|
首页
>
资讯
>
【周末杂谈】求细求异的事，恐非 AI 强项
出自识林
【周末杂谈】求细求异的事，恐非 AI 强项
2025-05-25
根据对AI内在机理的了解，粗估药业AI应用场景落地的可行性
请大家先耐心读完下面五段的简单分析，因为这是后面切题讨论的基础。
AI的数理基础都是某种形式的统计模型，既可以是统计物理意义上的统计，这是去年得诺贝尔物理奖的John Hopfield教授的贡献，也是去年另外几位因AI工作而获得诺贝尔奖者的工作基础；也可以是日常生活和工作中用的统计数学。但无论哪种，都是在数据上，求均值、偏差等。
求均值，是将“大的变小，小的变大”，因为均值只会小于最大值，大于最小值。
- 也就是将原始大大小小、参差不齐的一组数据，用一个中不溜的数据来代表。
- 也就是将原始数据的“棱角”抹掉了，简化为一个“圆乎乎”的数据。
求偏差，是评估用一个均值来代表一组大小不等的数值的合理性。相对于均值而言，若是偏差很小，则说明这一组值都分布在均值附近，即均值的代表性好，否则就是不好。例如，有两组数，每组都有100个数，均值都是0.5。第一组有50个0.0，50个1.0，偏差是0.5。第二组有50个0.49，50个0.51，偏差是0.01。直观上，第一组数的均值代表性差，第二组的代表性好。数值上也是，因为第一组的偏差/均值=1，远大于第二组的偏差/均值=0.02，比例越小，代表性越好。
训练AI，就是喂它很多数据，使其形成记忆。这个记忆，可粗看成是均值和偏差。让AI干活，就是问它一个问题，让它给出最符合其记忆的回答。符合的好坏，由偏差代表。
AI干的是“求同求粗”，而不是“求异求细”的活，因为差异和细节在求均值的过程中已经被抹去了。当然，参数越多的AI大语言模型，其保留的细节就越多，但终究离不开统计平均。
现来看看药业常见的一些应用场景，并用上述说法来粗估这些场景是否适合用AI。
- 撰写生产SOP文件，须满足GMP规章、指南及企业内规，是“求同”的活，适合用AI。
- 产品研发，是创新性工作，魔鬼藏于细节，是“求异求细”的活，不适合用AI。
- 偏差调查，先要符合SOP，还可能需要了解产品和生产工艺。前者是“求同”的活，适合用AI。后者又分两部分。一是知识部分，这是记忆性内容，适合用AI。二是研究部分，本质上是研究性工作，未必适合用AI。
- 撰写年度质量回顾 须满足GMP规章、指南及SOP，是“求同”的活，适合用AI。
在大语言模型时兴前，AI有时也被称为专家系统。专家的英文是expert。经验的英文是experience。两者都有exper这个词头，其拉丁文的原意是to try尝试，to test体验。如果将AI看成是专家系统，期望将已有的知识、既往的经验和教训形成AI系统中的记忆，以便灵活和快速的抓取，以此指导和规范员工行为，从而达到降本增效的目的，那期望就容易落地。若是对AI的期望过高，例如，做人都难做的创新性研发，那就要做好失望的准备。人工智能，毕竟不是智能。
识林-榆木疙瘩
识林®版权所有，未经许可不得转载
|
