Интересное сегодня
Медицинский ИИ и миф о специализации
Существует категория цифровых технологий в здравоохранении, которая привлекла колоссальные инвестиции и завоевала доверие рынка. Речь идет о так называемых «медицински дополненных» моделях искусственного интеллекта (ИИ). Логика их создания кажется интуитивно понятной: взять современную универсальную модель, внедрить в нее специально отобранные медицинские знания — и получить инструмент, которому врачи смогут доверять больше, чем обычному чат-боту.
На этом принципе были построены многие стартапы, такие как OpenEvidence, привлекший сотни миллионов долларов, или специализированный ИИ-слой в системе UpToDate. Основная гипотеза заключалась в том, что наличие большего объема медицинских знаний автоматически должно приводить к более высокому уровню «медицинского интеллекта». Однако недавнее исследование, опубликованное в журнале Nature Medicine, ставит это утверждение под сомнение.
Математический подход к объемам данных
Для понимания ситуации стоит взглянуть на базовую математику. Общий массив биомедицинской литературы содержит сотни миллиардов слов. В то же время пограничные (фронтирные) модели ИИ обучаются на триллионах токенов (единиц текста). Таким образом, создание специализированной модели — это не добавление медицины в «пустой сосуд». Это внедрение сотен миллиардов слов в систему, которая уже поглотила триллионы слов, включая массивы информации по биологии, химии, статистике и фармакологии.
С точки зрения объема данных, вклад специализированного слоя составляет менее 0,1% от того, что уже «знает» стандартная большая языковая модель (LLM — Large Language Model). Исследование показывает, что этот вклад стал настолько незначительным, что практически теряется в масштабах глобальных нейросетей.
Сравнение эффективности: специализированный ИИ против универсального
Исследователи из NYU Langone (Медицинского центра Нью-Йоркского университета) провели сравнительный анализ систем OpenEvidence и UpToDate Expert AI с тремя мощными универсальными моделями: GPT-5.2 (Generative Pre-trained Transformer), Gemini 3.1 Pro (от Google) и Claude Opus 4.6 (от Anthropic). Тестирование проводилось по трем направлениям:
- Сдача экзаменов на получение медицинской лицензии.
- Бенчмарки (тесты) на соответствие клиническим рекомендациям.
- Реальные запросы от практикующих врачей, основанные на клинических случаях.
Результаты были проверены «вслепую» независимыми врачами-экспертами. Вывод оказался однозначным: универсальные модели превзошли специализированные аналоги во всех трех категориях.
Результаты, заставляющие задуматься
Более того, специализированные клинические инструменты продемонстрировали производительность не выше, чем функция «Обзор ИИ» (AI Overview) в обычном поиске Google — инструменте, за который большинство пользователей даже не доплачивают. По сути, специализированный медицинский ИИ, созданный для профессионалов и имеющий соответствующую высокую цену, работает на уровне стандартного браузерного поиска.
Исторический контекст: ошибки прошлого
Медицина — не первая сфера, которая совершила эту ошибку. В 2023 году компания Bloomberg инвестировала огромные средства в специализированную финансовую модель BloombergGPT, обученную на миллиардах токенов проприетарных (собственных) рыночных данных. Обоснование было идентичным: финансы — это слишком сложная и ответственная сфера для универсальных моделей. Однако, несмотря на доступ к уникальным данным, BloombergGPT показал результаты, сравнимые с обычными моделями общего назначения.
Где теперь находится ценность?
Вопрос заключается не в том, важна ли медицинская экспертиза — она критически важна. Вопрос в том, где концентрируется ценность, когда универсальный интеллект становится способным справляться с большинством задач, которыми раньше владели узкоспециализированные модели. Если фронтирные модели продолжают доминировать, конкурентное преимущество смещается в другие плоскости:
- Интеграция в рабочий процесс: как ИИ вписывается в ежедневную рутину врача.
- Институциональное доверие и управление: соблюдение этических и юридических норм.
- Регуляторная экспертиза: соответствие стандартам медицинской помощи.
- Реальная среда здравоохранения: способность работать внутри существующих больничных систем.
В конечном итоге, сама по себе модель становится просто «инфраструктурой». Настоящая добавленная стоимость перемещается на уровни, которые невозможно закрыть простым дообучением модели.
Исключения и перспективы
Важно отметить: авторы исследования признают, что существуют крайне редкие или специфические задачи, где узкоспециализированный подход все еще может быть полезен. Отдельный, даже малоизвестный клинический факт может стать решающим в конкретном случае. Однако такие сценарии становятся все менее значимыми для индустрии в целом. Медицинский ИИ выстраивал свою идентичность вокруг веры в то, что клиническая сложность требует клинической специализации. Но доказательства указывают на обратное: фундамент стал настолько мощным, что «надстройка» в виде специализации теряет свою прежнюю актуальность. «Рвы» (защитные барьеры бизнеса) были реальными, но, как оказалось, они не были вечными.
