摘要

在测试诊断、分析和长期治疗规划的模拟问诊中，AMIE的表现超过了基层医疗医生。 它依据临床指南和药品说明书给出建议，但Vivek Natarajan强调，按脚本表演的演员不是真实患者：模拟之外“什么情况都可能发生”。下一道关键关卡，是在Beth Israel Deaconess与真实患者开展的监督式研究。
在心脏病学和肿瘤学领域，AMIE超过了专培医生，并逼近但未能稳定达到最有经验的主治医生水平。 更具近期投资意义的结果在于增强：使用AMIE的心脏科医生，在几乎所有维度上都被评为优于未获辅助的心脏科医生，这场“压倒性胜利”源于双方互补的错误模式。当Anil Palepu提到，神经科会诊可能要等待“12到18个月”时，这一点尤其重要。
Google的co-scientist复现了Imperial College合作团队通过实验发现、但尚未发表的同一套耐药机制。 它从药物再利用推进到治疗靶点识别，随后处理开放式的细菌耐药问题，连续自主运行数天，并将正确机制排在首位。合作方惊讶地问Google是不是“在读我的邮件”——按照Nathan Labenz的理解，这有力说明系统做的是综合推理，而非简单检索。
架构正在把差异化从定制模型训练转向推理时的Agent设计。 当前的AMIE和co-scientist主要依赖商用Gemini模型，再结合专用Prompt、工具、结构化推理和编排，而不是定制微调。对投资者而言，真正明确的结论是：工作流设计、验证和编排，正成为越来越重要的实际差异化来源。
长上下文、实时外部信息和测试时算力，让这些系统能够连续改进数天，同时避免陷入重复回答。 co-scientist可以把想法、综述、争论和搜索结果放进接近200万个token的上下文；AMIE在大约25.6万个token的临床指南上下文中表现最佳。据估算，在当时的GCP价格下，co-scientist的大多数查询只需“几美元”，通常低于10美元，未来6至18个月还会进一步下降。
有两项技术可以立即迁移：先生成多个方案再综合，以及通过两两竞赛对候选方案排序。 AMIE同时生成4份管理方案、再整合其中最强部分后，表现显著提升；结构化输出强制系统依次完成分析、设定目标和制定治疗方案。co-scientist借鉴AlphaStar的竞赛机制，虽然计算效率不高，但可以比较多样化候选方案，筛出更强的想法。
下一个前沿，是提出值得回答的问题，并把Agents接入实验数据、模拟环境和专用模型。 Natarajan称，问题筛选是上游的“根节点问题”；解决它，才足以让人说数据中心里真的有“天才”。与此同时，co-scientist已经与接近100位受信任的科学家合作，乐观目标是在年底前扩展到数百万人。能力上行空间伴随着明确的部署风险：团队正在分阶段开放权限，因为一个能力极强的科学系统“可能有很多种方式表现得不够好”。

精读

1. AMIE从医疗问答走向临床问诊

Natarajan首先区分了两件事：医疗问答证明语言模型编码了临床知识，但“那不是临床实践”。医生必须与患者互动，自行发现信息，而不是直接接收整理好的信息，随后得出站得住脚的诊断结论。
最初的AMIE研究因此采用客观结构化临床考试：由患者演员分别与医生或AI进行文字对话。AMIE的诊断准确率超过人类基层医疗医生，建立了此次管理研究所要延伸的基准。
Nathan Labenz的表述刻意保持尖锐：AI现在已经能够完成需要人类多年专业训练才能完成的工作，但这一结果几乎没有进入公众意识。他自己的最新判断是，“AI实际上可能已经明确比我更聪明了”，但前提是任务经过了严格的流程设计。

2. 长期管理成为新基准，但仍停留在模拟环境

新挑战不再只是一次问诊后说出疾病名称。临床照护跨越多次就诊，正确的第一步可能是“开对检查”或把患者引导到正确路径上，而不是假定诊断和治疗已经确定。
AMIE被要求围绕这一更长周期进行推理，给出精确的管理建议，并以公认的临床实践指南和药品说明书为依据。在这一设定下，它在分析、治疗规划和诊断方面都超过了全科医生。
团队刻意将研究限定为纯文字，以隔离推理能力；加入图像会引入更多混杂因素。此前的研究已经包含多模态部分，嘉宾表示，多模态版本应该“很快”就会推出。
Natarajan强调的核心限定是：这仍是由演员参与的“模拟问诊”，不是与真实患者进行的无控制接触。团队乐观认为，模型表现“至少在一定程度上”会迁移到现实，但并未把模拟结果视为临床安全性的证明。

3. 专科AI在增强人类医生时表现最强

在心脏病学和肿瘤学领域，AMIE超过了专培医生，并缩小了与主治医生的差距，但嘉宾承认，它在所有领域都还没有稳定达到“最有经验的主治医生”的水平。
与全科心脏科医生的正面对比结果不一：AMIE在一些维度更好，医生在另一些维度更强。但双方的错误模式差异足够大，以至于获得AMIE评估的心脏科医生，在几乎所有测量维度上都超过了未获辅助的心脏科医生，结果堪称“压倒性胜利”。
Palepu把这一结果与医疗可及性联系起来：据称神经科会诊可能需要等待12至18个月，而专科医疗成本高、且被组织成彼此割裂的体系，部分原因在于“人脑能塞进的专业知识总量终究有限”。AI不必继承这一认知约束。
这一结果很快就开始过时。心脏病学研究使用的是Flash 1.5，完成时间距今被描述为3至5个月；此后Gemini 2和2.5已经推出，因此在直接升级模型后，AI与主治医生之间的差距是否仍然存在，仍是开放问题。

4. Co-scientist独立复现未发表的生物学发现

Nathan将评估设计为3个递进挑战：重新利用现有药物；在因果生物学仅部分厘清的患病细胞内识别治疗靶点；以及根据稀疏的观察线索，解释细菌如何产生耐药性。
在最难的问题上，Imperial College的合作方José和Thiago提供了一个基于未发表实验结果的问题。co-scientist运行大约2天后，将同一套机制作为首要假设返回。
合作方大约10分钟内回复：“我现在必须和你谈谈”，随后又问：“Vivek，你是不是在读我的邮件？”Natarajan回答：“Google内部有很多事情会做，但读你的邮件不在其中。”
系统还提出了另外4个假设，科学家认为它们“非常合理”；博士后研究人员已经开始验证。这里的边界很重要：co-scientist提出的是计算假设，实验工作和验证仍由人类科学家完成。

5. 数千个糟糕假设教会团队如何打造可靠性

Natarajan将co-scientist追溯到2023年：Stanford教授Gary Peltz在团队完成Med-PaLM工作后找上门来。他的命题很直接：在科学文献上训练的模型，可能发现有助于“数百万罕见病患者”的因果事实。
在一个听力损失小鼠模型上，早期模型提出了Peltz此前未考虑过的双基因机制。Natarajan称，随后开展的CRISPR敲入实验让实验室得以逆转疾病进程；之后的Med-Gemini工作又将这一方法回溯性地扩展到人类意义未明的变异。
但成功极不稳定：为了生成1个有价值的假设，Med-PaLM会产出“数千个完全是垃圾的东西”。如果合作方没有足够专业，或缺乏足够耐心，可能在得到前5个答案后就放弃这个项目。
这段经历让团队把目标从偶尔出现天才式答案转向校准：每次生成都应该有用，最好的想法应该排在前面。反复调用同一个模型并不起作用，因为过程会逐渐陷入模式坍塌和退化解。

6. Prompt驱动的Agents正在取代定制医疗模型训练

Natarajan说，相比早期的Med-PaLM和Med-Gemini工作，方法已经发生重大变化。那些项目通过医疗领域微调来专门化通用模型；如今的AMIE和co-scientist基本跳过这一步，转而围绕通用Gemini模型组装由Prompt驱动的Agents。
此后，一部分相关医疗数据已经上游纳入Gemini，因此这并不意味着领域数据不再重要。但更强的指令遵循能力，让同一个基础模型可以承担精确的专科角色，而无需为每项任务单独维护一个训练模型。
当AMIE的管理Agent停止只起草1份方案，改为同时生成4份方案并进行综合后，表现明显提升。模型可以保留不同方案的共同优势，从某个候选方案中引入一个好细节，同时“把坏的部分留下”。
co-scientist经历了大约18个月的迭代：建立评估体系、找出弱点、增加或修改专用Agents，最后再简化架构。团队将其称为一个“还有巨大改进空间”的功能原型，而不是经过超参数优化的最终版本。

7. 长上下文成为持续数日推理的工作记忆

co-scientist没有显式的记忆存储。Gemini实例最多可以接收200万个token，因此生成的想法、综述、讨论和其他“大段文字”可以在后续轮次中作为反馈返回，无需另行设计检索架构。
AMIE同样会把大量临床指南载入上下文。内部评估显示，将原计划的100万个token输入缩减到大约25.6万个token后，性能反而提升——这仍足以覆盖相关指南，即使检索并不完美。
Natarajan承认，co-scientist对长上下文的验证“更不那么科学”。团队采用的安全措施是冗余：让大量新一轮生成接收累积反馈，从而提高至少有一个答案正确吸收关键内容的概率。
团队也拒绝再花1年时间在“舒服的小型基准”上持续爬坡。他们偏好的端到端测试，是把一个合理的系统直接交给领域专家，展示生成的想法，并寻求能够转化为真实发现的实验验证。

8. 新鲜信息让自我改进持续进行而不坍塌

Nathan指出，早期GPT-4系统通常在3至6轮自我批评后达到峰值，随后开始恶化。co-scientist之所以能运行数天，是因为每个周期都可以通过网络搜索、工具、专用知识库或人类建议引入新信息。
Natarajan认为，机制在于熵增加：新证据阻止封闭回路反复打磨同一个想法，最终变成退化答案。未来的反馈可以来自AlphaFold、模拟环境、实验数据库或其他Agents，而不只是模型训练截止日之后检索到的文字。
更多算力并非对所有问题都有用。简单问题很快就能解决，而缺少不可替代信息的问题，无论增加多少推理预算都可能无法解决；机会存在于“甜蜜点”——那些困难但边界清晰的问题。Natarajan认为，人类当前的科学议程中有相当一部分属于这一范围。
Vivek给出了一个粗略且非精确的估算：整场耐药性推理运行总共使用了不到1000万个推理token；他随后单独估算，大多数查询成本为“几美元”，按当时的GCP价格低于10美元。

9. 科学工具和隐藏数据集是下一阶段能力前沿

已发表论文只是科学的可见表层。由于学术激励机制，负面结果很少发表，导致“有一些被隐藏起来的暗物质”，潜在的决定性证据因此位于系统可触达语料之外。
补充文件中包含大量实验数据，蕴含有用信息。Natarajan设想，co-scientist生成假设后，由数据科学Agent分析底层文件，再把实证结果反馈到下一轮推理中。
他重点举例了Arc Institute的Virtual Cell Atlas，称其覆盖大约3亿次基因扰动、涉及3亿个细胞。人类团队可能需要数年探索这片空间；持续运行的Agents则可以提出问题、查询数据，并在靶点发现和基础生物学之间反复迭代。
Nathan追问，生物学、材料科学或其他专科表示方式，最终是否会直接并入通用推理模型。Natarajan并不确定；他表示，架构和算力可能已经具备，但通过持续预训练或SFT加入医学图像、基因组数据后，主流语言和视觉基准反而出现过性能回归。

10. 结构化推理和竞赛是当前的实用打法

co-scientist的排序系统受到AlphaStar启发：让假设两两竞争，通过重复比较筛出更强候选。Natarajan没有把它称为理想标准，因为朴素比较的规模是n²；团队会先对想法进行聚类分组，避免进行千对千的竞赛。
他预计最终会走向潜在空间搜索：模型应当能够在“脑中”生成、审查和排序多个备选方案，而无需显式输出每一条分支和每个比较token。当前的竞赛机制以明显的计算低效为代价，换来了性能和可解释性。
AMIE的管理推理Agent使用结构化输出，强制推理按顺序展开：先进行详细分析，再确定更高层次的管理目标，最后制定方案。Nathan把它比作航空公司的检查清单，防止模型四处游走后宣布：“嗯，在我看来一切都不错。”
结构越多并不总是越好。高度细化的模板会削弱灵活性，而在分析和管理目标部分使用更宽泛的字段，在内部自动评估和“体感检查”中表现更好。

11. 问题筛选和现实部署成为新的闸门测试

Nathan提议在co-scientist前增加一个Agent：搜索互联网，找出值得研究但尚未解决的问题，再交给co-scientist。Natarajan称，问题筛选是更上游的“根节点问题”；解决它的那一天，才可以可信地宣称数据中心里有“天才”。
相关论文使用的是Gemini 2.0，而不是Gemini 2.5。Natarajan认为，所有必要的构件都已经可见，至少“未来几年”进展主要是工程问题；第一个可行方案不必优雅。
co-scientist已经通过受信任测试者项目与接近100位顶尖科学家合作。Google计划分批开放，让每一批用户先暴露系统弱点，再扩大范围；Natarajan的乐观目标是年底前让数百万科学家获得访问权限。
AMIE的路径更慢，也受到更多监管。即将开展的Beth Israel Deaconess研究，将把这套LLM系统部署到真实诊所和患者身边，由临床专家监督，并在必要时接管；如果出错情况很少，团队希望扩大到更多中心、降低所需监督程度，并增加面向患者的能力。

Tom Hulme 与 Stan Boland：从 Jensen Huang 身上学到的经验，以及如何修复英国科技生态系统 Uber 创始人 Travis Kalanick 谈 AI、风险与打造未来 | EP #164