今天凌晨，Meta放出了一组颇为特别的成果。
一群来自美国顶尖医学院的临床医生，用Meta自家的大模型当研究助手，在短短4周里写出了10篇医学研究论文。
这10篇论文横跨感染病、急诊医学、肿瘤、内分泌、运动医学、口腔健康等多个方向，背后调用的是一个包含近500万名患者的去标识化电子病历数据库。
不止如此，论文生成的速度非常惊人。
按照Meta的说法，从向模型输入第一个提示词，到一篇完整的论文手稿成形，用时不到两周，有的论文只用了7天，参与研究的医生们一致反馈效率显著提升，最好的情况下，比传统科研流程快了整整10倍。
参与者的阵容也不简单，作者和合作者来自约翰·霍普金斯医学院、斯坦福大学医学院、埃默里大学、贝勒医学院、丹娜-法伯癌症研究所（Dana-Farber）等机构，其中还有一位美国国立卫生研究院（NIH）下属传染病研究所的退休副处长。
值得注意的是，其中一篇论文直接瞄准了药企最关心的问题：乳腺癌患者先后使用两款重磅抗体偶联药物（ADC），一款是吉利德的戈沙妥珠单抗，一款是阿斯利康和第一三共的德曲妥珠单抗，医生到底是怎么用药的？
就在两天前，Meta刚刚发布了号称比肩Claude Opus 5.5和GPT-6的旗舰模型Muse Wonder，紧接着就拿出了医疗落地的成绩单，发布节奏安排得相当紧凑。
至此，OpenAI、Anthropic、Meta三家大模型巨头已经全部杀入AI医疗，只不过Meta押注的方向，和另外两家不太一样。
AI，改写医学研究
Meta这次搭建了一个内部框架，由Muse Spark 1.3和Muse Wonder两个模型共同驱动，它既能访问公开数据，也能调用一个经过授权的回顾性电子病历数据库。
该数据库名为Protégé，库里汇集了美国39家大中型医疗系统近500万名患者的去标识化病历和理赔数据，包含86亿条临床事件、7.75亿份临床笔记。
随后，Meta招募了一批背景横跨心脏病学、流行病学、感染病学和内科的医学研究者，让他们用这个框架开展原创研究。
医生负责提出临床问题、做科学决策并对结论负责，AI则承包了几乎所有的“体力活”，包括头脑风暴研究假设、检索和综述文献、判断现有数据能不能回答这个问题、编写并运行全部分析代码，最后和医生一起把论文写出来。
要知道，在传统的临床研究里，一个医生想从病历数据里验证一个想法，往往要先找数据工程师提数据，再找统计师建模型，排期动辄几个月，很多好问题就这样被搁置了。
参与者之一Ray Chen曾任美国国家过敏和传染病研究所的副处长，如今已经退休，他坦言自己不太会编程，过去只能等着数据工程师和统计师抽空帮忙，现在坐在办公桌前和智能体聊天，就能自己把研究做完。
他牵头的那篇论文，很能说明AI的速度优势。
此前，美国疾控中心的《发病率与死亡率周报》（MMWR）报告了一种罕见致命真菌Cladophialophora bantiana的检出增加，呼吁收集更多病例信息，Ray Chen团队随即用AI在数百万份病历中筛查，找到了21名确诊或疑似感染的患者，其中7例为脑部感染，2人死亡。
据一位第三方评审介绍，从检索患者到调取病历、提取临床细节，团队只用了一天时间。
其他几篇论文同样有扎实的临床发现。
比如一项心内膜炎研究发现，与单纯菌血症患者相比，感染性心内膜炎患者出院后新发心律失常和传导障碍的比例高出73%，一年内风险分别为7%和4%，提示出院后头几个月最需要密切监测心律。
另一项急诊研究则分析了超过百万人次的就诊记录，发现精神行为类急诊患者如果没等到医生接诊就离开，短期死亡率是完成就诊者的2.15倍，住院率更是达到4.41倍。
最受药企关注的，还是那篇乳腺癌ADC研究。
作者团队中包括丹娜-法伯癌症研究所的Paolo Tarantino，研究在数据库中追踪了先后接受戈沙妥珠单抗和德曲妥珠单抗治疗的患者，其中约三分之二先用德曲妥珠单抗，再追踪第二种药的医嘱持续了多久。
这类“真实世界中先用哪个药”的问题，恰恰是药企医学事务、市场准入团队天天在琢磨的事，过去要花大量人力从病历中梳理治疗路径，现在被压缩到了几天。
为了保证质量，每篇论文都经过了三层把关：先由同组医生互评，再交给生物统计师复核分析，最后由Meta付费聘请的第三方独立专家撰写评审意见，并和论文一起公开。
AI医学研究，靠谱吗？
有意思的是，最犀利的批评恰恰来自Meta自己公开的评审意见。
以那篇心内膜炎论文为例，一位心脏病学教授一方面盛赞其方法学严谨，在观察性研究中堪称典范。
但另一方面也指出，监测偏倚仍可能是另一种解释，这项研究更适合作为提出假设的起点，而不足以改变临床实践。
另一篇比较不同葡萄球菌心内膜炎预后的论文，被一位儿科感染病专家直接点名：死亡率结论说得过头了，论文补充材料自己都写着分析并不能确立死亡率差异，而且没有回应既往文献中明显更高的死亡率数据。
换句话说，AI能把一篇论文从想法推到成稿的时间压缩到一周，但没法替研究者把关。
参与者们对此也很清醒。
一位乳腺肿瘤学专家在评审中写道，这篇论文最重要的信息恰恰是，研究自动化程度越高，临床专业判断就越重要，AI可以帮我们审问数据，但答案在临床上说不说得通，仍然要医生来判断。
需要说明的是，这10篇目前还只是研究手稿，附上的是Meta邀请的第三方专家简评，并非经过期刊同行评审的正式发表论文；Meta也坦承，这次探索仅限于回顾性分析。
不过，Meta的野心显然不止于此。
按照它的规划，下一步将基于更全面的数据，让AI在多种数据之间建立关联、提出新假设，再交给前瞻性临床试验去验证，最终让模型成为由专家监督的“自动科研智能体”。
把视线拉远一点，就会发现Meta其实是几个AI巨头里最后一个上桌的。
早在今年1月，OpenAI就推出了ChatGPT Health，允许用户把个人健康信息接入ChatGPT，同时发布了面向医院和医疗系统的产品套件OpenAI for Healthcare，还收购了一家整合检验结果、用药数据和就诊录音的健康数据初创公司Torch。
到了4月，OpenAI又发布了面向生物学研究和药物发现的模型GPT-Rosalind，并向经过认证的美国医生、护士、药剂师免费开放ChatGPT for Clinicians。
据OpenAI参与的一项研究，每天有超过4000万人用ChatGPT询问健康问题。
Anthropic的动作几乎同步。
1月11日，摩根大通医疗健康大会开幕前夕，Anthropic发布了Claude for Healthcare，一边让用户连接自己的电子病历，一边为医疗机构提供处理医保授权、理赔申诉的工具，合作方包括阿斯利康、赛诺菲、Genmab、Flatiron Health、Veeva等一众药企和医疗数据公司。
在演示中，Claude把一份帕金森病II期临床试验方案的起草时间，从几天缩短到了一小时左右。
8月，Anthropic的创始人Dario Amodei更是公开预言，未来10年AI将治愈大多数疾病。
智药局认为，Anthropic正朝着全球最大AI医疗公司的方向狂奔。
相比之下，Meta走了一条不同的路。
OpenAI和Anthropic争夺的是病人和医院，比拼谁能接入更多病历、嵌进更多医疗流程，Meta这次没有碰患者端，也没有卖给医院，而是直接切进了医学研究，把大模型变成一条医学科研的生产线。
10月12日发布的Muse Wonder，就是这场重建的阶段性答卷。
在Meta自己的个人超级智能指数上，性能更强的Muse Wonder Full拿到59.1分，高于Claude Opus 5.5的55.2和GPT-6 Astra的54.5。
模型分数追上来之后，Meta还需要证明专业用户愿意用，两天后放出的这份医疗成绩单，某种程度上就是它递给科研人员的一份“使用说明书”。
对医药行业来说，这件事的冲击可能比看上去更直接，因为真实世界研究（RWE）早已是药企的刚需。
新药上市后的疗效和安全性证据、医保谈判需要的卫生经济学数据、适应症拓展的前期探索，都离不开从海量病历中挖掘规律，这门生意也养活了一大批RWE外包服务商、医疗数据公司，以及CRO里的统计和编程团队。
当一个医生借助大模型，几天就能独立完成过去需要一个团队花几个月的分析，这条产业链上的分工，势必会被重新洗牌。
国内的情况也类似，中国拥有全球规模最大的病历数据之一，也跑出了零氪科技等一批医疗数据和真实世界研究公司。
对它们来说，问题已经变得非常尖锐：护城河究竟是数据本身，还是建立在数据之上的分析服务？
可以预见，AI医疗这张牌桌上的三家巨头已经全部落座，接下来要比拼的，不只是谁的模型更聪明，更是谁能先拿到数据、先进入专业工作流。
—The End—
热门跟贴