# Питер Ли (Microsoft): «Через два года пациенты будут требовать, чтобы врачи использовали ИИ» Источник: https://www.youtube.com/watch?v=4shJQtkL3Ms Канал: Stanford Online Опубликовано: 29.07.2025 --- Искусственный интеллект в медицине переходит от стадии теоретических моделей к практическому внедрению, меняя саму структуру взаимодействия врача и пациента. В новом эпизоде подкаста Stanford Online корпоративный вице-президент Microsoft Research Питер Ли обсуждает, почему будущее индустрии теперь зависит не от масштаба пре-трейнинга, а от «времени на размышление» алгоритмов и способности ИИ-агентов брать на себя роль полноценных медицинских коллабораторов. ## 🧠 Эпоха пост-тренинга: почему ИИ должен научиться «думать» [[JUMP:0:15]] Современная гонка вооружений в сфере ИИ смещается от создания гигантских сырых моделей к оптимизации их работы на этапе вывода (inference). Питер Ли отмечает, что в исследовательских кругах фокус внимания переместился на «пост-тренинг» и вычисления во время инференса [4:08]. Это связано с тем, что совершать прорывы на этапе предварительного обучения (pre-training) становится всё труднее и дороже. Ключевые тезисы этой смены парадигмы: * **Лимиты физики:** масштабные прогоны обучения требуют колоссальных вычислительных кластеров и электроэнергии, что делает их рискованными «ставками», сравнимыми с проектированием новой архитектуры процессоров [4:34]. * **Эффект размышления:** Ли цитирует Ноама Брауна из OpenAI, утверждая, что несколько секунд, данных модели на «раздумья» перед ответом, эквивалентны многократному масштабированию вычислительной мощности при обучении [3:43]. * **Важность базы:** несмотря на акцент на постобработке, базовая модель всё равно должна быть чрезвычайно качественной, чтобы надежно выдавать результаты в рамках парадигм логического рассуждения [5:16]. Для оценки таких моделей Microsoft Research использует экспериментальный подход под названием **Adele**, который заимствует идеи из психометрики [6:39]. Вместо простых бенчмарков, проверяющих знания, этот метод пытается оценить модель как потенциального коллегу или «интерна» [7:06]. ## 🤖 От узких моделей к медицинским оркестраторам [[JUMP:10:53]] Вместо сотен разрозненных узких моделей (например, только для чтения рентгена или анализа крови) индустрия движется к созданию «агентов-оркестраторов». Мэтт Ландгрен и Питер Ли обсуждают проект **Healthcare Agent Orchestrator**, который уже тестируется в Стэнфорде для участия в онкологических консилиумах (tumor boards) [11:08]. Особенности работы таких агентов: 1. **Интеграция инструментов:** агент может сам вызывать узкоспециализированные модели (например, для измерения узлов в легких), если считает это необходимым для выполнения задачи [13:45]. 2. **Экономическая эффективность:** в совместном исследовании Microsoft и Stanford изучалась модель «последовательной диагностики». ИИ начинал с краткого описания пациента (например, «18-летняя женщина с кашлем») и должен был сам назначать анализы [15:19]. 3. **Результаты:** ИИ показал результат в 4,5 раза лучше, чем врачи-люди в рамках данной симуляции, учитывая точность и стоимость назначенных процедур [16:33]. Однако Ли подчеркивает, что пока такие агенты остаются «гражданами второго сорта»: они не могут активно вмешаться в разговор врачей, подняв руку, и требуют управления со стороны человека [11:48]. ## 🎙️ Ambient AI и борьба с бюрократическим выгоранием [[JUMP:18:19]] Одной из самых «горячих» зон применения ИИ является Ambient AI — системы, которые слушают прием врача и автоматически формируют медицинские записи. Питер Ли вспоминает личный опыт посещения дерматолога, где в справке было указано ложное обоснование процедуры («невозможность носить маску») ради получения страховых выплат (так называемый **upcoding**) [19:15]. Продукты в этой сфере: * **Nuance (Dragon Copilot):** результат проекта Empower MD, начатого в 2018 году [19:52]. * **Bridge и Ambiance:** системы, призванные снять когнитивную нагрузку с врачей. Питер Ли выступает с критикой сложившейся практики: по его мнению, последние 8 лет регуляторы и технологи (включая его самого) непреднамеренно увеличивали нагрузку на врачей через мандаты на интероперабельность данных (например, стандарты FIRE/FHIR) [25:04]. ИИ должен наконец развернуть этот тренд, снижая, а не увеличивая количество кликов и записей. ## 📅 Прогноз на 2 года: пациент как драйвер перемен [[JUMP:33:16]] Собеседники разошлись в оценках сроков массового внедрения ИИ «у постели больного». Джастин (ведущий) полагает, что в технологически развитых городах, таких как Сан-Франциско, это случится уже через 2 года [35:47]. Аргументы в пользу скорого «перелома»: * **Давление снизу:** пациенты уже используют ChatGPT (5–10% запросов к OpenAI связаны с медициной) и будут приходить на прием с готовыми ИИ-отчетами [35:34]. * **Прозрачность карт:** текущие порталы (типа MyChart) выдают результаты анализов в нечитаемом для обывателя виде. Пациенты потребуют возможности обсудить свою карту с ИИ в режиме «объясни мне это как шестилетке» [37:37]. * **Доверие:** Ли считает, что менее чем через 10 лет пациенты будут встревожены, если узнают, что их врач *не* использует ИИ в качестве «второго мнения» для подстраховки [35:08]. ## 🏥 Исчезнут ли узкие специалисты? [[JUMP:40:39]] Один из самых провокационных вопросов дискуссии — как ИИ изменит структуру медицинских профессий. Существует две противоположные позиции, которые Питер Ли детально анализирует. **Аргумент за сохранение специализаций:** Исторически технологии только увеличивали количество узких направлений. Единственные примеры исчезновения специальностей — френология (из-за развития неврологии) и цирюльники, делавшие кровопускание [42:10]. **Аргумент за возвращение генералистов:** Узкая специализация возникла потому, что человеческий мозг не может вместить весь объем знаний (кардиология, нефрология, эндокринология одновременно). ИИ, обладающий знаниями во всех 50+ областях сразу, может превратить обычного терапевта в «супергероя», способного решать сложнейшие задачи без направления к узкому специалисту [43:58]. В завершение Ли отмечает изменение менталитета самих разработчиков. Если 10 лет назад айтишники зацикливались только на этапе диагностики, то сегодня они начинают видеть всю картину: от профилактики до долгосрочного наблюдения за исходами [48:53].