第 19 章 应用 AI

第 19 章 应用 AI

前面十八章里我们攒下了从数学、ML、CV、NLP、语音、多模态到推理与系统设计的全部兵器——本章把它们一起带到真实产业的战场。从华尔街的时间序列、生物医药的蛋白质与分子、到医院里的影像与病历、再到能自主调用工具的 AI 智能体，应用 AI（Applied AI）研究的是：如何把一个在 benchmark 上表现优异的模型，变成一个能解决具体行业问题、能合规落地、能产生真实价值的产品。

本章简介

应用 AI（Applied AI）是把通用 ML 能力迁移到具体行业领域（domain）的一步。一个金融风控模型、一个预测蛋白质结构的系统、一个辅助医生读片的工具，背后用到的 transformer、扩散模型、GNN 往往和通用场景是同一套，但真正决定成败的是领域专属的数据、评估指标、约束条件和领域知识。本章按行业划分小节：金融（时间序列、算法交易、风险建模）、生物医药（蛋白质结构预测、蛋白质设计、药物发现）、智能体系统（工具使用、规划、多智能体）、以及医疗（医学影像、临床 NLP、药物安全）。需要诚实说明的是，本章是整本书里仍在迭代的一章——其中药物发现（第 03 节）、智能体系统（第 04 节）、医疗（第 05 节） 三个小节目前为占位内容，我们列出了它们将要覆盖的方向，详细正文会随后补充。即便如此，金融和蛋白质两节已经提供了扎实的入门要点，而所有小节的标题与方向也已就位，足以帮你建立全章地图。

本章小节

• 01 金融 AI（AI for Finance）：时间序列预测、算法交易（TWAP/VWAP）、投资组合优化（Markowitz、Black-Litterman、RL）、风险建模（VaR、蒙特卡洛）、欺诈检测、金融 NLP 与监管可解释性。
• 02 生物 AI（Protein Design）：蛋白质结构预测（AlphaFold 1/2/3、ESMFold、MSA transformer）、蛋白质设计（逆折叠 ProteinMPNN、RFDiffusion）、药物发现、生成式化学、基因组学、单细胞分析、医学影像与临床 NLP。
• 03 药物发现 AI（Drug Discovery）：分子表示（SMILES、图）、虚拟筛选与 docking、结合亲和力预测、生成式分子设计、ADMET 与成药性多目标优化（占位，待补充）。
• 04 智能体系统（Agentic Systems）：AI 智能体范式、工具使用（函数调用、代码执行、检索）、规划（ReAct、Tree-of-Thought、反思）、多智能体协作、可靠性与评估（占位，待补充）。
• 05 医疗 AI（Healthcare）：医学影像（CheXNet、nnU-Net、全切片病理）、临床 NLP（病历抽取、ICD 编码、试验匹配）、药物安全与药物警戒、健康监测、公平性与监管合规（占位，待补充）。

学习路径

• 前置知识：本章是高度综合的一章，建立在多章之上。第 6 章（机器学习）和第 7 章（计算语言学）提供序列模型、attention 和 transformer 的基础；第 8 章（计算机视觉）是医学影像小节的根基；第 9 章（音频与语音）和第 10 章（多模态学习）为跨模态医疗/生物任务做铺垫；第 11 章（自主系统）涉及规划与决策，是智能体小节的前置；第 12 章（图神经网络）直接支撑分子图与蛋白质图方法；第 17 章（AI 推理）则是把这些模型低成本部署到临床或交易系统时的工程保障。建议先有以上背景，再读本章会顺畅很多。
• 后续章节：第 20 章（前沿 AI）会介绍最新的研究方向，其中很多（如更长上下文的智能体、更强的蛋白质生成模型）直接对应本章的应用场景；如果你目标是 DeepMind、OpenAI 等公司的应用研究或应用科学家岗位，本章的方向选择本身就是面试里"你最想在哪个领域深耕"的素材。

关键概念速览

• 领域迁移（domain transfer）：把通用模型用到具体行业的关键一步——同一套 transformer，喂金融时间序列就是量化模型，喂氨基酸序列就是蛋白质模型，差别在数据、损失函数和评估指标。
• 蛋白质结构预测（protein structure prediction）：从氨基酸序列推出三维结构，AlphaFold 用共进化信号和 MSA 把这个五十年难题推到实验级精度，是 AI for Science 的里程碑。
• 逆折叠（inverse folding）：蛋白质设计的反问题——给定想要的三维结构，反推能折叠成它的氨基酸序列，ProteinMPNN 是当前的主力工具。
• 虚拟筛选（virtual screening）：在千万级化合物库里用 docking 和打分函数快速过滤出潜在命中物，是药物发现从"大海捞针"变成"可计算"的关键环节。
• AI 智能体（AI agent）：LLM + 工具 + 记忆 + 规划的组合体，能自主拆解多步任务并在环境里执行动作，是从"问答"到"办事"的分水岭。
• 药物警戒（pharmacovigilance）：药物上市后对不良反应的持续监测，AI 在这里主要负责从真实世界数据（病历、理赔、自发报告）里早期发现安全信号。