我希望这封邮件对您有好处。全国各地的学术校园对人工智能 (AI) 工具的热情空前高涨。人工智能技术的最新进展使这些工具的使用变得比以往任何时候都更容易，这引起了一些人的担忧，也引起了另一些人的兴奋。

我们很高兴推出三期系列文章“人工智能已至，未来何去何从？”。本系列旨在揭开人工智能在科研和医疗保健领域的作用之神秘面纱。第一期将重点介绍人工智能为我们领域带来的益处，尤其着重探讨生成式人工智能。

人工智能简史 

虽然“人工智能”一词直到1956年才出现，但“会思考的机器”的概念早在1941年ENIGMA密码被破解时就已存在。时间快进到2014年，人工智能迎来了新的曙光：生成式人工智能。这项技术可以根据提示生成文本、图像和其他媒体。新一代生成式人工智能产品——ChatGPT、Scribe、Jasper、DALL-E 2和Bard——利用自然语言处理技术生成连贯且与上下文相关的文本，创建数字图像，甚至生成计算机程序代码。

为什么现在大肆宣传？ 

生成式人工智能（Generational AI）自 2014 年问世以来，近年来才引起广泛关注。原因何在？因为它变得更加普及、用户友好且经济实惠。得益于技术的进步和免费生成式人工智能应用程序的普及，普通人现在也能以对话的方式与人工智能互动，并获得类似人类的回应。路透社和麦肯锡公司的这些文章阐述了 ChatGPT 和其他生成式人工智能模型如何改变了我们对人工智能的认知。

人工智能在研究和医疗保健中的好处 

研究辅助：生成式人工智能凭借其快速处理海量数据的能力，显著提升了研究效率。它有助于数据收集和分析，从而有可能发现传统研究方法可能忽略的当前趋势、关联性或洞见。这有助于得出更全面、更准确的研究结果，加快科学发现的步伐。

信息组织：在数据管理领域，生成式人工智能发挥着至关重要的作用。它可以高效地组织和分类海量数据集，简化数据检索和管理流程。通过自动化这项任务，研究人员和医疗保健专业人员可以将更多精力集中在数据分析和解读上。

数据可视化：生成式人工智能工具可以将复杂数据转化为直观易懂的视觉呈现形式，例如图表、交互式图表和信息图。这些可视化不仅简化了数据理解，还有助于跨学科团队有效地沟通研究成果和见解。它们弥合了数据分析师和非技术利益相关者之间的鸿沟，确保对数据的意义有更全面的理解。

提升诊断水平：人工智能在医疗保健领域最具变革性的应用之一在于其在诊断方面的作用。人工智能算法能够以极高的准确度分析X光片、核磁共振成像（MRI）和计算机断层扫描（CT）等医学影像，以及病理切片和基因序列。这有望加快诊断速度，降低出错率，从而改善患者预后。

数据分析与洞察：人工智能擅长处理和分析大型复杂数据集。它能够从海量数据中筛选出人类研究人员难以察觉的复杂模式、趋势或异常情况。这些洞察对于医疗保健领域的研究工作和个性化治疗方案的制定都至关重要。人工智能驱动的分析能够实现数据驱动的决策，从而带来更有效、更有针对性的干预措施。

想了解更多有关如何开发和使用生成式人工智能的信息吗？  

请查看IBM、Data Science UA和HealthTech撰写的关于人工智能在医疗保健和研究领域益处的文章。

从加速研究进展到增强数据管理，从简化数据可视化到革新诊断和数据分析，人工智能都是一项强大的工具。它拥有彻底改变医疗保健领域的潜力。了解人工智能（尤其是生成式人工智能）的优势，有助于我们发挥其潜力，改善患者预后并简化研究流程。敬请期待本系列的第二部分，我们将深入探讨在医疗保健和研究领域使用人工智能的风险和伦理考量。

 感谢您加入我们对生成式人工智能潜力的探索。

欢迎来到“人工智能时代来临，接下来会怎样？”系列文章的第二部分。在第一部分中，我们探讨了人工智能令人兴奋的优势，重点介绍了生成式人工智能。在第二部分中，我们将继续探索人工智能在医疗保健和研究领域的应用，深入探讨人工智能伦理的复杂领域及其潜在的风险。

 人工智能：黑暗面 

为了利用人工智能的潜力来改善患者治疗效果并简化研究流程，了解这项强大技术带来的挑战和道德困境至关重要。下面，我们整理了生成式人工智能在医疗保健和研究领域面临的一些关键挑战。 

人工智能的挑战和风险 

数据纯度：人工智能面临的最大挑战之一在于，组织对支撑人工智能系统的数据了解有限，包括缺乏对人工智能训练方式及其在各种情境下行为的洞察。这种知识鸿沟会削弱信任并造成不确定性，从而构成重大风险。此外，它还会给验证人工智能生成的响应带来困难。

当考虑到人工智能产生的“幻觉”现象时，数据纯度问题就显得尤为突出。例如，像 GPT-4 或 Google PaLM 这样的大型语言模型会自信地生成虚假信息。在应对这些复杂情况时，用户面临着区分真实内容和虚假内容的挑战，这凸显了数据纯度在人工智能应用领域的重要性。欲了解更多关于人工智能产生的“幻觉”现象的信息，请阅读这篇文章。

伦理考量：人工智能算法，尤其是机器学习模型，可能会继承训练数据中存在的偏见。这种偏见可能导致不公平或歧视性的决策。例如，在医疗保健领域，带有偏见的算法可能会推荐对特定人群有利的治疗方案，从而导致医疗结果的不公平。伦理考量对于确保人工智能以公平公正的方式使用至关重要。

数据隐私问题：在医疗保健领域，保护患者数据并遵守 HIPAA 法规至关重要。生成式人工智能使用合成数据集进行训练；换句话说，它们就像一个孩子，会聆听你的每一句话，然后随意复述。请记住，人工智能会获取你提供的任何信息，并可能将其用于响应其他机构的人工智能提示。机密信息（PHI、PII）或受限信息（例如研究或财务数据等非公开信息）绝不应上传或用于任何人工智能应用程序。请仅输入公众可访问的数据。

如需深入了解医疗保健隐私与人工智能的交叉领域，请阅读《监管评论》和《银行信息安全》上的文章。在医疗保健和研究领域人工智能不断发展的背景下，保护患者数据并遵守监管​​标准仍然是我们的首要任务。

安全漏洞：人工智能并非不会受到网络犯罪分子的利用。网络犯罪分子已经开始利用人工智能创建高级网络钓鱼攻击和合成媒体，例如数字篡改的视频和语音克隆，以欺骗目标受害者。甚至 ChatGPT 也被用于设计恶意软件和信息窃取病毒，这些病毒能够绕过现代安全控制。这一令人担忧的趋势凸显了网络犯罪分子日益增长的将人工智能工具武器化的企图，使得 ChatGPT 等平台上的讨论成为暗网上最热门的话题之一。

如何更多地了解人工智能的风险？  

请查看Built In和福布斯上的这些文章。

在探索人工智能的“黑暗面”时，我们必须及时了解情况、实施强有力的网络安全措施并优先考虑道德因素。负责任的人工智能开发和使用可以缓解这些挑战，确保实现人工智能的好处，同时最大限度地降低相关风险。请继续关注本系列的第 3 部分，我们将讨论人工智能的注意事项以及在工作中使用人工智能所需采取的步骤。  

感谢您加入我们对医疗保健和研究领域的生成式人工智能的探索

欢迎回到我们关于人工智能 (AI) 在科研和医疗保健领域作用的三期系列文章。本系列的第一部分“人工智能已然到来，接下来该做什么？”揭示了人工智能在医疗保健和科研领域的巨大潜力。我们探讨了生成式人工智能的起源、发展历程以及如今个人用户如何能够轻松使用人工智能。文章还阐述了人工智能在科研和医疗保健领域的益处，包括其在数据分析、信息组织、数据可视化、诊断和数据分析等方面的作用。

第二部分深入探讨了人工智能在我们领域面临的风险和伦理问题。我们讨论了数据纯净性、算法偏见引发的伦理问题、数据隐私合规性以及安全漏洞等挑战。我们必须应对这些挑战，以确保人工智能的负责任开发和使用。

现在，我们进入本系列的第三部分，重点将转向实用指导。在这一部分，我们将讨论人工智能的正确使用方法和注意事项，并概述在工作中应用人工智能需要采取的关键步骤。

人工智能在医疗保健和研究领域的注意事项

随着人工智能继续塑造医疗保健和研究领域，了解如何负责任且有效地利用其力量至关重要。

切勿忽视伦理责任：人工智能训练数据的伦理考量至关重要，因为偏见会导致不平等的结果。在人工智能应用中，必须优先考虑公平性和公正性，避免忽视伦理问题，尤其是在医疗保健等领域。

不要在没有仔细考虑的情况下贸然使用人工智能：虽然人工智能的数据分析能力可以发现隐藏的模式和趋势，从而造福研究和医疗保健，但用户必须仔细考虑如何以及何时以安全的方式使用人工智能。

请勿输入个人身份信息 (PII) 或个人健康信息 (PHI)：患者和个人隐私始终是我们的首要任务。请记住，生成式人工智能会获取您提供的任何信息，并可能在回复其他机构时使用这些信息。因此，切勿将机密或受限信息上传到生成式人工智能平台。

不要放弃人性化的因素：虽然人工智能可以协助完成任务，但不要让它代替你思考。人工智能缺乏人类的情感和思维。请记住核实事实和进行批判性思考的重要性。

务必优先考虑网络安全：重视网络安全，防范人工智能相关威胁。网络犯罪分子利用人工智能进行高级攻击，例如深度伪造和多态恶意软件，因此保持警惕至关重要。

务必重视数据纯度：每个人都应该了解人工智能的数据基础和潜在偏差。这有助于最大限度地减少信任问题，并有助于验证人工智能生成的回复。

务必确保医疗保健领域的数据隐私：遵守 HIPAA 法规以保护患者隐私。在医疗保健领域使用人工智能时，使用去标识化和合成数据集来保护患者信息。

务必谨慎：人工智能正在加速我们工作的许多方面，但这同时也可能使错误和不良行为更容易发生。在工作中运用人工智能工具时，务必做到简洁明了、谨慎行事。

我如何在我所在的地区开始使用生成式人工智能？

既然您了解了 ChatGPT 或 Bard 等生成式 AI 的优点和挑战，您可能想知道您的团队如何利用这项强大的技术。

好消息！您可以使用 Bing 内部安全聊天功能Copilot来体验生成式 AI ！只需几个简单步骤即可开始聊天！

1. 登录新墨西哥大学健康与健康科学网络。
2. 导航到 Microsoft Bing。       

1. 单击左上角的聊天。
2. 开始聊天！     

如果您选择使用人工智能工具进行工作而不是上述内部保护的聊天，则您需要做一些事情。

• 我们的信息安全办公室和网络安全团队将通过学习中心跟踪生成式人工智能请求。
• 除 Copilot 之外任何想要使用人工智能的人都必须完成生成式人工智能学习模块。
• 要完成本模块，请登录学习中心并搜索 CLT 303 研究和医疗保健中的生成人工智能.

 想了解更多关于人工智能的知识吗？

我们关于生成式人工智能的三篇系列文章只是冰山一角！关于生成式人工智能如何变革研究、医疗保健以及更多领域，您还有很多可以了解！不妨看看HIMSS（医疗信息与管理系统协会）的这篇文章，了解大型语言模型在医疗保健领域的强大功能和巨大潜力。

 想要试驾 AI 但不知道从哪里开始？

想了解如何撰写高质量的提问提示才能获得最佳答案？不妨看看这篇入门指南。想深入了解？ phData的这篇博客将为你提供更多关于如何撰写有效提问提示的深度信息。

 在结论

我们的系列探讨了医疗保健和研究中的人工智能。我们首先揭示了生成式人工智能的潜力和伦理考虑。现在，在最后一部分，我们提供实用指导：优先考虑网络安全、了解数据纯度并确保数据隐私。

感谢您与我们一起探索人工智能的潜力、挑战和实际应用。我们期待看到人工智能在我们共同前进的过程中继续对医疗保健和研究产生积极影响。