我是人工智能领域的在读博士生，平时也会跟我老婆（文科生）解释人工智能的各种应用，比如什么人脸识别技术，或者是ChatGPT这类型的技术。通常我不会深入到技术细节，因为确实会很难懂，所以我会很很多生活中的案例来解释。
当我们提到人工智能（AI），很多人可能首先会想到一些很“科幻”的场景，或者就是日常生活中常用的语音助手，比如手机里的“小爱同学”或者智能家居中的“天猫精灵”。这些都是AI的应用层面，但其实AI的世界要比这些更为广阔和深入。
先让我们了解AI的基础层。基础层好比人的心脏和大脑，为AI提供运行的基本能力。假设你家里的电视机通过AI智能推荐系统向你推荐了一部火爆的电视剧，那么这背后就是机器学习的功劳。这个系统会根据你过去看过什么，以及其他类似你的观众喜欢什么，来为你做个性化的推荐。还有一些技术，比如自然语言处理（NLP），让这些助手能够理解你的语言。举个例子，如果你告诉“小爱同学”：“明天早上八点叫我起床”，它能理解你的意思，并在第二天早上准时叫你起床。
那么，让我们转向应用层。应用层是AI如何用基础层的能力去解决现实问题，也就是说，它是AI“上岗工作”的地方。比如，在电商平台上，AI可以通过分析你的购物记录和浏览习惯，为你推荐可能会感兴趣的商品。在医疗领域，AI可以协助医生读取和分析X光片或MRI图像，更准确地诊断病情。在交通方面，AI可以控制智能红绿灯，根据路况自动调整红绿灯的时间，减少拥堵。
总结一下，基础层是AI能“听得懂、看得见、学得会”的地方，而应用层则是AI用这些能力去完成具体任务的场所。在电视剧推荐的例子里，机器学习和数据分析就是基础层的代表。而当AI用这个推荐能力去帮你找到感兴趣的电视剧，或者在电商平台、医疗诊断和交通管理等方面帮你解决问题时，这就是应用层的表现。
还是用现实生活来举例子，比如打开电视看电视节目前，需要有电视信号塔、卫星、电缆等来传输信号。这些都是“基础设施”，没有它们，电视节目就无法传输。
当你打开电视并选择一个节目或频道来观看时，你实际上是在与应用层进行交互。这里的应用层包括了电视节目、用户界面、遥控器等。
这两个很明显的区别就是基础层的东西你是很难直接感受的，比如说信号塔的位置在哪里，卫星的信道是什么，因为这些都是已经部署好的，你也没有必要去了解这里面的细节。而应用层就显得直观多了，比如各个电视节目，你可以通过遥控器来随便选，可以看网络直播，也可以看电影点播。
这个跟人工智能的基础层和应用层是非常相似的，基础层是人工智能的“引擎”，负责处理与运算、数据存储和其他基本任务。这一层包括硬件（如服务器、GPU、TPU等）、底层软件（如操作系统、数据库管理系统）、网络（云计算资源、数据中心等）以及基础算法（机器学习算法、深度学习网络等）。应用层则更关注人工智能如何与实际应用相结合。这一层会包括特定领域的应用程序、用户界面、高级数据分析和业务逻辑等。它通常是普通用户最直接接触到的部分比如刷脸支付，语音翻译等等。
下面的内容是针对于对于人工智能想要有更加深入的技术方面的理解的朋友，泛泛而谈的话基础层和应用层就可以覆盖大多数的内容了。
其次，如果对于人工智能感兴趣的话，从ChatGPT这种每个人都可以使用的软件是非常推荐的，因为它比起其他的人工智能应用更加的简单和有趣，而知乎知学堂开设的这门人工智能介绍课，就非常的适合作为入门课程进行人工智能的全面了解和学习，这对于不管是工作还是学习都会是受益良多的。
确实，将人工智能（AI）的结构细分为更多层次可以提供更深入的理解。在基础层（Infrastructure Layer）和应用层（Application Layer）之间，通常还存在三个额外的层次：感知层（Perception Layer）、认知层（Cognitive Layer）和决策层（Decision-Making Layer）。这些层次起到桥梁作用，它们处理从基础设施到最终应用之间更为复杂和高级的任务。
这个分层模型就像是家里的电路系统。你可以想象高压电流从发电站开始，但在到达你的家里供电之前，需要经过几个步骤来转换电流。这些转换步骤有点像是人工智能中的感知层、认知层和决策层。
简单地说，就像电流需要被“整理”和“调整”以便在家里使用一样，人工智能的不同层也有类似的角色。感知层就像是电流的“接收器”，负责收集信息；认知层是“处理器”，负责理解这些信息；最后，决策层就像是“执行器”，根据收到的信息做出决策。这些层一起工作，确保人工智能能够从基础设施到最终应用（比如一个手机app或医疗诊断工具）都能顺畅运行。
从基础层的角度看，硬件组件（如芯片）提供了必要的计算能力。这一层是整个体系的基础，因为没有强大的计算力，复杂的人工智能算法就无法高效运行。而这些算法，通常由机器学习、深度学习等技术实现，是实现底层决策的关键。
感知层随后接入，它就像我们的感官，负责从外界收集信息。这一层用于处理来自传感器、图像、声音等的原始数据，并将其转化为对后续层有用的信息。
进一步来说，认知层像是一个“大脑”，对来自感知层的信息进行更高级的处理和解释。这里可能涉及自然语言处理、图像识别和数据分析等一系列复杂任务。
最后，决策层则基于认知层的输出做出相应的行动或决策。这可以是驾驶汽车、生成文本或者进行医疗诊断等。
整个体系的高性能运作依赖于这些层之间的协调和优化。就像一个精密的机器，每个部件都必须精确地运转，才能确保整体的高效和准确。这种综合性也显示了人工智能跨多个学科和领域的潜力，从计算机科学和工程到认知科学、社会科学甚至伦理学，都有其应用和影响。
如果我们将这种层次化的人工智能视角应用到我们自身和社会中，可能会发现一些令人惊奇的相似之处。就像人工智能从基础层到应用层需要精密协调，我们的社会也需要各个组成部分—从个体到社群，再到更大的社会制度—齐心协力，以创造一个更加和谐、高效的环境。最终，人工智能不仅是一种技术革命，更是一面镜子，反映出我们如何组织、理解和优化复杂系统的多维能力。
人工智能现在能做什么？有哪些领域？也许不像一些更乐观的媒体文章让人相信的那样多，但仍然很多，以下是一些例子。
自动驾驶：自动驾驶的历史可以追溯到20世纪20年代的无线年代首次展示了没有特殊向导的自动道路驾驶。在2005年的212公里沙漠赛道DARPA挑战赛和2007年繁忙城市道路的城市挑战赛上，自动驾驶汽车成功展示之后，自动驾驶汽车的开发竞赛正式开始。2018年，Waymo的测试车辆在公共道路上行驶超过1600万公里，没有发生严重事故，其中人类司机每9650公里才介入一次接管控制。不久之后，该公司开始提供商业机器人出租车服务。
腿足式机器人：雷伯特等人制作的四足机器人BigDog，颠覆了我们对机器人如何行动的概念一一不再是好莱坞电影中机器人缓慢、僵硬、左右摇摆的步态，而是类似于动物，并且能够在被推倒或在结冰的水坑上滑倒时恢复站立。类人机器人Atlas不仅能在崎岖不平的路况中行走，还可以跳到箱子上，做后空翻后可以稳定落地。
自动规划和调度：每天，优步（Uber）等网约车公司和谷歌地图等地图服务为数亿用户提供行车向导，在考虑当前和预测未来交通状况的基础上快速规划最佳路线。
机器翻译：在线机器翻译系统现在可以阅读超过100种语言的文档，涵盖99%的人类使用的母语，每天为数亿用户翻译数干亿词语。虽然翻译结果还不完美，但通常足以理解。对于具有大量训练数据的密切相关的语言（如法语和英语），在特定领域内的翻译效果已经接近于人类的水平。
语音识别：2017年，微软表示其会话语音识别系统的单词错误率已降至5.1%，与人类在Switchboard任务（转录电话对话）中的表现相当。现在全世界大约三分之一的计算机交互是通过语音而不是键盘完成的，另外Skype提供了10种语言的实时语音翻译。Alexa、Siri、Cortana和谷歌都提供了可以回答用户问题和执行任务的助手。例如，谷歌Duplex服务使用语音识别和语音合成为用户预订餐厅，它能够代表用户进行流畅的对话。
推荐：Amazon、Facebook、Netflix、Spotify、YouTube、Walmart等公司利用机器学习技术，根据用户过去的经历和其他类似的人群为用户推荐可能喜欢的内容。推荐系统领域有着悠久的历史，但由于分析内容（文本、音乐、视频）以及历史和元数据的新深度学习方法的出现，推荐系统正在迅速发生变化。垃圾邮件过滤也可以被认为是推荐（或不推荐）的一种形式。目前的人工智能技术可以过滤掉99.9%以上的垃圾邮件，电子邮件服务还可以推荐潜在收件人以及可能回复的文本。
博弈：1997年，当“深蓝”（Deep Blue）击败国际象棋世界冠军加里•卡斯帕罗夫（Garry Kasparov）后，人类霸权的捍卫者把希望寄托在了围棋上。当时，天体物理学家、围棋爱好者皮特•赫特（Piet Hut）预测称：“计算机在围棋上击败人类需要一百年的时间（甚至可能更久）。”但仅仅20年后，ALPHAGo就超过了所有人类棋手。世界冠军柯洁说：“去年的ALPHAGo还比较接近于人，现在它越来越像围棋之神。”ALPHAGo得益于对人类棋手过去数十万场棋局的研究以及对团队中围棋专家的知识提炼。
图像理解：计算机视觉研究人员不再满足于在具有挑战性的ImageNet物体识别任务上超越人类的准确性，他们开始研究更困难的图像描述问题。一些令人印象深刻的例子包括“一个人在土路上骑摩托车”“两个比萨饼放在炉顶的烤箱上”和“一群年轻人在玩飞盘”。然而，目前的系统还远远不够完善，一个“装满大量食物和饮料的冰箱”原来是一个被许多小贴纸遮挡住部分的禁止停车的标志。
医学：现在，人工智能算法在多种疾病的诊断方面（尤其是基于图像的诊断）已经达到或超过了专家医生的水平。例如，对阿尔茨海默病、转移性癌症 、眼科疾病和皮肤病的诊断。一项系统回顾和汇总分析发现，人工智能程序的平均表现与医疗保健专业人员相当。目前医疗人工智能的重点之一是促进人机合作。例如，LvA系统在诊断转移性乳腺癌方面达到了99.6%的总体准确性，优于独立的人类专家，但两者联合的效果仍然会更好 。
气候科学：一个科学家团队凭借深度学习模型获得了2018年戈登•贝尔奖，该模型发现了之前隐藏在气候数据中的极端天气事件的详细信息。他们使用了一台具有专用GPU硬件，运算性能超过exaop级别（每秒1018次运算）的超级计算机，这是第一个实现这一目标的机器学习程序。Rolnick等人提供了一个60页的目录，其中列举了机器学习可用于应对气候变化的方式。
本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。
人工智能的领域涵盖广泛，从理论研究、软件工程到实际应用等各个方面都有涉及。
从AI的技术到智能终端这两大方向，小林给大家细分展开讲讲究竟包含有哪些内容，以及列举几个实际应用，让大家能更直观的理解到位，那就跟着我往下看看吧~
从当前的研究方向来看，AI是一种模拟人类智能的技术和方法，它是计算机科学、认知心理学、哲学、神经科学、数学等多个学科的交叉领域，所涉及的核心技术包含以下几点：
这是人工智能领域中最活跃、最重要的领域之一。它通过建立数学模型，利用大量的数据来训练机器，使机器能够根据数据的输入输出关系进行学习和预测。
它是人工智能的核心，现在也应用广泛的GPT等大模型都是以它为核心基础展开一系列的调整研究。
作为AI领域的一个重要方向，这个技术赋予了计算机理解和生成人类所使用的自然语言的能力，能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，也就是我们熟知的对话式AI。
能体现应用了自然语言处理技术的例子就有【混元大模型】，它通过将自然语言转化为计算机能够处理的语言形式，从而实现人与机器之间的自然语言交互。
它具备强大的中文创作能力，复杂语境下的逻辑推理能力，以及可靠的任务执行能力，主要覆盖有以下五大核心优势：
实际的使用中包含有文本生成、对话系统、机器翻译、语义分析等方面，它在文本内容的生成上，提供了文本润色、文本校阅的功能，可以自由选择写作风格。
它是指机器学习、模式识别、图像处理等技术应用于计算机视觉领域的研究。这种技术可以使机器“看懂”图片、视频和实际环境中的信息，进而进行识别、分析和推断等。
其中要说能直观体现这一技术的还得是图像生成的应用，我最近在用的这个【Styler】手机端软件，就能让大家很好的感受到，计算机视觉在图像处理中的自动化效果。
它是计算机视觉中图像生成的实际应用，可以仅用一张图片就让AI重新生成风格相似的新图像，利用AI生成绘画作品。
它内置有多种创作模型，包括：线D、卡通漫画、二次元、中国风等等，可供我们选择创作多种不同的画风。
可以按照我这个操作来快速上手体验：“点击AI创作——上传参考图——输入文本描述——立即生成”
语音识别技术是人工智能领域中的一个重要分支，属于机器学习领域。它利用计算机技术和算法，通过大量数据训练，使计算机能够识别和理解人类语言的声音，并将其转换为文本形式，从而实现智能语音交互。
例如【腾讯云语音】这个AI语音处理平台，提供有语音识别、语音合成等一系列语音处理服务。
在语音识别功能中，可以用于识别音频文件，同时还支持多语言识别，其中包括英语、日语以及上海话、粤语等方言的识别。
而语音合成功能中，它可以应用多个领域，例如：客服、新闻、配音等，提供了有多种不同类型的音色，能够将文本转换为拟人的语音，从而拥有智能化体验。
当然，AI不能仅停留在理论与研究，未来的智能终端落地才是重要方向，现如今人工智能也在走进我们生活，向着各个智能终端设备方向在渗透落地。
搭建人工智能服务平台，让更多的AI技术开放到各个行业领域的企业/个人使用，例如有【腾讯AI开放平台】，汇集多个AI技术能力，开放100多项AI能力接口，供行业使用。
提供先进的语音、图像、NLP等多项人工智能技术，共享AI领域新的应用场景和解决方案。
另一个贴近生活与我们息息相关的就是智能家居终端，在家庭产品自动化、智能化的基础上，通过网络按拟人化的需求得以实现。
举一个大家都比较熟悉的例子就是【小米米家】，围绕小米手机、小米电视、小米路由器三大核心产品，由小米生态链企业的智能硬件产品组成一套完整的闭环体验。
从走进家门那一刻开始，智能门锁可联动多款产品，进屋启动回家模式，空气自动净化等等，打造舒适的回家体验，实实在在地将人工智能带进家家户户。
好啦，以上就是分享的全部内容，看完别忘了给小林留下点什么，这样@小林不加班才有动力继续分享，整理比上班还累的哇~
其实人工智能的概念最早在20世纪50年代就第一次被提出，直到近几年，才迎来爆发式的增长，而且为人类社会带来更多的便利与效益。接下来，我们一起回顾一下人工智能是怎么实现从0到1+，又是应用到哪些领域中去的。
-1956年，在英国达特茅斯举办的人工智能夏季研讨会“人工智能”这个词被提出和讨论，这次会议也被认为是人工智能正式诞生的标志。
-1966年，人机首次对话。美国麻省理工学院（MIT）人工智能实验室的约瑟夫·维森鲍姆（Joseph Weizenbaum）开发了最早的自然语言聊天机器人ELIZA。
-1973年，早稻田大学造出第一个人形机器人WABOT-1，到了1980年，早稻田大学更新了设计，研制出了WABOT-2，第二代能够与人沟通。
-1997年，“深蓝”战胜人类国际象棋冠军。IBM的“深蓝”通过“穷举法（brute force）”或者说暴力计算的方式，战胜人类对手卡斯帕罗夫。
-2016年，AlphaGo与李世石的人机大战，将人工智能推到了风口浪尖，引爆了新一轮的人工智能热潮；
如今，随着科技的不断进步，人工智能（AI）已经成为了当今世界的热门话题。在过去的几年，AI已经在许多领域得到了广泛的应用：
1、制造：人工智能在制造的应用领域主要分为三个方面：智能装备、智能工厂和智能服务。
2、家居：智能家居主要是引用物联网技术，通过智能硬件、软件、云计算平台等构成一套完整的家居生态系统。
3、金融：人工智能在金融方面可以进行自动获客、身份识别、大数据风控、智能投顾、智能客服和金融云等。
4、医疗：智能医疗主要是起到辅助诊断、医疗影像及疾病检测、药物开发等作用。
5、教育：主要是指人工智能在教育领域实现信息化，利用数字化、网络化、智能化和多媒体化等基本特征进行开放、交互、共享、协作、泛在等信息技术促进教育现代化交流。
6、安防：智能安防市场应用广泛，其中主要应用在人体、行为、车辆、图像方面进行分析。
7、物流：物流利用智能搜索、推理规划及计算机视觉等技术仓储、运输、配送和装卸等自动化改革，实现了无人操作一体化。
8、交通：智能交通是通信、信息和控制技术在交通系统中集成应用的产物。主要通过智能设计路线出行的方法改善堵车、拥挤及交通事故等。
9、零售：人工智能在零售领域应用广泛，包括无人便利店、智慧供应链、客流统计、无人车和无人仓等。
经过60多年的迭代演进，人工智能已经从1956年达特茅斯会议上应运而生的概念变为如今触手可及的现实，人人都能接触AI，体验AI，享受AI带来的便捷和效益。
这是一款广告人会很爱的写作工具，它覆盖的内容很多，包括：文章创作、国内社交媒体、电商文案、视频脚本、SEO工具、海外广告和营销工具。
这款是我用得最多的一款AI写作软件，因为它的功能很丰富，可以满足我作为新媒体人的大部分需求，各种爆款标题、小说创作、种草文案等很细节的小工具，简直就是能写绘画小能手。
还可以进行AI绘画，它有【文字生图】和【以图生图】两种形式，都是很简单易上手的，对新手很友好~
文心一言前段时间已经全面开放了，是一款非常实用和易于使用的自然语言处理工具。它的使用方法简单，操作难度低，极大地方便了我们的工作。
通义千问是阿里版的ChatGPT，同样是能做数学会写代码，情书诗歌彩虹屁样样齐活。一个聊天框，几个功能提示，与其他大语言模型一样，通义千问的界面非常简洁，只要输入问题，就会得到回应。我觉得和文心一言的功能差不多，毕竟是两大巨头嘛~
这是一款将设计与AI深度结合的AI绘画软件，身边很多设计师朋友都推荐的这款，说只要打开「即时 AI」，描述一下你希望这张图片拥有怎样的画面，构建基础图形，控制颜色，调整布局后，AI 就能根据给出的信息，在几秒钟之内完成创作~
这是西湖心辰联合西湖大学研发的一款AI绘画工具。覆盖多模态模型训练和图像生成，包括二次元头像生成、图片设计，可应用于绘画、动漫游戏、运营策划和电商等领域，人人都可实现自己的创作梦。
最近WPS AI也正式面向社会开放，它是金山办公推出的AI工作助理，理解自然语言并生成回复，处理文档编辑、格式调整、搜索、数据分析、翻译、语音识别、智能推荐等办公场景，可以提高工作效率。
红杉资本(Sequoia Capital)9月14日发布《将生成式人工智能引入医疗保健》报告
描述了市场背景和GenAI的美国市场机会，对于有兴趣进入中国医疗保健领域的可以做很好参考
市场容量： 在美国，年支出就超过 4T 美元，其中 300B 美元是行政运营支出，大部分用于重复性劳动密集型流程。
市场背景： 在过去的十年中，许多新的医疗保健软件公司面临着不利的市场动态。提供商的经营利润微薄，往往不愿意为长期成本效益的承诺而花钱。
付款人的利润率也很低，而且是一个集中的买家群体，前 5 名参与者占据了 50% 以上的市场份额。 这些组织可能行动缓慢，销售周期可能非常长，为新贵创造了障碍。
3、提供与护理相关的产品体验（Zocdoc 帮助患者寻找医生和预约，Doximity 帮助医生相互联系）
另一方面，在核心医疗保健业务方面取得成功的案例却很少，罕见的亮点通常强调增加收入而不是降低成本（例如 Viz、Cedar）。 付款方的情况更加黯淡。由于对付款人采用新技术的顽固态度感到沮丧，一些初创公司转而进入付款人市场，但结果往往同样令人失望。
面向患者的工作流程非常适合LLM，因为它们是自然语言界面，需要灵活地解决各种条件和特殊情况。护理提供者、支付者和制药公司之间也有可能达成一致，从而创造货币化载体。
患者参与包括三个部分——咨询前发现、患者接受和咨询后护理依从性。发现和吸收非常适合生成人工智能，它可以访问非结构化数据以减少搜索摩擦并帮助患者更轻松地找到合适的提供者。
这里最好的机会是提高就诊后护理的依从性。患者只服用一半的慢性病药物，导致超过 100B 美元的不必要的医疗费用。
该解决方案可以很简单，只需自动发送短信和电话，提醒患者继续预约、服药并回答基本问题。这些任务目前由大批护士和病例经理完成。
例如，克利夫兰诊所每月接到 600 万个电话。由于付款人承担因病情加重而不遵守治疗的成本，而制药公司因未服用药物而损失收入，因此初创企业可以利用创造性的进入市场角度。
咨询期间的医患互动会产生大量手动流程工作，特别是将这些对话转录到 EHR 字段中并对其进行适当编码。这已经让医疗专业人员不堪重负，并且常常被指责为职业倦怠率上升的原因。目前估计有 10 万医疗抄写员，高于 2016 年的 2 万。每个抄写员每年平均支出为 40- 50万美元，这种看似狭窄的用例成本至少为 40 亿美元，不包括医生的机会成本。
从长远来看，这里的玩家拥有强大的平台潜力。他们可以深化捕获数据的功能，提供更好的参考和工作流程，并最终成为一流的记录系统。一些文档公司已经向下游扩展到编码和计费等领域。
这并不是一个新的见解，但有一个明确的“为什么现在”。上一代初创公司之所以失败，是因为技术还没有准备好，但这个问题很适合今天的LLMs，特别是 Whisper 和 GPT4 模型。讽刺的是，现在的风险是它太容易了，而且技术几乎肯定会商品化。在小型医疗系统和诊所市场中，初创公司需要为提供商运营创建一套一体化套件。
正如 Legaltech 所示，genAI 可以提供一个界面来组织、检索和综合复杂的医学事实、笔记和研究。传统上，医生不愿意接受新的工作流程，但其他用例可能容易受到攻击。例如，人们可以设想LLMs使医生能够查询大量的药物信息或为患者提供更个性化的护理。
大部分后台工作量源于付款人和提供商之间的激励冲突。提供商通常会根据服务而不是结果获得报酬。付款人自然会对提供者所声称的必要性表示怀疑，并且宁愿不支付服务或药物的费用。因此，付款人迫使提供商通过复杂的框架和艰巨的流程来证明其报销请求的合理性，并拒绝超过十分之一的索赔。付款人还需要手动审查和裁决索赔，这给付款人带来了负担。因此，双方雇佣了数千名护士和行政人员来处理这些任务。
事先授权是保险公司要求医生在向患者开某些药物或安排某些手术之前寻求批准的艰难过程。 2021 年，医生向 Medicare Advantage 付款人提交了超过 3500 万份事先授权请求，其中 200 万份被拒绝。支持人工智能的自动化让供应商、患者和制药公司（其激励措施都是一致的）抵御这种政府造成的死亡。LLMs能够以极高的准确性开箱即用地生成事先授权表格，这就是为什么如此多的初创公司从这里开始的原因。
这种需求可能会受到监管而消失。由于过去几年中预先授权的数量急剧增长，监管干预的可能性似乎越来越大。总体上减轻先前授权负担的新政策将大大降低这些产品的价值。而且，与人工智能抄写员一样，生成事先授权表格的技术也相当商品化，因此公司必须建立额外的工作流程才能承受。
医疗编码员阅读医生笔记并查看实验室，以确定诊断和程序的正确代码。这些代码随后用于保险计费。美国的医疗编码市场价值约为 $21B，包括约 35K 医疗编码员。尽管付出了如此多的努力，美国医院每年还是因编码错误而损失了近 20B 美元的收入，这导致了当地咨询公司的家庭手工业，帮助医疗服务提供者“发现”缺失的收入。
大多数传统解决方案都是基于规则的，但多模式LLMs可以整理非结构化的医生笔记、实验室面板和影像，以确定正确的诊断代码。自动化还可以减少与付款人之间的行政往来，并将自然而然地带来收入周期管理的巨大机会。文档领域的现有企业也将在这方面拥有巨大的优势。
医疗账单开具人在获得程序/就诊的代码后，会创建并向付款人提交医疗索赔。虽然索赔提交是自动的，但跟进却不是。对被拒绝的索赔进行调查和上诉、验证所有治疗的资格和福利以及与付款人打交道可能是医疗服务提供者系统最令人头疼的行政问题。 2022 年，所有医疗保险索赔中有 11% 被拒绝。
有两种方法可以攻击 RCM 市场：工作流程自动化或处理计费本身。自动化带来了一些技术风险和大量的现有优势（例如，UiPath 合并了LLMs），而计费则受到销售周期延长的影响。最好的切入点可能是随着时间的推移从相邻用例扩展到 RCM。
从历史上看，医疗保健领域的颠覆一直是困难的，机会之窗转瞬即逝且狭窄，但生成式人工智能最终可能会提供解锁。我们很高兴见到敢于重新构想未来几十年医疗保健的团队。
