Meta健康工作方向参与者Jason Wei于2026年10月14日披露,一小组医学专家借助编码工具,约两周形成十篇研究手稿。这是参与者对一次试验的描述;目前提供的材料没有手稿和研究方法,无法评估研究质量,也没有效率基线或对照数据,无法算出工具带来了多大提速。
据Wei介绍,团队希望观察医学专家使用Muse Wonder编码工具能写出怎样的研究论文。该工具可访问一个从供应商取得许可的数据库,内含约500万份电子健康记录。团队设想,专家可以结合编码模型与这些数据,研究用药与后续健康状况之间的关系等问题。数据库规模及许可情况目前只有Wei的描述,具体授权范围和隐私保护措施也未在帖文中说明。
Wei说,参与试验的是一小组医学专家,但没有给出总人数。他报告,这组专家在约两周内形成十篇手稿,其中研究者Paddy Ssentongo形成三篇。这里的“十篇”是手稿数量,不等于十篇已发表论文,更不能直接算作十项经过验证的医学发现;现有材料也无法评估这些手稿的质量。
试验并非把研究工作完全交给模型。按Wei的描述,专家之间会审阅手稿,还编写供编码工具使用的skill files,帮助它改进研究工作流程。他转述参与者的体验称,这套配置让他们能更快检验不同假设,再选择值得继续研究的方向。参与者感受到的速度变化值得关注,但帖文没有提供与常规研究流程比较的基线,也没有独立测量结果。
这项尝试展示的是一种工作安排:让医学专家带着问题使用编码工具,在可访问的健康记录中寻找值得进一步研究的线索,并通过互相审阅推进手稿。其潜在价值在于缩短提出假设、检验假设与决定下一步方向之间的往返时间。不过,这是根据Wei所述流程作出的推断,不是已经测得的时间节省。电子健康记录中的关联也需要谨慎解释;在缺少手稿和方法的情况下,外界无法核查变量选择或可能的混杂因素如何处理。
Wei本人强调,人类研究者仍须解读有噪声的数据,并判断哪些变量重要。他预计,近期AI主要会辅助由人主导的研究。他还展望,在合适工具和数据访问条件下,研究者的生产率可能提高10倍乃至100倍;这不是此次试验测出的增益。要判断这种流程能否稳定地产出可信研究,关键仍是看到具体研究设计、手稿内容和后续审查,而非仅看两周内形成了多少篇初稿。
参考来源:
