Медицинский ИИ долго топтался в тупике: либо вы строите узкий алгоритм, который филигранно справляется с одной задачей, но плывет на любой смежной, либо идете на поклон к бигтеху за универсальной моделью. Последний вариант — это дорогая аренда чужих мозгов, риск утечки данных пациента и вечная лотерея с точностью галлюцинирующего черного ящика. Но гонка за размером моделей, кажется, сворачивает в сторону здравого смысла. Исследователи из HKUST совместно с коллегами из Harvard Medical School и Weill Cornell Medicine представили фреймворк GSCo (Generalist-Specialist Collaboration). Он доказывает: владеть компактным специализированным стеком в сто раз выгоднее, чем кормить облачных гигантов.
Анатомия гибридного разума
Механика системы GSCo строится на жестком разделении труда. В центре — мультимодальная база MedDr, обученная на 2 млн записей, а вокруг нее — «легкие» модули-специалисты. Вместо того чтобы каждый раз прогонять тяжеловесную нейронку через весь массив данных, система заставляет специализированный модуль искать исторические прецеденты, а базовую модель — лишь синтезировать итоговый диагноз. Такой подход позволил обойти в точности не только саму MedDr, но и лучшие узкопрофильные алгоритмы. В тестах на диагностику кожи система набрала 84 балла из 100 против 75 у базовой версии. Прогресс заметен не только в цифрах: 6 из 7 сертифицированных рентгенологов при анализе снимков грудной клетки предпочли отчеты GSCo результатам специализированной модели R2GenGPT.
Адаптация системы под новую клиническую задачу потребовала не более 5,2 × 10¹⁶ FLOPs против 2,5 × 10¹⁹ FLOPs при дообучении всей фундаментальной модели — это снижает вычислительные затраты примерно в 100 раз.
Эта математика — прямой вызов стратегии использования тяжелых моделей в медицине. Если для настройки системы под конкретную задачу вам достаточно одной потребительской видеокарты уровня NVIDIA RTX 4090, аргументы в пользу аренды API рассыпаются. Мы наблюдаем переход от экономики подписки к экономике владения: клиника разворачивает открытый прототип внутри своего защищенного контура и получает полный контроль над данными без передачи чувствительной информации в облака Microsoft или Google.
Прагматизм вместо хайпа
Пока GSCo остается исследовательским проектом, протестированным на ретроспективных данных из 260 000 изображений. Чтобы гибрид стал стандартом в реальной приемной, нужны проспективные испытания в полях, но архитектурный сдвиг уже зафиксирован. Для бизнеса это четкий сигнал: эпоха универсальных моделей-генералистов в медицине заканчивается там, где начинаются вопросы TCO и безопасности. Стократная разница в стоимости инференса превращает ИИ из дорогой игрушки в эффективный рабочий инструмент, который принадлежит вам, а не провайдеру из Калифорнии. Скачайте код MedDr и GSCo с GitHub и проведите тестовый прогон на своих данных — это лучший способ оценить реальные требования к железу и перестать платить за чужой воздух.