Meta用500万病历+AI编程助手，两周产出十篇论文

Meta健康工作流团队最近披露了一个颇具启发性的实验：把一群医学专家、一个强大的编程模型和500万份电子健康记录放在一起，会发生什么？答案是——两周内产出十篇研究手稿，其中一位研究者独立完成了三篇。

实验设计：500万患者数据 + AI编程脚手架

据Meta团队成员在社交媒体上的分享，该项目为其健康工作流的一部分。团队从供应商处授权获得了500万份电子健康记录，并搭建了一个名为Muse Wonder的编程脚手架，让医学专家能够用自然语言提出研究问题，由AI辅助完成数据分析。

举个例子，研究者可以直接提问：“服用他汀类药物的人，后来患糖尿病的比例是否更高？”AI会在庞大数据库中执行分析，快速给出统计结果。

这个项目的核心赌注不是AI能否替代医生，而是当人类专家、强编程模型和数据访问权三者结合时，科研效率能被推到什么程度。

电子健康记录（EHR） 是医疗机构在诊疗过程中生成的数字化患者档案，通常包含诊断编码、用药记录、检验结果、生命体征、手术史等结构化字段，也常混有临床笔记等非结构化文本。EHR的规模优势使其成为观察性研究的重要数据源，例如药物流行病学中的不良反应信号挖掘。但EHR并非为研究而设计：数据缺失、编码不一致、随访中断等问题普遍存在，因此研究者往往需要大量清洗与因果推断方法来控制混杂偏倚。Meta此次获得500万份EHR的授权访问，意味着其AI脚手架面对的是一个真实世界证据（RWE）级别的数据环境，而非理想化的临床试验数据集，这也解释了为何“人类判断力”在流程中仍被反复强调。

两周十篇手稿：速度背后的协作模式

参与实验的医学专家普遍反馈，这种配置让健康研究的节奏明显加快。他们在大约两周内生成了十篇研究手稿，其中研究者Paddy Ssentongo一人就贡献了三篇。

更重要的是协作方式的变化。专家们互相审阅手稿，并编写“技能文件”（skill files）来帮助编程脚手架在研究任务上持续改进。换句话说，AI工具本身也在被使用过程中不断优化。

医学专家们特别提到的一点是：他们可以快速测试不同假设，然后挑选最有价值的方向深入下去。这种“快速试错、择优推进”的节奏，在传统研究流程中往往需要数月才能完成一轮。

技能文件（skill files） 在此语境下可理解为一种面向AI编程脚手架的“可复用指令集”或“微调提示包”：研究者把反复出现的研究操作——如特定变量的标准化提取、缺失值处理规则、统计模型选择偏好——写成结构化文档，供脚手架在后续任务中调用。这与传统“提示词工程”的区别在于，技能文件更接近团队内部的方法论沉淀，可以在不同研究者之间共享、版本化并逐步迭代。当专家编写技能文件时，他们实际上是在把隐性研究经验外化为AI可执行的规则，从而让脚手架在特定领域内越用越“顺手”。这种机制也部分解释了为何两周内能产出十篇手稿：重复性分析步骤被前置封装，研究者只需聚焦假设设计与结果解读。

人类研究者仍然不可替代

尽管AI表现亮眼，该项目也明确指出人类专家的核心价值。健康研究的独特之处在于，面对嘈杂的数据，研究者需要有判断力去识别哪些变量真正重要——这种“品味”目前仍然是人类研究者的重要贡献。

Meta团队对此保持了审慎态度：医学是人类最古老的领域之一，研究的最终对象是人，因此在这类研究中保留相当比例的人类参与，可能是必要的。

在可预见的未来，AI更多是促进人类主导研究的工具。但如果配备合适的脚手架，并让AI获得适当的数据访问权限，健康研究者的生产力可能提升10倍甚至100倍。

AI for Science：从数据到理解的加速

这个项目可以放在“AI for Science”的更大框架下理解。科学活动可以拆成两部分：一是收集关于世界的原始数据，二是将原始数据综合为理解。

这个项目的前提是数据已经存在，目标是用AI加速第二部分。Meta团队设想了一个远景：当AI工具足够强大，将原始数据转化为理解的时间趋近于零。在那样的世界里，科学进展会大幅加速，大部分工作将集中在通过物理实验收集正确的原始数据上。

这次实验在很短时间内完成，本身就是刻意的——它想验证的就是速度。而结论是：科学研究的未来，可能会比现在更快、也更令人兴奋。

AI for Science 是近年来兴起的研究范式，核心主张是将机器学习、大模型与自动化实验平台嵌入科学发现的全流程，而非仅作为事后数据分析工具。其典型代表包括AlphaFold在蛋白质结构预测上的突破、GNoME在材料发现中的应用，以及各类实验室自动化闭环。这一范式的关键区分在于：AI既可以加速“从数据到假设”的归纳环节，也可以优化“从假设到验证”的实验设计环节。Meta健康工作流项目明确将自己定位在前者——它默认原始数据已经存在，专注于压缩从数据到理解的时间。这一路线的局限同样明显：如果原始数据本身存在测量偏差或覆盖不足，AI加速的只是对既有数据的解释，而非对世界的新观测。因此，AI for Science的长期价值取决于数据采集与AI推理两条腿能否同步进化。