首个千亿生物医药ChatGPT来了!清华AIR聂再清:这个行业未来的“Killer APP”

看法

康谈网 微信公众号量子位 作者:萧萧 2023-09-22 17:13:45

摘要 制药行业的“专家版ChatGPT”,终于来了!

ChatGPT 清华 AIR

首个千亿生物医药ChatGPT来了!清华AIR聂再清:这个行业未来的“Killer APP”

  本文来自于微信公众号 量子位 (ID:QbitAI),作者:萧萧 。

  制药行业的“专家版ChatGPT”,终于来了!

  就在这两天,首个生物医药的千亿参数大模型产品ChatDD发布,不仅制药各阶段知识“样样通”,还能和药学专家进行对话,瞬间秒懂一些行业神秘“黑话”。

图片

  这和AlphaFold2直接加个Chat功能还不太一样——

  现阶段大模型虽然能在***发现上做得不错,但要么只涉及单个模态,要么不具备直接对话能力。

  ChatDD则兼具多模态和对话双重特点,顺便还能给医药界学生“解个惑”。

  做出这个产品背后的水木分子,是今年6月新成立的一家公司。清华大学智能产业研究院院长张亚勤院士指出:

  ChatDD通过人机协作对话方式有效地将专家知识与大模型知识相联结,开拓了继传统***研发TMDD、CADD、AIDD之后的第四代***研发新模式。

  所以,它究竟在什么功能上做到“划时代”?

  我们和清华AIR教授、水木分子首席科学家聂再清聊了聊,详细了解了ChatDD的来龙去脉。ChatDD是一个什么样的产品?

  先来看看ChatDD能做哪些事儿,具体又能用在哪里。

  它的外观和ChatGPT有点像,是一个网页版,同样能通过对话来实现各种功能。

  对话能力上,不仅英文总结不错,中文对话也来得,直接hold住“***画像”这样的专业黑(术)话(语):

图片

  如果有看不懂的分子,可以直接一键上传相关文件,让它来负责解读这种分子的作用:

图片

  试试更复杂一点的任务,例如计算亲和力问题,大模型竟然直接“推荐”了一个工具,并快速计算出结果:

图片

  此外,也不用担心问答内容超出ChatDD训练数据截止日期,毕竟它还学会了自己联网、或是从数据库中查找答案。

图片

  总结来看,ChatDD虽然用法上像ChatGPT,但在生物医药这块是“专业的”。

  无论是掌握的多模态(小分子+大分子+文本)医药专业知识量,还是对行业的理解程度、完成任务的能力,ChatDD都要比ChatGPT“更像个学医药的人”。

  与同行AI不同的是,ChatDD的“业务范围”,涵盖了制药的前、中、后期三个阶段。

  此前的医药行业AI,即使是大模型,往往也只能用于制药的部分阶段,例如前期的***发现,或是中期的临床前研究。占研发成本大部头的后期临床试验,几乎无人问津。

  而ChatDD不仅能参与***发现、立项、商业智能(BI,Business Inteligence)、临床试验各环节,还能帮助提升成功率。

  聂再清介绍表示,ChatDD用于后期临床试验设计,也是大伙儿最期待的功能。

  首先,***在临床试验阶段的通过率,往往并不高。

  尤其二期到三期临床,通过率只有34%,三期到四期通过率也不高。但临床试验加上前中期的费用往往又极高,一旦不通过,就是几亿美元成本“打水漂”。

  其次,***通过率不高的原因,(除非***本身不行)很大程度上是因为没找到适合“对症下药”的患者。

  药厂通常会从临床信息数据库中,筛选适合用药的病人。

  假设这个***对数据库中5%的患者有效,那么从这5%的患者中挑选进行临床试验,肯定比剩下95%的患者***高。

  在综合各方面信息做判断这件事上,ChatDD往往比人类更适合筛选出“对症下药”的患者。

  聂再清特意举了一个例子,来表明ChatDD的能力:

图片

  注意这里未来会是“私有化部署的合作伙伴的单***RNA测序数据”,现在因为没有,所以我们用了水木分子收集到的公开数据计算出来的。

  这样的ChatDD,背后功能究竟是怎么实现的? 医学院博士后负责数据构建

  ChatDD背后的底座,取名ChatDD-FM,参数量达到千亿级别。

  这次推出的ChatDD-FM-100B,是全球首个千亿参数多模态生物医药对话大模型,其在C- Eval评测中达到全部医学4项专业第一、也是唯一平均分超过90分的模型。

  联想到团队前不久发的BioMedGPT-10B,其自然语言模态的大模型同样基于LLaMA2架构,这二者是否有什么联系?

  聂再清表示,ChatDD-FM和BioMedGPT,在受众和用途上都不太一样,“有点像ChatGPT和GPT-3.5的区别,前者在对话和意图对齐能力上有更大提升”。

  BioMedGPT主要用于科研领域,更擅长英文生物医药科研任务,适合直接拿来作为生物医药领域的相关科研任务的基础模型。

  ChatDD-FM主要给国内医药行业“打辅助”,侧重中文对话能力,融入了更多专家的对话模式和经验。

  技术上,ChatDD-FM相比BioMedGPT,主要增强了三大方面,模态、训练数据和参数量级——

  模态上,增加了蛋白质结构数据;训练上,增加了用于中文、专家对话和调用工具能力的数据;参数量级上,从百亿增加到千亿。

  让ChatDD-FM提升“专业度”、说话像“行内人”的秘诀,依旧在于高质量数据上。

  这些数据主要分为两部分。

  第一部分,是预训练用的医药知识数据,主要目的是让ChatDD-FM提升专业素养,几个月内掌握行业知识。

  由于之前业内缺少相关(大小分子等多个模态和自然语言对齐)数据集、尤其是中文数据,所以团队又自己收集整理了一系列训练数据集。

  首先,和厂商合作翻译专业英文期刊、整理中文期刊,收集带有中文专业名词的大量数据,降低大模型没见过的专业词汇比率;

  然后,找来一批医学院博士和博士后,设计一套系统对这些数据进行整理,直到它们可以被喂给大模型使用。

  聂再清强调,这些博士不是在做数据标注,毕竟相比有监督学习,自监督学习更重要的是清洗、查找数据的工作:

  这些期刊数据当然不是一个人一篇一篇地看,那绝对不行,也不是一个字一个字敲进去,也肯定不行。

  毕竟大模型最主要的能力还是来源于自监督学习,所以更多是让他们进行数据清洗和查找的工作。

  当然,医药界期刊总是在更新,因此这部分的工作也会持续进行。

  第二部分,是“专家数据集”,专门用于提升ChatDD-FM的对话能力。

  ChatDD的用户,会有不少医药领域的专业用户,为了让它能无缝读懂业内人的“专言专语”,就必须要先了解专家们平时都会怎么说话。

  团队为此找了一些专家,“观察”他们平时是怎么提问的,根据这些问题整理了一套数据集,专门喂给ChatDD。

  这样医药专业的用户在使用时,不仅能像和同事聊天一样直接提问,也能选择“提示词模板”直接换词填充。

  此外,为了进一步增强模型解决实际医药任务的能力,团队也接入了不少实用工具和开源算法,解决用户遇到的问题,主要分为查询和计算两大类,如知识库查询工具、或靶点亲和力计算工具。

  但,ChatDD-FM作为大模型,总归绕不过幻觉这个问题。

  此前发布BioMedGPT时,聂再清就曾表示过不用害怕科研、***发现等阶段的“幻觉”。现在发布商业版ChatDD-FM,是否还这么想?

  聂再清表示,现阶段ChatDD-FM可以根据不同的需求,调整大模型出现幻觉的情况。

  例如在做商业智能的时候,就尽可能降低大模型的幻觉,做到每一句话都有来源可追溯;

  但在做***发现的时候,只要有实验人员把关,都可以去适当提升幻觉,增加一部分模型想象力来“换换思路”,或许能试出有意思的结果。

  后期,ChatDD-FM理论上甚至能做到“一键更改回答出现幻觉的比率”。

图片

  “对制药行业有划时代意义”

  ChatDD背后的公司水木分子,目前已完成千万级种子轮融资。

  水木分子自定义为“大模型时代的CRO公司”,即利用大模型或AI技术,帮助别人更好更快地制药。

  公司的盈利方式目前有三种,包括ToB付费会员(按使用次数收费)、私有化部署和制药分成。

  已经有制药厂商找来合作了——复星医药计划对ChatDD进行私有化部署,用于辅助***立项等阶段。

  ***立项,涉及大量资料查找和判断,包括查找有无***相关(官能团、分子结构保护等)专利,还要根据大量文献和实时市场信息等资料判断是否值得立项。ChatDD能通过整合文献和相关专利,生成一个完整的参考报告。

  ChatDD的出现,聂再清认为对于行业而言有跨时代意义:

  它真正将专家的经验和直觉、以及大模型的“智力涌现”能力融会贯通了起来。

  此前,制药行业经历了三个阶段,分别是TMDD(Traditional Manual Drug Design)、CADD(Computer-Aided Drug Design)和AIDD(AI Drug Design)。

  但无论是人工试验,还是计算或AI辅助***研发设计,都需要大量人力去“学会如何使用”模型,尚未出现一个能和科研人员直接对话的系统。

  现在,ChatDD的出现真正改变了这一现状。

  它不仅能将制药的知识经验集成到大模型中,通过提示词就能激发调用出来,还能通过学习专家对话方法掌握专业沟通能力,“相当于把人和机器最powerful的地方做了个融合。”

图片

  不过,要完全实现ChatDD的全部潜能,真正进入比较成熟的阶段,聂再清认为至少还有10年的黄金时代。

  一方面,对于生物医药行业来说,人类对于蛋白质、***、小分子之类的理解也还远远不够,在这个学科方面仍然可以做出很多成绩和进展;

  另一方面,对AI行业来说,无论是数据还是算法,也都还没发展到足够成熟的阶段。

  数据上,目前生物医药领域内各模态和自然语言对齐的数据还很少。

  (就像图文一样,虽然文字和图像各自的数据很多,但图文对齐如VQA的数据却相对要少很多)

  对此依旧需要不断收集整理出PQA(蛋白质问答)、MQA(小分子问答)等模态的数据,来让多模态大模型的效果变得更好。

  模型上,大模型目前的效果还不是最好的,无论是单模态还是多模态,都值得继续去探索。

  所以,公司的下一步计划,就是继续优化模型、增加更多模态,并找到更多的场景落地需求。

  对于ChatDD最终形态的设想,聂再清表示:

  它会成为一个各模态(大小分子、蛋白质结构、DNA、单***等)和自然语言全部对齐的生物医药基础大模型产品。

  他也在发布会上预言,这个产品会成为生物医药行业的大模型“Killer APP”。

  到那时候,才会真正打破医药界的“双十定律”,高性价比的实现人机协作新药研发。

  文章内容仅供阅读,不构成投资建议,请谨慎对待。投资者据此操作,风险自担。

康谈网(www.kangtan.com)是定位于关注健康产业。想分享健康产业干货?发邮件至 news@kangtan.com,我们会第一时间与你联系。

康谈网 读懂健康

关注康谈,收听和分享“健康”

携手康谈网,为您提供更多健康新鲜货。

热门阅读

X