我们为什么需要AGI？很多人可能没有仔细思考过这个问题，只看到了结果。部分人认为，科技进步就应该无条件推进。至于原因为何，可能并没有加以深思。也许追问到最后，也只是得出一个让我们的生活更加便利的结论。而究竟在哪些方面提供了何种便捷，可能也没法说那么完善。事实上这种思路也不能说错。
毕竟，有些事是先有动力驱使，再去逐渐实现。有些事是先做到了，再看看能帮我们什么。
今天我们给大家提供一个现实语境下的切入点，来看看AGI究竟能帮到我们什么。
最全面的医生
首先我们来介绍一个人，Greg Brockman。
熟悉AI圈的朋友应该对他都不陌生，他是OpenAI的联合创始人+总裁。
2010年到2015年，他在Stripe任职CTO。之后到今天，他一直是OpenAI的总裁。
不过今天要讲的是他的妻子，Anna Brockman。
2019年，他们二人结婚，美满的婚姻背后，是他妻子不可忽视的身体状况。
在最近的一篇推文中，Greg写道：“在经历了长达五年的身体多系统疼痛之后，我的妻子最近被诊断出患有一种名为过度活动型埃勒斯-当洛斯综合征（hEDS）的遗传性疾病。”
要知道，hEDS是一种遗传性结缔组织疾病，会导致全身关节过度活动、关节不稳定和慢性疼痛。
同时hEDS还伴有各种其他症状和相关病症，影响身体的许多不同部位。
而Greg的妻子是之前当了快六年的演员，目前的职业还是名健身教练。可想而知这个病会给她带来多么大的痛苦。
从这个病的介绍来看，这是一个综合性的疾病。涉及到全身很多系统，比如骨科、心脏科、神经科、肠胃科、皮肤科等等。
Greg在Twitter中表示，目前的医疗体系都是针对各个专科建立的。hEDS要看的医生可太多了。
“五年来，我们看了比Anna之前一生还要多的医生和各种专科医生。大部分医生只聚焦于自己所熟悉的领域，而并没有能把这些碎片化的信息整合在一起。”
后来，Anna的一位专精过敏的大夫细致听取了她的所有症状和存在的问题，把有关她身体状况的细节都拼凑在了一起。
Greg表示，随着人类医学的进步，我们似乎有一种趋势，那就是以牺牲广度为代价来增加医生的深度。但对于病人来说，我们需要的是足够的广度和足够的深度，二者缺一不可。
最理想的情况就是，未来我们可以把这种全面的医疗服务变得口袋化，就好像一个集结了众多科室的医生组成的专家小组，共同为我们的身体健康保驾护航。
而这正是需要AGI出场的地方了。
Greg最后在Twitter中表示，虽然在技术方面还有很长的路要走，AGI要学习如何在像医疗这样的高风险领域将其与人类专家的监督结合起来，如何一起部署，但前景已经越来越明朗。
通过技术开发人员、医疗保健提供商、政府和社会的通力合作，未来人们有希望为所有家庭成员提供更好的医疗保健服务。
不少网友也是跟帖发表了自己的看法。
Bacarella表示，如果医疗AI哪怕能像平均水平的医生那样聪明，同时又像GPT4那样有耐心、专注，还懂得多，那估计行，未来将会有很大的改变。
Paul也认为，AI发展到一定阶段，就一定可以把医学上的新诊疗手段推而广之，让普罗大众都能接触到各种医疗技术。
而这可能是AI最应该投身的领域了。
Google的尝试
要知道，Greg的想法此前曾被Google印证过。
美国哈佛大学、斯坦福大学、耶鲁医学院、加拿大多伦多大学等多所顶尖高校、医疗机构的研究人员在Nature上联合提出了一种全新的医学人工智能范式，即“全科医学人工智能”，可以灵活地编码、整合和大规模解释医学领域的多模态数据，比如文本、成像、基因组学等。
而GoogleResearch和GoogleDeepMind也曾共同发布论文，对全科医学人工智能概念进行了实现、验证。
研究人员首先策划了一个全新的多模态生物医学基准数据集MultiMedBench，包含100多万条样本，涉及14个任务，如医疗问题回答、乳腺和皮肤科图像解读、放射学报告生成和总结以及基因组变异识别。 然后提出了一个新模型Med-PaLM Multimodal（Med-PaLM M），验证了通用生物医学人工智能系统的可实现性。
这是一个大型多模态生成模型，仅用一组模型权重就可以灵活地编码和解释生物医学数据，包括临床语言、成像和基因组学数据。在所有MultiMedBench任务中，Med-PaLM M的性能都与最先进的技术相差无几，在部分任务上甚至还超越了专用的SOTA模型。
文中还报告了该模型在零样本学习下可以泛化到新的医学概念和任务、跨任务迁移学习以及涌现出的零样本医学推理能力。
文中还进一步探究了Med-PaLM M的能力和局限性，研究人员对比了模型生成的及人类编写的胸部X光报告进行了放射科医师评估，在246份病例中，临床医生认为Med-PaLM M的报告在40.5%的样本中比放射科医生编写的要更好，也表明Med-PaLM M具有潜在的临床实用性。
为了训练和评估大模型在执行各种临床相关任务的能力，Google的研究人员收集了一个多任务、多模态的全科医疗基准数据集MultiMedBench。
该基准由12个开源数据集以及14个独立任务组成，包含100多万条样本，涵盖了医疗问答、放射学报告、病理学、皮肤病学、胸部X光、乳房X光和基因组学等多个领域。
而之后没过多久，Google又继续推出了Med-PaLM 2，第二代产品。
它是Med-PaLM的继任者，它要比其前身更加强大，在USMLE样式的问题上达到了 86.5% 的准确率，提高了19%。
Med-PaLM 2是在海量医学文本和代码数据集（包括医学期刊、临床试验和教科书）上进行训练的。这使它能以高准确度理解和生成医学语言。
不仅如此，Med-PaLM 2还能根据医学知识进行推理和推断。
有专家分析，Med-PaLM 2有可能在多个方面彻底改变医疗保健。比如说：
·提高诊断的准确性：Med-PaLM 2可以帮助医生综合考虑患者的所有医疗信息，包括症状、病史和检查结果，为患者确定正确的诊断。
·提高效率：Med-PaLM 2可以帮助医生自动完成总结病历和从研究论文中查找相关信息等任务。这可以让医生腾出更多时间与病人沟通。
·改善沟通：Med-PaLM 2可以帮助医生以通俗易懂的方式向病人传达复杂的医疗信息。这可以帮助病人对自己的治疗做出明智的决定。
·降低成本：Med-PaLM 2可以通过自动化任务和提高效率来降低医疗成本。
目前，Google的Med-PaLM 2仍在开发中，但它有可能对医疗保健行业产生重大影响。
不过，说到Google还是得再提一句前两天刚刚出炉的医学对话AI——AMIE，而且还直接通过了图灵测试！？
到现在为止，Google还在积极地进行测试，努力使它在未来得到更广泛的应用。
不知道像Google的这类产品，以及未来可能出现的其它医疗AI，甚至医疗AGI，能不能解决Greg的问题呢。