首个千亿生物医药ChatGPT！清华AIR聂再清：行业未来的超级应用

萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

制药行业的“专家版ChatGPT”，终于来了！

就在这两天，首个生物医药的千亿参数大模型产品ChatDD发布，不仅制药各阶段知识“样样通”，还能和药学专家进行对话，瞬间秒懂一些行业神秘“黑话”。

这和AlphaFold2直接加个Chat功能还不太一样——

现阶段大模型虽然能在药物发现上做得不错，但要么只涉及单个模态，要么不具备直接对话能力。

ChatDD则兼具多模态和对话双重特点，顺便还能给医药界学生“解个惑”。

做出这个产品背后的水木分子，是今年6月新成立的一家公司。清华大学智能产业研究院院长张亚勤院士指出：

ChatDD通过人机协作对话方式有效地将专家知识与大模型知识相联结，开拓了继传统药物研发TMDD、CADD、AIDD之后的第四代药物研发新模式。

所以，它究竟在什么功能上做到“划时代”？

我们和清华AIR教授、水木分子首席科学家聂再清聊了聊，详细了解了ChatDD的来龙去脉。

ChatDD是一个什么样的产品？

先来看看ChatDD能做哪些事儿，具体又能用在哪里。

它的外观和ChatGPT有点像，是一个网页版，同样能通过对话来实现各种功能。

对话能力上，不仅英文总结不错，中文对话也来得，直接hold住“疾病画像”这样的专业黑（术）话（语）：

如果有看不懂的分子，可以直接一键上传相关文件，让它来负责解读这种分子的作用：

试试更复杂一点的任务，例如计算亲和力问题，大模型竟然直接“推荐”了一个工具，并快速计算出结果：

此外，也不用担心问答内容超出ChatDD训练数据截止日期，毕竟它还学会了自己联网、或是从数据库中查找答案。

总结来看，ChatDD虽然用法上像ChatGPT，但在生物医药这块是“专业的”。

无论是掌握的多模态（小分子+大分子+文本）医药专业知识量，还是对行业的理解程度、完成任务的能力，ChatDD都要比ChatGPT“更像个学医药的人”。

与同行AI不同的是，ChatDD的“业务范围”，涵盖了制药的前、中、后期三个阶段。

此前的医药行业AI，即使是大模型，往往也只能用于制药的部分阶段，例如前期的药物发现，或是中期的临床前研究。占研发成本大部头的后期临床试验，几乎无人问津。

而ChatDD不仅能参与药物发现、立项、商业智能（BI，Business Inteligence）、临床试验各环节，还能帮助提升成功率。

聂再清介绍表示，ChatDD用于后期临床试验设计，也是大伙儿最期待的功能。

首先，药物在临床试验阶段的通过率，往往并不高。

尤其二期到三期临床，通过率只有34%，三期到四期通过率也不高。但临床试验加上前中期的费用往往又极高，一旦不通过，就是几亿美元成本“打水漂”。

其次，药物通过率不高的原因，（除非药物本身不行）很大程度上是因为没找到适合“对症下药”的患者。

药厂通常会从临床信息数据库中，筛选适合用药的病人。

假设这个药物对数据库中5%的患者有效，那么从这5%的患者中挑选进行临床试验，肯定比剩下95%的患者有效率高。

在综合各方面信息做判断这件事上，ChatDD往往比人类更适合筛选出“对症下药”的患者。

聂再清特意举了一个例子，来表明ChatDD的能力：

注意这里未来会是“私有化部署的合作伙伴的单细胞RNA测序数据”，现在因为没有，所以我们用了水木分子收集到的公开数据计算出来的。

这样的ChatDD，背后功能究竟是怎么实现的？

医学院博士后负责数据构建

ChatDD背后的底座，取名ChatDD-FM，参数量达到千亿级别。

这次推出的ChatDD-FM-100B，是全球首个千亿参数多模态生物医药对话大模型，其在C- Eval评测中达到全部医学4项专业第一、也是唯一平均分超过90分的模型。

联想到团队前不久发的BioMedGPT-10B，其自然语言模态的大模型同样基于LLaMA 2架构，这二者是否有什么联系？

聂再清表示，ChatDD-FM和BioMedGPT，在受众和用途上都不太一样，“有点像ChatGPT和GPT-3.5的区别，前者在对话和意图对齐能力上有更大提升”。

BioMedGPT主要用于科研领域，更擅长英文生物医药科研任务，适合直接拿来作为生物医药领域的相关科研任务的基础模型。

ChatDD-FM主要给国内医药行业“打辅助”，侧重中文对话能力，融入了更多专家的对话模式和经验。

技术上，ChatDD-FM相比BioMedGPT，主要增强了三大方面，模态、训练数据和参数量级——

模态上，增加了蛋白质结构数据；训练上，增加了用于中文、专家对话和调用工具能力的数据；参数量级上，从百亿增加到千亿。

让ChatDD-FM提升“专业度”、说话像“行内人”的秘诀，依旧在于高质量数据上。

这些数据主要分为两部分。

第一部分，是预训练用的医药知识数据，主要目的是让ChatDD-FM提升专业素养，几个月内掌握行业知识。

由于之前业内缺少相关（大小分子等多个模态和自然语言对齐）数据集、尤其是中文数据，所以团队又自己收集整理了一系列训练数据集。

首先，和厂商合作翻译专业英文期刊、整理中文期刊，收集带有中文专业名词的大量数据，降低大模型没见过的专业词汇比率；

然后，找来一批医学院博士和博士后，设计一套系统对这些数据进行整理，直到它们可以被喂给大模型使用。

聂再清强调，这些博士不是在做数据标注，毕竟相比有监督学习，自监督学习更重要的是清洗、查找数据的工作：

这些期刊数据当然不是一个人一篇一篇地看，那绝对不行，也不是一个字一个字敲进去，也肯定不行。
毕竟大模型最主要的能力还是来源于自监督学习，所以更多是让他们进行数据清洗和查找的工作。

当然，医药界期刊总是在更新，因此这部分的工作也会持续进行。

第二部分，是“专家数据集”，专门用于提升ChatDD-FM的对话能力。

ChatDD的用户，会有不少医药领域的专业用户，为了让它能无缝读懂业内人的“专言专语”，就必须要先了解专家们平时都会怎么说话。

团队为此找了一些专家，“观察”他们平时是怎么提问的，根据这些问题整理了一套数据集，专门喂给ChatDD。

这样医药专业的用户在使用时，不仅能像和同事聊天一样直接提问，也能选择“提示词模板”直接换词填充。

此外，为了进一步增强模型解决实际医药任务的能力，团队也接入了不少实用工具和开源算法，解决用户遇到的问题，主要分为查询和计算两大类，如知识库查询工具、或靶点亲和力计算工具。

但，ChatDD-FM作为大模型，总归绕不过幻觉这个问题。

此前发布BioMedGPT时，聂再清就曾表示过不用害怕科研、药物发现等阶段的“幻觉”。现在发布商业版ChatDD-FM，是否还这么想？

聂再清表示，现阶段ChatDD-FM可以根据不同的需求，调整大模型出现幻觉的情况。

例如在做商业智能的时候，就尽可能降低大模型的幻觉，做到每一句话都有来源可追溯；

但在做药物发现的时候，只要有实验人员把关，都可以去适当提升幻觉，增加一部分模型想象力来“换换思路”，或许能试出有意思的结果。

后期，ChatDD-FM理论上甚至能做到“一键更改回答出现幻觉的比率”。

“对制药行业有划时代意义”

ChatDD背后的公司水木分子，目前已完成千万级种子轮融资。

水木分子自定义为“大模型时代的CRO公司”，即利用大模型或AI技术，帮助别人更好更快地制药。

公司的盈利方式目前有三种，包括ToB付费会员（按使用次数收费）、私有化部署和制药分成。

已经有制药厂商找来合作了——复星医药计划对ChatDD进行私有化部署，用于辅助药物立项等阶段。

药物立项，涉及大量资料查找和判断，包括查找有无药物相关（官能团、分子结构保护等）专利，还要根据大量文献和实时市场信息等资料判断是否值得立项。ChatDD能通过整合文献和相关专利，生成一个完整的参考报告。

ChatDD的出现，聂再清认为对于行业而言有跨时代意义：

它真正将专家的经验和直觉、以及大模型的“智力涌现”能力融会贯通了起来。

此前，制药行业经历了三个阶段，分别是TMDD（Traditional Manual Drug Design）、CADD（Computer-Aided Drug Design）和AIDD（AI Drug Design）。

但无论是人工试验，还是计算或AI辅助药物研发设计，都需要大量人力去“学会如何使用”模型，尚未出现一个能和科研人员直接对话的系统。

现在，ChatDD的出现真正改变了这一现状。

它不仅能将制药的知识经验集成到大模型中，通过提示词就能激发调用出来，还能通过学习专家对话方法掌握专业沟通能力，“相当于把人和机器最powerful的地方做了个融合。”

不过，要完全实现ChatDD的全部潜能，真正进入比较成熟的阶段，聂再清认为至少还有10年的黄金时代。

一方面，对于生物医药行业来说，人类对于蛋白质、细胞、小分子之类的理解也还远远不够，在这个学科方面仍然可以做出很多成绩和进展；

另一方面，对AI行业来说，无论是数据还是算法，也都还没发展到足够成熟的阶段。

数据上，目前生物医药领域内各模态和自然语言对齐的数据还很少。

（就像图文一样，虽然文字和图像各自的数据很多，但图文对齐如VQA的数据却相对要少很多）

对此依旧需要不断收集整理出PQA（蛋白质问答）、MQA（小分子问答）等模态的数据，来让多模态大模型的效果变得更好。

模型上，大模型目前的效果还不是最好的，无论是单模态还是多模态，都值得继续去探索。

所以，公司的下一步计划，就是继续优化模型、增加更多模态，并找到更多的场景落地需求。

对于ChatDD最终形态的设想，聂再清表示：

它会成为一个各模态（大小分子、蛋白质结构、DNA、单细胞等）和自然语言全部对齐的生物医药基础大模型产品。

他也在发布会上预言，这个产品会成为生物医药行业的大模型“Killer APP”。

到那时候，才会真正打破医药界的“双十定律”，高性价比的实现人机协作新药研发。