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”

蕭簫 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

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)藥的千億參數大模型產品ChatDD發(fā)布，不僅制藥各階段知識“樣樣通”，還能和藥學專家進行對話，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——

現階段大模型雖然能在藥物發(fā)現上做得不錯，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，順便還能給醫(yī)藥界學生“解個惑”。

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

ChatDD通過人機協(xié)作對話方式有效地將專家知識與大模型知識相聯結，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、水木分子首席科學家聶再清聊了聊，詳細了解了ChatDD的來龍去脈。

ChatDD是一個什么樣的產品？

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有點像，是一個網頁版，同樣能通過對話來實現各種功能。

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

如果有看不懂的分子，可以直接一鍵上傳相關文件，讓它來負責解讀這種分子的作用：

試試更復雜一點的任務，例如計算親和力問題，大模型竟然直接“推薦”了一個工具，并快速計算出結果：

此外，也不用擔心問答內容超出ChatDD訓練數據截止日期，畢竟它還學會了自己聯網、或是從數據庫中查找答案。

總結來看，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、完成任務的能力，ChatDD都要比ChatGPT“更像個學醫(yī)藥的人”。

與同行AI不同的是，ChatDD的“業(yè)務范圍”，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，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、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據庫中，篩選適合用藥的病人。

假設這個藥物對數據庫中5%的患者有效，那么從這5%的患者中挑選進行臨床試驗，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胞RNA測序數據”，現在因為沒有，所以我們用了水木分子收集到的公開數據計算出來的。

這樣的ChatDD，背后功能究竟是怎么實現的？

醫(yī)學院博士后負責數據構建

ChatDD背后的底座，取名ChatDD-FM，參數量達到千億級別。

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

聯想到團隊前不久發(fā)的BioMedGPT-10B，其自然語言模態(tài)的大模型同樣基于LLaMA 2架構，這二者是否有什么聯系？

聶再清表示，ChatDD-FM和BioMedGPT，在受眾和用途上都不太一樣，“有點像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主要用于科研領域，更擅長英文生物醫(yī)藥科研任務，適合直接拿來作為生物醫(yī)藥領域的相關科研任務的基礎模型。

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

技術上，ChatDD-FM相比BioMedGPT，主要增強了三大方面，模態(tài)、訓練數據和參數量級——

模態(tài)上，增加了蛋白質結構數據；訓練上，增加了用于中文、專家對話和調用工具能力的數據；參數量級上，從百億增加到千億。

讓ChatDD-FM提升“專業(yè)度”、說話像“行內人”的秘訣，依舊在于高質量數據上。

這些數據主要分為兩部分。

第一部分，是預訓練用的醫(yī)藥知識數據，主要目的是讓ChatDD-FM提升專業(yè)素養(yǎng)，幾個月內掌握行業(yè)知識。

由于之前業(yè)內缺少相關（大小分子等多個模態(tài)和自然語言對齊）數據集、尤其是中文數據，所以團隊又自己收集整理了一系列訓練數據集。

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)名詞的大量數據，降低大模型沒見過的專業(yè)詞匯比率；

然后，找來一批醫(yī)學院博士和博士后，設計一套系統(tǒng)對這些數據進行整理，直到它們可以被喂給大模型使用。

聶再清強調，這些博士不是在做數據標注，畢竟相比有監(jiān)督學習，自監(jiān)督學習更重要的是清洗、查找數據的工作：

這些期刊數據當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)督學習，所以更多是讓他們進行數據清洗和查找的工作。

當然，醫(yī)藥界期刊總是在更新，因此這部分的工作也會持續(xù)進行。

第二部分，是“專家數據集”，專門用于提升ChatDD-FM的對話能力。

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

團隊為此找了一些專家，“觀察”他們平時是怎么提問的，根據這些問題整理了一套數據集，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，為了進一步增強模型解決實際醫(yī)藥任務的能力，團隊也接入了不少實用工具和開源算法，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)現等階段的“幻覺”?，F在發(fā)布商業(yè)版ChatDD-FM，是否還這么想？

聶再清表示，現階段ChatDD-FM可以根據不同的需求，調整大模型出現幻覺的情況。

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)現的時候，只要有實驗人員把關，都可以去適當提升幻覺，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果。

后期，ChatDD-FM理論上甚至能做到“一鍵更改回答出現幻覺的比率”。

“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，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付費會員（按使用次數收費）、私有化部署和制藥分成。

已經有制藥廠商找來合作了——復星醫(yī)藥計劃對ChatDD進行私有化部署，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（官能團、分子結構保護等）專利，還要根據大量文獻和實時市場信息等資料判斷是否值得立項。ChatDD能通過整合文獻和相關專利，生成一個完整的參考報告。

ChatDD的出現，聶再清認為對于行業(yè)而言有跨時代意義：

它真正將專家的經驗和直覺、以及大模型的“智力涌現”能力融會貫通了起來。

此前，制藥行業(yè)經歷了三個階段，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)設計，都需要大量人力去“學會如何使用”模型，尚未出現一個能和科研人員直接對話的系統(tǒng)。

現在，ChatDD的出現真正改變了這一現狀。

它不僅能將制藥的知識經驗集成到大模型中，通過提示詞就能激發(fā)調用出來，還能通過學習專家對話方法掌握專業(yè)溝通能力，“相當于把人和機器最powerful的地方做了個融合?！?/p>

不過，要完全實現ChatDD的全部潛能，真正進入比較成熟的階段，聶再清認為至少還有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、細胞、小分子之類的理解也還遠遠不夠，在這個學科方面仍然可以做出很多成績和進展；

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

數據上，目前生物醫(yī)藥領域內各模態(tài)和自然語言對齊的數據還很少。

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

對此依舊需要不斷收集整理出PQA（蛋白質問答）、MQA（小分子問答）等模態(tài)的數據，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)的設想，聶再清表示：

它會成為一個各模態(tài)（大小分子、蛋白質結構、DNA、單細胞等）和自然語言全部對齊的生物醫(yī)藥基礎大模型產品。

他也在發(fā)布會上預言，這個產品會成為生物醫(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”，高性價比的實現人機協(xié)作新藥研發(fā)。