最受矚目的發布是 EvolutionaryScale 的 ESM3，以 27.8 億條蛋白質序列訓練、擁有 980 億參數。它最驚人的成果是 esmGFP，一種全新的人工綠色螢光蛋白 — 該公司估計大自然要花上約 5 億年的演化才生得出來，而這是透過人類主導的思維鏈提示生成的。較大的 ESM3 模型能解決的原子配位任務數是小模型的兩倍，而且模型已開源。

模型持續變大

這條趨勢線毫不含糊。ProGen(2020)有 12 億參數、ProtBert 有 4.2 億；ProGen2 與 ProtT5 於 2022 年問世，分別為 64 億與 12 億；ESM2 在 2023 年達到 150 億；ESM3 則在 2024 年衝上 980 億。每一次規模躍升都伴隨蛋白質預測準確度的提升 — 2024 年發布的 ESM C，在 CASP15 結構預測挑戰中拿出更好的成績。

四個值得記住的成果

• AlphaProteo(Google DeepMind)為包含 VEGF-A(一種與癌症和糖尿病相關的蛋白質)在內的多個標靶，設計出首批蛋白質結合物。它的結合物比現有最佳設計方法強約 10 倍，其中部分估計效力可達 300 倍；對病毒蛋白 BHRF1，其設計的結合物有 88% 在濕實驗室測試中成功結合。
• AlphaFold 3 把這個系列從蛋白質結構延伸到與 DNA、RNA、配體、抗體的交互作用。在蛋白質—配體對接上，它有 80.5% 的預測落在 2 Å RMSD 以內 — 若事先指定結合口袋則達 93.2%，相較之下 Vina 基準線只有 59.7%。
• 史丹佛的虛擬 AI 實驗室 — 一個主持人模型、一個科學評論者，加上免疫學、計算生物學與機器學習三位專科代理人 — 自主設計出 92 個針對 SARS-CoV-2 的奈米抗體，其中超過 90% 在驗證中成功結合。
• Google 的 Connectomics 團隊以突觸解析度重建了一立方毫米的人腦：超過 5,000 片、每片 30 奈米的切片，捕捉到約 57,000 個細胞與 1.5 億個突觸。

底下的資料庫

沒有公開資料，這一切都不成立。自 2021 年以來，主要的蛋白質科學資料庫大幅成長：UniProt 增加 31%、蛋白質資料庫(PDB)增加 23%，AlphaFold 資料庫則暴增 585%。這些基礎設施都很老 — PDB 可追溯到 1971 年，是生物科學界第一個開放取用的數位資源，Pfam 是 1995 年、STRING 是 2000 年、UniProt 是 2002 年 — 但如今推動成長的是 AI 生成的條目。在 2024 年的生物科學發表中，功能預測是最熱門的 AI 蛋白質研究主題，佔論文的 8.4%，其次是結構預測(7.6%)、蛋白質—藥物交互作用(3.0%)，以及合成蛋白質設計(0.7%)。

顯微鏡領域走的是同一條曲線。以光學為基礎的顯微鏡基礎模型在 2024 年從 4 個倍增到 8 個；電子與螢光顯微鏡的基礎模型在 2023 年掛零，2024 年則各有 4 個問世。

MedQA 於 2020 年推出，從專業醫師執照考試中取出超過 60,000 道臨床題目。OpenAI 的 o1 以 96.0% 創下新的最佳成績，比 2023 年最高分高出 5.8 個百分點，比 2022 年底的水準高出 28.4 個百分點。跟其他通識基準一樣，MedQA 現在看起來已接近飽和 — 報告把這視為該設計更難評測的訊號，而不是臨床能力的證明。

兩場隨機試驗，一個尷尬的發現

• 在一場 2024 年的單盲隨機試驗中，50 位美國執照醫師處理複雜臨床案例，拿到 GPT-4 加傳統資源的醫師得分 76% — 僅略高於只用傳統資源的 74%。GPT-4 自己作答則得到 92%，比沒有輔助的醫師高出 16 個百分點，而且兩組在時間上都沒有省下什麼。
• 一場 2024 至 2025 年、由 92 位醫師參與的隨機對照試驗，檢視的是「處置推理」而非診斷：治療決策、風險效益權衡、病人偏好。這次 GPT-4 輔助組確實贏過對照組約 6.5 個百分點 — 但 GPT-4 單獨作答仍與輔助組不相上下，而且被輔助的醫師每個案例花的時間還略長一些。
• 兩場試驗指向同一件事：模型單獨表現優異，不會自動轉移到人機協作。要補上這道落差，是工作流程、訓練與介面設計的問題，不是模型能力的問題。

AI 真正被部署的地方：文書工作

這一年最明確的實戰勝利是「環境式 AI 抄寫員」 — 系統聆聽醫病對話並草擬病歷。北加州 Kaiser Permanente 在 2023 年底導入，試辦結束前已有數千名臨床人員採用。史丹佛針對一套完全整合、全自動抄寫系統的研究發現，醫師平均採用率 55%，每份病歷約省下 30 秒、每天減少約 20 分鐘的電子病歷時間，醫師自陳的負擔下降 35%、倦怠下降 26%。2024 年投入環境式抄寫技術的資金據報接近 3 億美元。

史丹佛醫療體系也在其 FURM(公平、有用、可靠、可衡量)框架下，全面導入一套 AI 周邊動脈疾病篩檢模型。它預計每年觸及約 1,400 位病人，且無需外部經費即可運作 — 在六個受評估的使用案例中，只有兩個一路走完全程，這是其中之一。

沒人解決的資料瓶頸

超過 80% 通過 FDA 認證的機器學習軟體是用來分析醫學影像的，但訓練資料集其實很小。癌症基因體圖譜(TCGA)是最完整的公開組織病理資料集之一，收錄 11,125 份病人樣本、涵蓋 32 種癌症；而當研究需要基因體或蛋白質體標註時，組織病理模型往往只能用不到 1,000 份樣本訓練。地理分布也很窄：用來訓練臨床機器學習演算法的美國世代研究，大多來自加州(22)、麻州(15)與紐約州(14)，多數州則掛零。

跟通用 AI 相比，規模落差非常刺眼。GatorTron 是一個從非結構化病歷中擷取病人資訊的大型臨床語言模型，訓練用了 820 億個 token；Llama 3 則用了 15 兆個 — 將近 182 倍。影像端，RadImageNet 含有 1,600 萬個影像等值 token，DALL-E 約有 60 億個，約為 375 倍。MIMIC-CXR(377,000 張影像)與 CheXpert Plus(約 226,000 張 X 光片)都是重要資源，但跟 ImageNet 約 1,400 萬張影像相比仍然很小。

5.5 — 接著，倫理研究拿到錢了

AI 指數團隊為這一章對數千篇醫學倫理研究做了統合回顧。美國國衛院(NIH)給醫學 AI 倫理計畫的補助案，從 2023 財年的 25 件跳到 2024 財年的 337 件 — 而前三年分別只有 2、3、7 件。總經費是同樣的形狀，從 2023 年的 1,630 萬美元躍升到 2024 年的 2.76 億美元，一年之內成長近 17 倍。無論 2024 年還發生了什麼，這一年醫學 AI 倫理不再是沒錢的旁支話題。

這些文獻實際在談什麼

• 2024 年最主要的兩個疑慮是偏誤與隱私，其後是公平性、透明度與信任。這個順序自 2020 年以來已經翻轉 — 當時隱私是更突出的主題，偏誤排在後面。
• 工具的關注度嚴重傾斜。OpenAI 的 GPT 系列在 2024 年被 86 篇醫學 AI 倫理論文討論，高於 2023 年的 42 篇 — 這個關注度比 Google、Meta、Anthropic、Mistral、Cohere、xAI 的模型加起來還高出一個數量級。
• 評測的興趣同步爆發。PubMed 上搜尋「large language model」自 2019 年起共有 1,566 篇論文，其中光是 2024 年就有 1,210 篇，而 2023 年是 353 篇。2024 年初一份針對自然語言處理在醫療任務表現的系統性回顧收錄了逾 500 篇論文，集中在醫學知識(419 篇)與診斷(178 篇)。

以合成資料繞開隱私問題

正因為真實資料稀少又敏感，2024 年的研究大量倚重合成資料。多項研究驗證它可用於保護隱私的臨床風險預測 — 以 ADSGAN、PATEGAN 與 DPGAN 對英國生物資料庫中的吸菸者建立肺癌風險模型，合成資料的分布與真實資料高度吻合。一篇《自然》研究用生成式影像模型在電腦中最佳化藥物配方，正確預測了口服錠劑中微晶纖維素的滲流閾值。而以合成資料增強、經過微調的分類器，在從病歷擷取健康的社會決定因素上勝過 ChatGPT 系列模型，同時對種族、族裔與性別描述詞的敏感度更低。

實際部署仍要走過少數幾家廠商。截至 2021 年，電子病歷的採用率約為 90%(任一系統)與 80%(認證系統)；2023 年美國醫院協會的調查發現，預測模型的使用集中在 Epic、Cerner 與 Meditech 的體系 — 其中 Epic、Cerner 與 CPSI 的醫院多半使用廠商自建的模型。AI 化的醫療資訊系統能否觸及受限於寬頻與基礎設施的偏鄉與弱勢地區，仍是未解的問題。