第19章 §01 · 应用 AI 总览 · 讲解稿¶
章节定位: Ch19 §00 总览扩展 承接: Ch14-Ch18 工程基础 → Ch19 行业落地 篇幅: ~5500 字 / 阅读 14 分钟
一 · 一句话总览¶
应用 AI = LLM/ML 在 6 大行业的深度落地: 金融 / 蛋白质 / 药物 / 智能体 / 医疗 / 自动科研。每个领域都有专属数据集 + SOTA 模型 + 商业化挑战。
二 · 章节地图¶
Ch19 应用 AI
├── §01 AI 在金融 (风控 / 量化 / 反欺诈)
├── §02 蛋白质设计 (AlphaFold / RFdiffusion)
├── §03 药物发现 (分子生成 / ADMET)
├── §04 智能体系统 (AutoGPT / SWE-Agent)
├── §05 医疗健康 (Med-PaLM / 诊断)
└── §06 AI Scientist 自动科研 (Sakana AI / Google Co-Scientist)
三 · 章节主线 (5 段)¶
第 1 段 · 金融 AI (10 分钟)¶
3.1.1 金融 AI 4 大场景¶
| 场景 | 关键模型 | 难点 |
|---|---|---|
| 信用风控 | XGBoost / LSTM | 不平衡 / 解释 |
| 量化交易 | Transformer / RL | 低延迟 / 过拟合 |
| 反欺诈 | GNN / 图 | 标签稀缺 / 团伙 |
| 智能投顾 | LLM + RAG | 监管 / 合规 |
3.1.2 信用风控建模¶
典型 pipeline:
关键挑战: - 数据不平衡 (违约 ~3%): SMOTE / Focal Loss - 概念漂移: PSI 监控, 周期性重训 - 解释性: SHAP / LIME (监管要求)
3.1.3 量化交易¶
核心: 预测短期价格 → 低买高卖 模型演进: - 传统: ARIMA / GARCH - ML: XGBoost / LightGBM - DL: LSTM / Transformer (Informer / AutoFormer) - RL: PPO / DDPG
关键: 延迟 (毫秒级) + 回测 (避免过拟合)
3.1.4 反欺诈 GNN¶
构图: 用户 - 设备 - IP - 卡号 模型: GAT / GraphSAGE 优势: 捕获团伙欺诈 (多账户共用设备)
第 2 段 · 蛋白质 AI (10 分钟)¶
3.2.1 蛋白质结构预测¶
AlphaFold 2 (DeepMind 2020): - 输入: 氨基酸序列 - 输出: 3D 坐标 - CASP14: GDT-TS 92.4 (接近实验精度)
AlphaFold 3 (2024): 蛋白质 + 核酸 + 小分子复合体
3.2.2 蛋白质设计¶
RFdiffusion (Baker Lab 2023): - 类别: Diffusion Model - 输入: 期望性质 (结合位点) - 输出: 新氨基酸序列
Chroma (Generate Biomedicines 2023): - 类比: 蛋白质界的 Stable Diffusion
3.2.3 蛋白质语言模型¶
ESM-2 / ESMFold (Meta 2022-2023): - 15B 参数 Transformer - 一次前向完成"序列 → 结构"
第 3 段 · 药物发现 (10 分钟)¶
3.3.1 药物发现 5 大阶段¶
3.3.2 分子生成¶
主流模型: - RNN / Transformer: SMILES → 分子 - Graph VAE: 分子图生成 - Diffusion (DiffDock): 3D 分子对接 - RL (REINVENT): 奖励 = 活性
3.3.3 ADMET 预测¶
ADMET: 吸收 / 分布 / 代谢 / 排泄 / 毒性 - 传统: 湿实验, 慢 + 贵 - AI: 预测, 快 + 省 - 模型: GraphGym / ChemBERTa
3.3.4 AlphaFold 改变行业¶
- 缩短靶点发现从 2-5 年 → 几周
- 节省数十亿美元
- Insilico Medicine 已用 AI 找到新靶点 + 候选药
第 4 段 · 智能体系统 (10 分钟)¶
3.4.1 智能体 vs 普通应用¶
| 维度 | 普通应用 | 智能体 |
|---|---|---|
| 决策 | 规则 | LLM |
| 行动 | 固定 | 工具调用 |
| 适应 | 静态 | 学习 |
3.4.2 AutoGPT / BabyAGI (2023)¶
架构: 任务分解 → 工具调用 → 反思 → 循环 局限: 容易循环 / token 消耗大
3.4.3 SWE-Agent (Princeton 2024)¶
任务: 修复 GitHub Issue 架构: - Repo 检索 (ripgrep) - 代码编辑 (Editor) - 测试运行 (pytest) SWE-Bench: 解决率 12-20% (SOTA 2024-2025)
3.4.4 Devin (Cognition 2024)¶
任务: 端到端软件开发 能力: 规划 + 编码 + 调试 + 部署 争议: 演示夸张, 真实能力待评估
第 5 段 · 医疗 AI (10 分钟)¶
3.5.1 医疗 AI 5 大场景¶
- 影像诊断: X 光 / CT / MRI (CNN / ViT)
- 电子病历 (EHR): 时序 + NLP (Med-BERT / Med-PaLM)
- 药物: Ch19 §03
- 手术机器人: 达芬奇 + 强化学习
- 健康管理: 可穿戴 + LLM
3.5.2 Med-PaLM (Google 2023)¶
专长: 医学问答 (USMLE 达 60%+) 训练: 医学文献 + 临床案例
3.5.3 医疗 AI 挑战¶
- 数据隐私 (HIPAA / GDPR)
- 数据不平衡 (罕见病)
- 可解释性 (临床决策必须解释)
- 监管 (FDA / NMPA 审批)
- 责任归属 (误诊谁负责)
3.5.4 AI Scientist 自动科研¶
(详见 Ch19 §06 P15 专题)
四 · 一句话总结¶
应用 AI = 6 大行业的"AI + 行业"双轮驱动。金融讲合规 + 风控; 蛋白讲结构 + 设计; 药物讲生成 + 优化; 智能体讲工具 + 反思; 医疗讲诊断 + 监管; 自动科研讲 AI 做 AI。