来源：临床工程资讯
ChatGPT推出2个月，月活突破一亿，成为史上增长最快的消费者应用，而且各界关注度还在持续上升。它的能力在哪里，性能表现如何？在医工研究领域ChatGPT类大型语言模型的意义又何在？本文通过与ChatGPT的问答对话，探讨其工作原理、用途、可能带来的风险和局限性以及在医工领域的应用展望。
1、什么是ChatGPT？
ChatGPT是由OpenAI公司推出的一种人工智能技术驱动的自然语言处理工具，基于Transformer神经网络架构，也是GPT-3.5架构，是一种大型语言模型（Large Language Model ,LLM）。使用了基于人类反馈的强化学习（Reinforcement Learning from Human Feedback, RLHF）方法来训练。在使用大量的文本数据集进行训练后，学习到大量的语言知识，再通过对人工数据的不断学习，使模型生成高质量的文本输出，实现与人类的自然对话。ChatGPT非常擅长分析问题的上下文，如果上下文不够清晰，无法生成可靠的响应，它甚至可能会要求用户解释问题。
2、ChatGPT能做些什么？
ChatGPT的训练使用了互联网上数十亿个文本片，因此，它可以识别和模仿各种各样的文本类型——从博客文章到报告、小说甚至论文，拥有它，接下来生活中大部分的文字需求都可以被满足。
ChatGPT在许多实际应用场景中取得了很好的效果，它通过使用强大的自然语言处理技术，可以快速准确地回答用户的问题，并且生成的文本通俗易懂，语言流畅。与以往模型相比，ChatGPT的核心提升点：
（1）敢于质疑不正确的前提
（2）主动承认错误和无法回答的问题
（3）大幅提升了对用户意图的理解
（4）大幅提升了结果的准确性
（5）这些正是其引爆全球关注的原因所在。
3、ChatGPT类大型语言模型在医工研究领域有哪些应用场景？
得益于庞大的模型，大量的文本训练数据，Transformer架构以及基于人类反馈的强化学习，使得ChatGPT具有高效的自然语言处理能力，特别是在文本生成方向。而医学工程研究领域同时存在大量的文本数据和文本处理与问答的场景，这使得ChatGPT类大型语言模型在医工研究领域有较多的应用方向可以探索，存在巨大的商业应用潜力。例如，受过论文写作培训的大型语言模型可以根据医工研究者提供的关键词和要求为文章生成草稿文本，然后，研究者可以根据需要查看和编辑生成的草稿文本，以确保准确性和完整度。总体而言，在写作中使用这些技术有可能提高医工人员文档创建的速度和准确性。
关于更多的应用场景方向，我们试着将该问题输入到ChatGPT，ChatGPT总结出以下回答供参考：
医学文本挖掘：使用语言模型进行医学文本的分类、提取和翻译，以支持数据分析和模型训练。
（1）自动诊断系统：使用语言模型识别病人的病历，进行诊断并生成相应的医学报告。
（2）医学问答系统：使用语言模型解答医学相关的常见问题，并提供指导。
（3）医学文献筛选：使用语言模型对医学文献进行自动筛选，以支持数据分析和模型训练。
（4）医学文本生成：使用语言模型生成各种医学文本，如诊断报告、医学文献等。
（5）病人诊断支持：使用语言模型支持病人诊断和治疗，如诊断结果预测、治疗建议等。
4、ChatGPT的局限性和风险是什么？
尽管ChatGPT的文本处理能力表现惊人，但仍存在局限性。它提供的回答缺乏质量，有时听起来似是而非，且没有实际意义。
更大的问题是它回答的真实性仍需要鉴别。ChatGPT可能编造一些参考资料，这在学术领域是致命的，人工智能并无法辨别数据真伪。它的好坏取决于提供给它训练的信息，它可能会利用负面的信息产生不准确的结果。
暂时不能查找最新信息。受限于训练数据，ChatGPT目前只能回答截至2021年的信息，这也是ChatGPT区别于搜索引擎的地方。
5、总结与启发
尽管从各种测试情况来看，ChatGPT的表现出人意料的智能，但如ChatGPT所回答那样，它不能独立思考，也不能像人类一样感知和思考，它的回答是根据它训练的数据和模型的算法得出的，它有缺陷也存在应用风险。作为医工领域的从业者，想要掌握主动权，积极探索ChatGPT类大型语言模型在医工领域的应用方向，就要了解它、应用它进而才有可能改造它。
总而言之，在应用上，ChatGPT在医工研究领域能发挥它在文本生成的强大能力，有许多应用场景可以探索，可在医学文本挖掘、自动诊断系统、医学问答系统、医学文献筛选、医学文本生成、病人诊断支持等方向实现突破。
在技术上，ChatGPT并没有公开理论上的重大创新，但是在现有深度学习理论基础上通过提高训练数据的质量、使用了基于人类反馈的强化学习，也能实现质的飞跃。使得模型输出更接近于人的逻辑，减少了不合理的输出。这说明了高质量数据的重要性，接下来可能是业界探索的一个方向，就是由无止境增加模型参数，转为在提高数据质量上下功夫。这一点在医学工程的各个细分研究领域同样适用，值得借鉴和进一步深入探索。
