章节 06
医疗
Stanford 的医疗章节展示了两个前线同时推进：一边是分子与虚拟细胞模型，另一边是临床工作流中的实际自动化。
为什么重要
医疗是最能体现 AI 价值、监管要求、证据负担和工作流现实同时碰撞的领域之一。
如何运用
把它当作"发现"与"交付"的分界线来读：强大的模型正在出现，但临床采用仍取决于信任、工作流适配和证据质量。
核心信号
核心信号
在生物学领域，领域专用模型常规性地优于更大的通用模型；而临床工作流自动化已经在带来可量化的时间和成本节省。
更小的专业模型表现非常强
Stanford 强调，在多个生物学系统中，更小的模型反而优于更大的模型，说明数据整理和领域设计有时比单纯堆规模更重要。
临床工作流自动化已经相当具体
这一章指出，临床记录自动生成工具已被广泛采用，而且在复杂公开病例上，强多代理系统与未借助工具的医生之间已经出现明显诊断差距。
精选数据点
精选数据点
从 Stanford 官方章节材料中提炼出的数字和对比。
| 信号 | 数值 | 上下文 |
|---|---|---|
| 蛋白与基因组模型规模对比 | 111M / 200M vs 40B | Stanford 提到 1.11 亿和 2 亿参数的生物模型优于更大的基线模型，其中包括一个 400 亿参数模型。 |
| 临床记录时间减少 | Up to 83% | 医生报告称，在采用 AI 记录工具后，撰写病历记录的时间最多减少 83%。 |
| 报告中的投资回报率 | 112% | 有一家医院系统报告 AI 记录生成工具带来了 112% 的投资回报率。 |
| 2025 年 FDA 批准的 AI 医疗设备 | 258 | FDA 在 2025 年批准了 258 个 AI 医疗设备。 |
| 诊断编排系统对比未借助工具的医生 | 85.5% vs 20% | Microsoft 的 AI Diagnostic Orchestrator 搭配 OpenAI o3，在困难病例上得分为 85.5%，而未借助工具的医生仅为 20%。 |
影响与启示
- 医疗 AI 正在同时变得更有用，也更复杂、更受监管约束。
- 工作流自动化的扩张速度，可能会快于完全自主的临床决策。
- 当部署风险很高时，证据质量仍是最硬的约束条件。