确率，还能帮助医生更好地制定治疗方案，尤其是让临床经验有限及医疗资源匮乏地区的医生获得助力。另一方面，新技术结合患者的疾病信息，能够带来更加精准、便捷和个性化的医疗服务和健康支持，提高患者自我认知的能力，提升创新性的交互体验。
03、赋能药企的运营场景：长效增强“前-中-后”内核
在药企运营的各个环节中，生成式AI将发挥着日益重要的作用，不仅改变传统的药物研发和生产模式，还将为药企的前、中、后台运营提供强大的支持。
生成式AI以“生成”本身赋能前台，能在医药企业的前台职能部门包括患者服务、市场分析、企业决策规划中发挥关键作用，通过智能咨询和精准营销，优化医患体验和业务运营。例如，通过自动生成市场调研问卷、业务报告和针对性营销计划，精准定位客户，提高市场和销售部门的效率。此外，生成式AI能在市场准入、项目管理和合规性检查方面大幅提升工作效率和决策质量，从而推动企业运营向更高效、精准和客户友好的方向发展。
生成式AI在战略规划和运营优化中的应用，能显著提高效率和战略价值。通过自动生成市场调研、销售报告和培训材料，释放员工时间，使他们能够专注于客户洞察和策略创新。其次，自动化的客户沟通能够提高满意度和忠诚度，并通过数据分析优化产品和服务。此外，在医学部门，生成式AI能加速医学研究和内容生成，提高工作效率，并支持医学科学联络（MSL）的学习和沟通。
生成式AI可以用“卓越数据”夯实中后台，在研发部门的应用将为药物研发带来深刻变革。其智能的数据处理和模式识别能力能够深度挖掘生物医学数据，自动发现候选药物靶点，并预测药物的药代动力学特性和毒性，从而改善药物的疗效和安全性评估。在临床试验阶段，AI通过优化试验设计和提高患者筛选效率，提升试验的成功率。此外，它还能自动整理和分析注册申请资料，加速药物上市进程。
生成式AI在IT部门中能通过自动化客户支持，提高响应速度和生成高质量代码，增强IT服务体验，加速项目的实施并减少人为错误。在生产和质量管理中，生成式AI能通过识别生产瓶颈和预测设备故障，优化生产流程和质量控制，确保生产的稳定性和连续性。在供应链管理方面，生成式AI能通过数据分析，预测优化采购、订单和物流流程，提高需求预测准确性，实现采购自动化。
生成式AI将为供应链部门带来更加智能、高效和可靠的供应链管理，提升其核心竞争力。该技术以其强大的数据处理和预测分析能力，为供应链的采购，以及订单和物流的管理提供了全新的优化手段。通过深度分析历史案例和市场趋势，生成式AI有望提高需求预测的准确率，其可以通过对历史供应商价格和交货时间的分析，制定更合理的采购计划和成本优化策略。在采购流程中，生成式AI将可以实现自动化识别采购需求、自动匹配供应商和自动生成合同等功能，提高采购效率并减少人为错误。同时，该技术可以监测和分析供应商的交货性能、产品质量和合同履行情况，帮助其及时发现潜在问题并采取相应措施。在物流配送中，该技术还可以辅助决策运输路线的最优方案，提高物流效率并降低运输成本。
在财务部门，生成式AI可以通过数据分析、预测可疑交易和自动化报告生成，提升财务管理水平，支持财务决策并提高工作效率。在人力资源方面，AI通过高效筛选简历、总结面试反馈和自动生成入职合同，支持人才招聘和管理，并提供员工绩效洞察，支持个性化培训和发展规划。法务和合规部门则能通过生成式AI的应用，识别文件中的关键信息，生成合规报告，自动化合同审查，提高法律工作效率并支持风险管理。公共关系和传播方面，AI能通过精准的舆情监测、自动化危机响应和生成高质量宣传材料，提升品牌形象和传播效果。
04、成功场景化落地的六大关键步骤
通过现有企业对生成式AI的探索及应用，大语言模型已经成为推动企业创新的核心技术。经过深度学习和海量数据的训练，这些模型能够理解自然语言，同时也能生成语言，为多个行业提供智能化的解决方案。实施大型语言模型是一个复杂的过程，它涉及策略规划、技术部署、应用实施以及持续的优化，其落地的实践路径主要分为六大步骤。
一是深入业务需求分析。企业在采纳大语言模型之前，必须先对自身的业务需求进行彻底的审视。这包括对数据结构、业务流程、用户交互以及技术基础设施的全面了解。基于这一分析，企业需要制定明确的目标、预期成果、风险评估和财务预算。
二是策略性技术选型。面对众多的大语言模型，企业需要进行细致的评估，选择与其业务需求最匹配的模型。这一决策过程需要考虑性能、成本、可扩展性、用户友好度和数据安全等多个维度。同时，企业还需要决定是采用外部云服务还是自行构建模型。
三是数据的准备与清理。高质量的数据是大语言模型成功的关键。企业必须投入资源进行数据的收集、标注和格式化，确保数据的准确性和合规性，同时保护数据隐私。
四是应用开发与测试。为确保大语言模型在特定业务场景中发挥最大作用，企业需要开发定制化的应用程序，如聊天机器人、智能助手等。开发过程中，持续的测试是保证应用性能满足预期的重要环节。
五是员工培训与变革管理。新技术的引入需要员工的适应和接受。因此，提供针对性的培训和有效的变革管理策略，对于新技术的成功应用至关重要。
六是持续关注安全性与合规性。在大语言模型的运行过程中，企业必须持续监控数据安全和隐私保护，确保所有操作都符合法律法规和国际标准。
领域大模型的构建对于企业有更为实际的帮助。领域大模型指的是专门为特定行业或领域训练的大型人工智能模型，它们在专业领域内展现出更高的专业性和准确性。这些模型能够提供更精确的预测、深入的分析和有效的决策支持，推动企业在特定领域实现自动化和智能化。
领域大模型的搭建过程中，由于现有的预训练语言模型已经奠定了坚实的基础，下一步需要使这些模型更好地适应特定任务或吸纳领域知识，获取进一步的优化。达到这种优化的主流策略主要分为两种：检索增强生成（Retrieval-Augmented Generation，RAG）和微调（Finetuning）。
RAG技术是一种将检索（Retrieval）与生成（Generation）结合的方法。它先对一个大型的非结构化知识源进行检索，找到与输入相关的内容，然后将这些内容与原始输入一起送入到生成模型中，最后输出，优势在于信息准确性，知识丰富性，但劣势是复杂性高与处理速度慢。
Finetuning技术则是通过在特定任务上继续训练，例如SFT（Supervised Finetuning）和DPO（Direct Preference Optimization），优化模型性能，实现更精准的预测和分析。优势在于处理速度快，性能提升明显，但劣势是对数据要求高，更新成本也更高。
05、探索过程中的政策挑战与应对
随着生成式人工智能技术的蓬勃发展，各地政府也在积极制定相关政策，以推动这一领域的健康发展。例如，上海和深圳等城市通过《上海市人工智能产业发展条例》和《深圳经济特区人工智能产业促进条例》等地方法规，为本地的生成式人工智能产业提供了明确的发展方向和支持。北京则通过发布《北京市人工智能创新策源地建设实施方案（2023-2025）》和《北京市促进通用人工智能创新发展措施》，在人工智能创新领域进行了深入的规划和布局。
尽管如此，生成式人工智能的稳健发展同样需要有效的风险管理。只有结合行业特点，及时制定和实施风险应对策略，才能确保医疗医药领域人工智能的持续进步和健康发展。
训练生成式AI模型需要大量高质量数据作为基础，这些数据的获取、分析对于形成有效的AI结果至关重要，这个过程将面临各类与数据相关的挑战。
一是训练数据的质量和多样性对性能的影响。训练数据的质量和多样性直接影响AI模型的性能和准确性。偏差或质量问题可能导致AI结果的不准确。因此，需要从数据收集阶段开始，实施全面的质量控制和风险管理措施。
二是新数据标注与处理的成本问题。收集新数据并进行标注和处理是一项成本密集型工作，需要大量的资源和时间。为了降低成本，可以采用自动化标注技术和利用开源数据集，同时通过数据清洗、标注和增强等方法来确保数据的准确性和多样性。
三是决策透明度和可释性。生成式AI的决策过程常常缺乏透明度，这限制了人们对其背后逻辑的理解。为了提升AI的可信度和用户接受度，需要通过可视化工具和解释性算法来增强决策过程的透明度和可解释性。
医疗医药行业因其对人类健康和生命安全的重要性，长期以来受到严格的合规性监管。随着医疗反腐的推进，监管措施不断加强。而人工智能作为新兴战略产业，其发展也受到政府部门的高度重视，并出台了以《生成式人工智能服务管理暂行办法》（以下简称《暂行办法》）为代表的多项法规，对生成式AI进行全面监管。人工智能、医疗医药两大领域的合规监管叠加，是药企在使用生成式AI中不得不面对的合规挑战。
一是内容合规性监管的加强。生成式AI在医疗医药领域的内容赋能价值巨大，海量内容创作背后潜藏很多合规风险，随着《暂行办法》的实施，内容合规性监管标准提高，要求生成内容不仅要符合社会主义核心价值观，还要避免产生违法和不良信息。同时《互联网信息服务算法推荐管理规定》要求，企业应建立用于识别违法和不良信息的特征库，加强对不良信息内容的识别能力。
二是对用户管理合规的监管开始加强。生成式AI的训练需要处理大量包含用户敏感信息的多模态数据。为确保用户隐私安全，法规如《暂行办法》规定了严格的数据管理要求。这包括合法采集用户信息、遵循最小化原则、制定清晰的隐私政策并获取用户同意，以及建立投诉和举报机制，快速响应用户诉求。这些措施旨在全面保护用户在使用AI服务时的合法权益。
三是对医疗医药行业数据的合规监管。在医疗医药领域应用生成式AI时，其决策的不透明性可能对知识产权、数据安全和伦理提出挑战。根据《中华人民共和国人类遗传资源管理条例》的要求，在采集遗传资源前，必须告知采集目的、用途、健康影响和隐私保护措施，并进行伦理审查，以确保合规性和个体权益的保护。
在复杂的市场环境下，企业时刻需要具备足够的韧性和智慧面对挑战，逆势上扬。中国政府在监管层面展现出了高度的前瞻性和适应性，《生成式人工智能服务管理暂行办法》等法规的制定，不仅为人工智能技术的健康发展提供了法律框架，也为相关企业指明了合规经营的路径。企业在利用人工智能进行研发创新时，必须严格遵守法律法规，确保技术应用的合法性和安全性。此外，企业还应密切关注政策变化，及时调整研发策略和业务模式，以适应监管环境的动态发展。
2024年1月31日，国家首次全面系统性地阐释了新质生产力的重要概念，在强调科技创新这一“发展新质生产力的核心要素”时，特别强调了“原创性”和“颠覆性”。这既是“从0到1”的原创性突破，也是“从1到10”的颠覆性跨越。而生成式AI作为兼具这两个特性的新兴创新突破性技术，将展现出更多绝妙的创新主意去赋能各行各业。
我们也期待在医疗医药这个兼具传统和创新的行业里，生成式AI能够进一步赋能各类场景，实现更好的医患体验、更高效的药企内部运营，从而推动行业未来的高质量发展。
