在生产环节中，95%是一个分水岭。
以人为对照标准，人工的准确率在92%至98%之间，因此，行业对机器容忍度的判别标准取之中位数，未达到95%的部分，无论是80%乃至90%的准确率，对模型生成容忍度极低的生产环节而言，二者没有区别。
过去几年，以计算机视觉、语音等为代表的AI技术领域取得了极大的成功，但受限于模型可解释性差、通用性不强等弊端，AI的大规模道路难以展开。
直至大模型技术出现，它通过与人类的交互中不断学习，进而获得更好解决问题的能力。这当中，行业Know-How在生成内容中起到关键作用，对医学、金融、安全、法律等领域带来了变革性的影响。
9月7日，在腾讯全球数字生态大会-Techo腾讯科学家专场上，论坛联手CSIG前沿探索俱乐部及新基石科学基金会，邀请了腾讯各大实验室科学家及“科学探索奖”获奖人，聚焦科学前沿探索和技术应用，以对话的形式，分享最新的落地成果。
大模型技术探索和落地方兴未艾，一个业界共识是，大模型深入行业，与各个领域结合，在激发生产力的同时，对原有生产链条也将带来颠覆性的影响，从底层出发向上层逻辑的重塑，最终逐渐影响到技术研发、产品开发、服务消费等各个环节。
多位研究者在与雷峰网交谈中提到，AI技术正被用于生命科学、医学制药等研发创新中，越来越多人开始意识到，大模型为新科学规律的发现和AIforScience发展提供了更便捷的工具，有学者预测，未来十年内，科学范式将会被生成式AI重新定义。
距离科研更近的人，深知复杂科学问题背后的前沿与颠覆，而贴近产业侧的开发者，更清楚AI技术在应用阶段的挑战与机遇。大模型的出现对AIforScience有什么意义？又会对其发展带来哪些影响？
能力越大，责任越大
“知识增强型”行业大模型已成为共识，是更接近人类大脑、释放智能生产力的AI落地范式，将行业领域知识注入模型当中，提升模型对知识的记忆和推理能力，可以有效填补基础模型和场景之间的认知鸿沟。
但在实际操作中，从业者往往会发现事情并没有那么简单：
一家从事医疗AI结合大模型技术服务商告诉雷峰网，从B端侧来说，医疗大模型可以划分为诊前、诊中和诊后三个阶段，为了应用不同阶段会产生的问题，因此，医疗领域大模型在训练要求就很高。
比如说诊前，过去医生在看病时，需要事先了解许多患者相关的信息和问题，根据收集到的信息判断大概的情况，这个过程耗时长且占用精力。有了大模型后，这部分工作可以借助GPT来完成，医生通过向模型注入医疗数据和自己知识体系，GPT可模仿医生的习惯、提前跟患者了解病理信息。
但一个亟待解决的难题是：医疗环境中对深层语义的要求很高，患者在与医生沟通时，很少涉及有指征性的专业医学术语，患者有哪些症状是由医生根据其描述来判断，当这件事交给模型去做时，它能否将患者的描述与对应的病理问题对齐、做出正确的判断，对构建医疗大模型而言是个不小的挑战。
医学非常复杂，如何与大模型等为代表的AI技术相结合，成为学界和工业界共同