在 Meta 的健康工作流中，我们做了一个项目，想看看医学专家使用 Muse Wonder 编码脚手架能写出什么样的研究论文，这个脚手架可以访问我们从供应商那里授权的 500 万份电子健康记录数据库。目标是在这个拥有 500 万患者的数据库下，AI 可以开展研究来回答任意问题，比如“服用他汀类药物的人后来患糖尿病的比例是否更高？”我们在这里押注的是，当把人类专家、强大的编码模型和数据的访问权放在一起时会发生什么 我们与一小群医学专家合作，帮助他们使用这个 AI 工具，结果就是他们全都发现这种设置让健康研究的节奏快了很多。他们在大约两周内产出了十篇手稿，其中一位研究员（Paddy Ssentongo）产出了三篇。在整个过程中，他们互相协作审阅手稿，并编写技能文件来帮助我们的编码脚手架提升研究能力。医学专家们很喜欢他们能如此快速地检验不同假设，并挑选最好的那些继续推进 健康研究相当独特，因为能够解读嘈杂的数据、并且有品味去判断哪些变量重要，这一点极其关键，而这仍然是人类研究者显著的价值贡献。鉴于医学是人类历史上最古老的领域之一，而且归根结底关乎人，在这类研究中保留相当大的人类成分可能很重要。在不久的将来，我认为 AI 主要是促进人类主导研究的工具。有了合适的脚手架，我相信健康研究者使用能够适当访问世界所收集的丰富人类健康数据的 AI 工具，生产力可以提升 10 倍甚至 100 倍 看待这项工作的一种方式是通过 AI for science 的更广阔视角。你可以把科学看作两部分：(1) 收集关于世界的原始数据，(2) 将这些原始数据综合成理解。在这个项目中，我们已经有了关于世界的现成数据，我们的目标是用 AI 加速第 (2) 部分。最终，我想象一个世界，在那里我们拥有如此出色的 AI 工具，以至于将原始数据综合成理解的时间被推向零。在那个世界里，科学将大大加快，而大部分工作将集中在通过物理实验收集正确的原始数据上 我们在相当短的时间内完成了这项工作（这正是重点），我认为科学研究的未来会比以往任何时候都更快、更令人兴奋
We’re exploring how AI can accelerate health science research. While AI has made significant breakthroughs in formal sciences like mathematics, health data science depends on imperfect real-world data and consequential choices about cohorts, variables, and causal assumptions. To explore how AI can assist health researchers, we built a human-led research scaffold powered by Muse Spark 1.3 and Muse Wonder with access to 5M retrospective de-identified electronic health records and publicly available data. A cohort of medical experts used the system to conduct original research, accelerate hypothesis generation, code execution, and manuscript drafting while maintaining full authority over scientific decisions. Today, we’re sharing 10 research manuscripts produced through this exploration, spanning cardiology, oncology, infectious disease, emergency medicine, and more. Read more in our research blog: go.meta.me/3U06wvD
查看被引用的帖子