从肺炎检测到通用AI：一位医学从业者眼中的技术巨变

一位医学生的时代感慨

最近在Reddit上，一位拥有医学背景的技术从业者发出了这样的感叹："过去这个季度简直疯狂，能活在这个时代太美好了。"

这句话背后是一段真实的技术演进史。这位作者回忆道，早在2019年攻读医学博士（MD）期间，他曾开发过一套用于在胸部X光片上检测肺炎的机器学习算法。在那个时候，我们如今习以为常的AI能力"是一个无法想象的白日梦"。

他打了一个生动的比方：如果能回到过去，向2019年的自己解释今天所谓"GPT 5.6 Sol"这类模型的能力，那种震撼感就如同向20世纪初的人们描述现代计算机一样。他坦言："我那时一定会毫不犹豫地把这称为AGI（通用人工智能）。"

需要说明的是，帖子中提到的"GPT 5.6 Sol"和"Luna"等名称，可能是作者对未来模型的想象、内部代号，或是带有前瞻性质的表述，目前并非官方公开发布的产品。但这并不影响我们理解他想传达的核心情绪——技术迭代的速度已经远超从业者的预期。

从专用模型到通用能力的跨越

这条感慨之所以引发广泛共鸣，是因为它精准地捕捉到了AI发展的一个关键转折点：从专用（narrow）模型向通用（general）能力的跨越。

2019年的"手工时代"

2019年前后，医学影像AI是深度学习最成功的应用领域之一。当时的典型做法是：

• 针对某一具体任务（如肺炎检测）收集专门的标注数据集
• 训练一个卷积神经网络（CNN）模型
• 该模型只能完成这一件事，换个任务就得从头开始

这种模式虽然在特定场景下表现出色，但本质上是"一个模型解决一个问题"。开发者需要投入大量精力在数据标注、特征工程和模型调优上，且成果几乎无法迁移到其他任务。这正是那个时代医学AI的技术天花板。

今天的"通用时代"

如今的大语言模型和多模态模型展现出截然不同的范式。同一个模型可以写代码、分析医学影像、进行临床推理、撰写研究报告，甚至处理它从未专门训练过的任务。这种"涌现能力"（emergent capabilities）正是让这位从业者感到"如同穿越"的根本原因。

对于一个亲手在2019年训练过专用医学AI模型的人来说，这种从"专用"到"通用"的质变带来的冲击力，是旁观者难以真正体会的。

成本下降：另一个被低估的革命

作者的感叹中还有一个容易被忽略的细节：他提到某模型"能以合理的价格运行一个月"这件事同样令人震惊。

这触及了AI革命中一个常被忽视却至关重要的维度——成本经济学。

能力提升与成本下降的双重奇迹

人们讨论AI进步时，往往聚焦于"模型变得多聪明"，却忽略了"变聪明的同时还变便宜了"这一事实。回顾近几年的趋势：

• 单位token的推理成本持续快速下降
• 同等能力的模型，运行价格以数量级速度降低
• 长时间、大规模运行AI服务的门槛越来越低

对于2019年的从业者而言，训练和部署一个专用模型往往意味着不菲的算力开销。而如今能够以"合理成本"长期运行远比当年强大的通用模型，这在彼时是难以想象的。AI能力真正走向普及，最终依靠的是成本的大幅下降。

我们是否已经站在AGI门口

作者的一句话值得深思：如果拿今天的模型回到2019年，"我一定会把这称为AGI"。

这引出了一个耐人寻味的现象——AGI的定义在不断被重新定义。

不断移动的标杆

多年来，人们对"通用人工智能"的判断标准一直在变化：

• 曾经，能通过图灵测试被视为AGI的标志
• 曾经，能下赢围棋被认为是里程碑式的突破
• 曾经，能像人一样自然对话就足以震撼整个行业

然而每当AI达成一个里程碑，人们便迅速将其视为"理所当然"，并把AGI的标准推向更远的地方。今天我们习以为常的许多能力，放在几年前都会被毫不犹豫地贴上"AGI"的标签。

这位作者的感慨恰恰揭示了这种认知惯性：**我们对技术进步的适应速度，快到几乎感受不到进步本身。**曾经的"科幻"变成"日常"，往往只需要短短几年时间。

珍惜这个见证历史的时刻

这条来自Reddit的帖子，没有华丽的数据图表，也没有严密的学术论证，却因其真实的从业者视角而格外打动人心。一位在2019年亲手训练过医学AI模型的人，用最朴素的语言表达了对技术加速度的敬畏。

"能活在这个时代太美好了"——这句话或许带着几分兴奋的夸张，但它提醒着我们几件重要的事：

• 我们正身处一个技术曲线极为陡峭的历史阶段
• 从专用到通用、从昂贵到普惠的转变正在同时发生
• 而人类对这一切的适应速度，可能比技术进步本身还要快

无论"GPT 5.6"是真实存在还是对未来的憧憬，这种亲身见证并参与技术剧变的兴奋感，本身就是这个时代最珍贵的注脚。