小智能体群是数字健康的未来

大语言模型（LLM）在数字健康中的快速普及，一直由“扩展优先”理念所驱动，即假设临床智能随模型规模与数据量而增长。然而，现实世界的临床需求不仅包括有效性，还包括可靠性与合理的部署成本。由于临床决策本质上具有协作性，我们质疑单一整体的扩展范式，并追问小智能体群（SAG）能否支撑更好的临床推理。SAG通过一个协作商议过程来分配推理、循证分析与批判性审查，从单模型智能转向集体专长。为评估SAG的临床效用，我们使用涵盖有效性、可靠性与部署成本的多样临床指标开展了大量评估。我们的结果表明，无论是否附加优化或检索增强生成，SAG均取得了优于单个巨型模型的表现。这些发现表明，SAG所代表的协同推理可以在临床场景中替代模型参数增长。总体而言，SAG为数字健康提供了一个能更好平衡有效性、可靠性与部署效率的可扩展方案。