首個千億生物醫(yī)藥ChatGPT來了！清華AIR聶再清：這個行業(yè)未來的“Killer APP”

　　本文來自于微信公眾號 量子位 (ID:QbitAI)，作者:蕭蕭 。

　　制藥行業(yè)的“專家版ChatGPT”，終于來了!

　　就在這兩天，首個生物醫(yī)藥的千億參數(shù)大模型產(chǎn)品ChatDD發(fā)布，不僅制藥各階段知識“樣樣通”，還能和藥學(xué)專家進(jìn)行對話，瞬間秒懂一些行業(yè)神秘“黑話”。

　　這和AlphaFold2直接加個Chat功能還不太一樣——

　　現(xiàn)階段大模型雖然能在藥物發(fā)現(xiàn)上做得不錯，但要么只涉及單個模態(tài)，要么不具備直接對話能力。

　　ChatDD則兼具多模態(tài)和對話雙重特點(diǎn)，順便還能給醫(yī)藥界學(xué)生“解個惑”。

　　做出這個產(chǎn)品背后的水木分子，是今年6月新成立的一家公司。清華大學(xué)智能產(chǎn)業(yè)研究院院長張亞勤院士指出:

　　ChatDD通過人機(jī)協(xié)作對話方式有效地將專家知識與大模型知識相聯(lián)結(jié)，開拓了繼傳統(tǒng)藥物研發(fā)TMDD、CADD、AIDD之后的第四代藥物研發(fā)新模式。

　　所以，它究竟在什么功能上做到“劃時代”?

　　我們和清華AIR教授、水木分子首席科學(xué)家聶再清聊了聊，詳細(xì)了解了ChatDD的來龍去脈。ChatDD是一個什么樣的產(chǎn)品?

　　先來看看ChatDD能做哪些事兒，具體又能用在哪里。

　　它的外觀和ChatGPT有點(diǎn)像，是一個網(wǎng)頁版，同樣能通過對話來實(shí)現(xiàn)各種功能。

　　對話能力上，不僅英文總結(jié)不錯，中文對話也來得，直接hold住“疾病畫像”這樣的專業(yè)黑(術(shù))話(語):

　　如果有看不懂的分子，可以直接一鍵上傳相關(guān)文件，讓它來負(fù)責(zé)解讀這種分子的作用:

　　試試更復(fù)雜一點(diǎn)的任務(wù)，例如計算親和力問題，大模型竟然直接“推薦”了一個工具，并快速計算出結(jié)果:

　　此外，也不用擔(dān)心問答內(nèi)容超出ChatDD訓(xùn)練數(shù)據(jù)截止日期，畢竟它還學(xué)會了自己聯(lián)網(wǎng)、或是從數(shù)據(jù)庫中查找答案。

　　總結(jié)來看，ChatDD雖然用法上像ChatGPT，但在生物醫(yī)藥這塊是“專業(yè)的”。

　　無論是掌握的多模態(tài)(小分子+大分子+文本)醫(yī)藥專業(yè)知識量，還是對行業(yè)的理解程度、完成任務(wù)的能力，ChatDD都要比ChatGPT“更像個學(xué)醫(yī)藥的人”。

　　與同行AI不同的是，ChatDD的“業(yè)務(wù)范圍”，涵蓋了制藥的前、中、后期三個階段。

　　此前的醫(yī)藥行業(yè)AI，即使是大模型，往往也只能用于制藥的部分階段，例如前期的藥物發(fā)現(xiàn)，或是中期的臨床前研究。占研發(fā)成本大部頭的后期臨床試驗，幾乎無人問津。

　　而ChatDD不僅能參與藥物發(fā)現(xiàn)、立項、商業(yè)智能(BI，Business Inteligence)、臨床試驗各環(huán)節(jié)，還能幫助提升成功率。

　　聶再清介紹表示，ChatDD用于后期臨床試驗設(shè)計，也是大伙兒最期待的功能。

　　首先，藥物在臨床試驗階段的通過率，往往并不高。

　　尤其二期到三期臨床，通過率只有34%，三期到四期通過率也不高。但臨床試驗加上前中期的費(fèi)用往往又極高，一旦不通過，就是幾億美元成本“打水漂”。

　　其次，藥物通過率不高的原因，(除非藥物本身不行)很大程度上是因為沒找到適合“對癥下藥”的患者。

　　藥廠通常會從臨床信息數(shù)據(jù)庫中，篩選適合用藥的病人。

　　假設(shè)這個藥物對數(shù)據(jù)庫中5%的患者有效，那么從這5%的患者中挑選進(jìn)行臨床試驗，肯定比剩下95%的患者有效率高。

　　在綜合各方面信息做判斷這件事上，ChatDD往往比人類更適合篩選出“對癥下藥”的患者。

　　聶再清特意舉了一個例子，來表明ChatDD的能力:

　　注意這里未來會是“私有化部署的合作伙伴的單細(xì)胞RNA測序數(shù)據(jù)”，現(xiàn)在因為沒有，所以我們用了水木分子收集到的公開數(shù)據(jù)計算出來的。

　　這樣的ChatDD，背后功能究竟是怎么實(shí)現(xiàn)的? 醫(yī)學(xué)院博士后負(fù)責(zé)數(shù)據(jù)構(gòu)建

　　ChatDD背后的底座，取名ChatDD-FM，參數(shù)量達(dá)到千億級別。

　　這次推出的ChatDD-FM-100B，是全球首個千億參數(shù)多模態(tài)生物醫(yī)藥對話大模型，其在C- Eval評測中達(dá)到全部醫(yī)學(xué)4項專業(yè)第一、也是唯一平均分超過90分的模型。

　　聯(lián)想到團(tuán)隊前不久發(fā)的BioMedGPT-10B，其自然語言模態(tài)的大模型同樣基于LLaMA2架構(gòu)，這二者是否有什么聯(lián)系?

　　聶再清表示，ChatDD-FM和BioMedGPT，在受眾和用途上都不太一樣，“有點(diǎn)像ChatGPT和GPT-3.5的區(qū)別，前者在對話和意圖對齊能力上有更大提升”。

　　BioMedGPT主要用于科研領(lǐng)域，更擅長英文生物醫(yī)藥科研任務(wù)，適合直接拿來作為生物醫(yī)藥領(lǐng)域的相關(guān)科研任務(wù)的基礎(chǔ)模型。

　　ChatDD-FM主要給國內(nèi)醫(yī)藥行業(yè)“打輔助”，側(cè)重中文對話能力，融入了更多專家的對話模式和經(jīng)驗。

　　技術(shù)上，ChatDD-FM相比BioMedGPT，主要增強(qiáng)了三大方面，模態(tài)、訓(xùn)練數(shù)據(jù)和參數(shù)量級——

　　模態(tài)上，增加了蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù);訓(xùn)練上，增加了用于中文、專家對話和調(diào)用工具能力的數(shù)據(jù);參數(shù)量級上，從百億增加到千億。

　　讓ChatDD-FM提升“專業(yè)度”、說話像“行內(nèi)人”的秘訣，依舊在于高質(zhì)量數(shù)據(jù)上。

　　這些數(shù)據(jù)主要分為兩部分。

　　第一部分，是預(yù)訓(xùn)練用的醫(yī)藥知識數(shù)據(jù)，主要目的是讓ChatDD-FM提升專業(yè)素養(yǎng)，幾個月內(nèi)掌握行業(yè)知識。

　　由于之前業(yè)內(nèi)缺少相關(guān)(大小分子等多個模態(tài)和自然語言對齊)數(shù)據(jù)集、尤其是中文數(shù)據(jù)，所以團(tuán)隊又自己收集整理了一系列訓(xùn)練數(shù)據(jù)集。

　　首先，和廠商合作翻譯專業(yè)英文期刊、整理中文期刊，收集帶有中文專業(yè)名詞的大量數(shù)據(jù)，降低大模型沒見過的專業(yè)詞匯比率;

　　然后，找來一批醫(yī)學(xué)院博士和博士后，設(shè)計一套系統(tǒng)對這些數(shù)據(jù)進(jìn)行整理，直到它們可以被喂給大模型使用。

　　聶再清強(qiáng)調(diào)，這些博士不是在做數(shù)據(jù)標(biāo)注，畢竟相比有監(jiān)督學(xué)習(xí)，自監(jiān)督學(xué)習(xí)更重要的是清洗、查找數(shù)據(jù)的工作:

　　這些期刊數(shù)據(jù)當(dāng)然不是一個人一篇一篇地看，那絕對不行，也不是一個字一個字敲進(jìn)去，也肯定不行。

　　畢竟大模型最主要的能力還是來源于自監(jiān)督學(xué)習(xí)，所以更多是讓他們進(jìn)行數(shù)據(jù)清洗和查找的工作。

　　當(dāng)然，醫(yī)藥界期刊總是在更新，因此這部分的工作也會持續(xù)進(jìn)行。

　　第二部分，是“專家數(shù)據(jù)集”，專門用于提升ChatDD-FM的對話能力。

　　ChatDD的用戶，會有不少醫(yī)藥領(lǐng)域的專業(yè)用戶，為了讓它能無縫讀懂業(yè)內(nèi)人的“專言專語”，就必須要先了解專家們平時都會怎么說話。

　　團(tuán)隊為此找了一些專家，“觀察”他們平時是怎么提問的，根據(jù)這些問題整理了一套數(shù)據(jù)集，專門喂給ChatDD。

　　這樣醫(yī)藥專業(yè)的用戶在使用時，不僅能像和同事聊天一樣直接提問，也能選擇“提示詞模板”直接換詞填充。

　　此外，為了進(jìn)一步增強(qiáng)模型解決實(shí)際醫(yī)藥任務(wù)的能力，團(tuán)隊也接入了不少實(shí)用工具和開源算法，解決用戶遇到的問題，主要分為查詢和計算兩大類，如知識庫查詢工具、或靶點(diǎn)親和力計算工具。

　　但，ChatDD-FM作為大模型，總歸繞不過幻覺這個問題。

　　此前發(fā)布BioMedGPT時，聶再清就曾表示過不用害怕科研、藥物發(fā)現(xiàn)等階段的“幻覺”。現(xiàn)在發(fā)布商業(yè)版ChatDD-FM，是否還這么想?

　　聶再清表示，現(xiàn)階段ChatDD-FM可以根據(jù)不同的需求，調(diào)整大模型出現(xiàn)幻覺的情況。

　　例如在做商業(yè)智能的時候，就盡可能降低大模型的幻覺，做到每一句話都有來源可追溯;

　　但在做藥物發(fā)現(xiàn)的時候，只要有實(shí)驗人員把關(guān)，都可以去適當(dāng)提升幻覺，增加一部分模型想象力來“換換思路”，或許能試出有意思的結(jié)果。

　　后期，ChatDD-FM理論上甚至能做到“一鍵更改回答出現(xiàn)幻覺的比率”。

　　“對制藥行業(yè)有劃時代意義”

　　ChatDD背后的公司水木分子，目前已完成千萬級種子輪融資。

　　水木分子自定義為“大模型時代的CRO公司”，即利用大模型或AI技術(shù)，幫助別人更好更快地制藥。

　　公司的盈利方式目前有三種，包括ToB付費(fèi)會員(按使用次數(shù)收費(fèi))、私有化部署和制藥分成。

　　已經(jīng)有制藥廠商找來合作了——復(fù)星醫(yī)藥計劃對ChatDD進(jìn)行私有化部署，用于輔助藥物立項等階段。

　　藥物立項，涉及大量資料查找和判斷，包括查找有無藥物相關(guān)(官能團(tuán)、分子結(jié)構(gòu)保護(hù)等)專利，還要根據(jù)大量文獻(xiàn)和實(shí)時市場信息等資料判斷是否值得立項。ChatDD能通過整合文獻(xiàn)和相關(guān)專利，生成一個完整的參考報告。

　　ChatDD的出現(xiàn)，聶再清認(rèn)為對于行業(yè)而言有跨時代意義:

　　它真正將專家的經(jīng)驗和直覺、以及大模型的“智力涌現(xiàn)”能力融會貫通了起來。

　　此前，制藥行業(yè)經(jīng)歷了三個階段，分別是TMDD(Traditional Manual Drug Design)、CADD(Computer-Aided Drug Design)和AIDD(AI Drug Design)。

　　但無論是人工試驗，還是計算或AI輔助藥物研發(fā)設(shè)計，都需要大量人力去“學(xué)會如何使用”模型，尚未出現(xiàn)一個能和科研人員直接對話的系統(tǒng)。

　　現(xiàn)在，ChatDD的出現(xiàn)真正改變了這一現(xiàn)狀。

　　它不僅能將制藥的知識經(jīng)驗集成到大模型中，通過提示詞就能激發(fā)調(diào)用出來，還能通過學(xué)習(xí)專家對話方法掌握專業(yè)溝通能力，“相當(dāng)于把人和機(jī)器最powerful的地方做了個融合。”

　　不過，要完全實(shí)現(xiàn)ChatDD的全部潛能，真正進(jìn)入比較成熟的階段，聶再清認(rèn)為至少還有10年的黃金時代。

　　一方面，對于生物醫(yī)藥行業(yè)來說，人類對于蛋白質(zhì)、細(xì)胞、小分子之類的理解也還遠(yuǎn)遠(yuǎn)不夠，在這個學(xué)科方面仍然可以做出很多成績和進(jìn)展;

　　另一方面，對AI行業(yè)來說，無論是數(shù)據(jù)還是算法，也都還沒發(fā)展到足夠成熟的階段。

　　數(shù)據(jù)上，目前生物醫(yī)藥領(lǐng)域內(nèi)各模態(tài)和自然語言對齊的數(shù)據(jù)還很少。

　　(就像圖文一樣，雖然文字和圖像各自的數(shù)據(jù)很多，但圖文對齊如VQA的數(shù)據(jù)卻相對要少很多)

　　對此依舊需要不斷收集整理出PQA(蛋白質(zhì)問答)、MQA(小分子問答)等模態(tài)的數(shù)據(jù)，來讓多模態(tài)大模型的效果變得更好。

　　模型上，大模型目前的效果還不是最好的，無論是單模態(tài)還是多模態(tài)，都值得繼續(xù)去探索。

　　所以，公司的下一步計劃，就是繼續(xù)優(yōu)化模型、增加更多模態(tài)，并找到更多的場景落地需求。

　　對于ChatDD最終形態(tài)的設(shè)想，聶再清表示:

　　它會成為一個各模態(tài)(大小分子、蛋白質(zhì)結(jié)構(gòu)、DNA、單細(xì)胞等)和自然語言全部對齊的生物醫(yī)藥基礎(chǔ)大模型產(chǎn)品。

　　他也在發(fā)布會上預(yù)言，這個產(chǎn)品會成為生物醫(yī)藥行業(yè)的大模型“Killer APP”。

　　到那時候，才會真正打破醫(yī)藥界的“雙十定律”，高性價比的實(shí)現(xiàn)人機(jī)協(xié)作新藥研發(fā)。