雖然其蘊藏的能量巨大，但我們仍須認真分析最佳應用場景才能為其找到理想的施展平台。醫療保健尤其如此——作為一個向來以變化緩慢著稱的領域，任何新興技術的草率部署都有可能引發巨大風險。大家可能還記得前幾年廣受關注的IBM Watson，曾經號稱能診斷複雜的癌症，但實際情況並非如此。最終，藍色巨人在去年將其低價賣出。
所以在醫療保健方面，我們不妨以一種簡單的五步走方法，評估生成式AI能夠為其做出哪些貢獻：
1. 從技術能夠協助解決的問題入手，搞清楚生成式AI擅長做什麼。
2. 搜索存在這些問題的整體領域。
3. 理解在核心用例中使用生成式AI的動機和障礙，包括在接受新方案前人們需要放棄哪些舊辦法。
4. 圍繞業務動態做優先級評估。
5. 廣泛了解建立完整解決方案的必要因素，包括技術、工作流諮詢、患者教育等。
要將這套方法應用到醫療保健領域，首先需要明確我們的評估對象——不是能解釋醫學影像或人口健康數據集的深度學習。這些工作已經在進行當中。另外，我們考慮的也不是AI在特定場景下的簡單應用，比如診斷預約。這裡的關注點只有一個，生成式AI與新興醫療保健服務。
首先，生成式AI能幫助解決哪些問題？答案很多，但為了簡單起見，我們可以專注於其中四點：1）解釋非結構化數據；2）以連貫的方式解釋數據；3）讓人們參與對話；4）產生新的想法。
第二，這些問題分別對應哪些整體領域？從以上四點出發，我們可以對應出以下示例：
1） 解釋非結構化數據：總結電子病歷中診斷說明所表達的關鍵事實，要求醫療保險公司提供預授權，並在臨床試驗數據中提取模式，例如在患者上報的結果或治療無效者中找到共性。
2） 以連貫方式解釋數據：為醫療保險公司提供客戶服務、診斷和制定治療計劃。
3） 讓人們參與對話：獲取篩查數據（例如，患者在家中感覺安全嗎？）並為敏感度較低的健康問題提供談話治療。
4） 產生新想法：使用蛋白質組學和基因組學數據集，發現新的有效成分和現有療法的某些新療效。
第三，採用新技術的動機和障礙有哪些。這個問題很可能直接決定某些用例能否實際落地。例如，在生成式AI獲得FDA批准成為醫療設備之前，任何企業不得藉助AI為美國患者提供明確的診斷或制定治療計劃。然而，未來的市場前景可能發生變化。考慮到很多臨床醫生已經被患者需求壓得不堪重負，也許適當放寬監管要求才是可持續發展之道。另外，這部分分析還有助於發現適合快速創新的領域（依賴性低、需求高、風險/轉換成本低的領域）。例如，原本自費的談話療法現在就有望用AI代勞。
第四，根據業務動態確定不同市場的落地優先級。這個問題非常複雜，本文無法深入討論。但概括來講，我們可以通過個體/規模經濟、市場渠道、銷售流程和競爭強度等因素做出判斷。
最後，廣泛審視完整的解決方案。很少有哪種新技術能像生成式AI這樣，有望徹底改變人們的長期工作實踐。例如，生成式AI的廣泛普及可能要求對客戶做相應培訓，並建立起互補產品的生態系統。另外，當競爭對手模仿某些底層醫療技術時，生成式AI還有助於在市場上做產品區分。
總之，如果大家身在醫療保健或生命科學行業，不妨嘗試各種方式探索生成式AI的價值。而且與其單從技術入手，不妨關鍵由此帶來的整體挑戰，宏觀思考我們真正需要怎樣的解決方案。之後再據此研究實現方法，看看除了生成式AI之外，有沒有哪些門檻更低的成熟方案也能帶來類似的效果。
在醫療保健領域，企業級生成式AI正面臨著一片廣闊的藍海。而前面提到的五步走方法論，足以表明其中蘊藏的豐富機遇。因此即使是在醫療保健這樣一個向來保守的行業，顛覆性的變革也將很快出現。