目前很难确切地说哪种 AI 最好用，因为这取决于具体的应用场景和需求。
在医疗保健领域，为了产生真正的改变，应投资创建像优秀医生和药物开发者那样学习的模型生态系统。例如，通过学校教育和经验积累，培养处理复杂情况和细微差别的直觉，先训练基础学科模型，再添加特定领域数据点。
在获取信息和学习方面，免费选项中，必应是较好的选择；对于儿童，可汗学院的 Khanmigo 提供了由 GPT-4 驱动的良好辅导。但使用 AI 作为搜索引擎时需谨慎，存在幻觉风险，不过在某些特定场景如技术支持、决定吃饭地点或获取建议时，必应可能比谷歌更好。
另外，大型语言模型在一些问题上取得了进展，在神经科学中也有广阔应用前景，如今有更先进的工具用于解码大脑状态和分析复杂脑部活动。
毫无疑问，AI将不可逆转地改变我们如何预防和治疗疾病。医生将把文档工作交给AI书记员；初级医疗服务提供者将依赖聊天机器人进行分诊；几乎无穷无尽的预测蛋白结构库将极大地加速药物开发。然而，为了真正改变这些领域，我们应该投资于创建一个模型生态系统——比如说，“专家”AI——它们像我们今天最优秀的医生和药物开发者那样学习。成为某个领域顶尖人才通常以多年的密集信息输入开始，通常是通过正规的学校教育，然后是某种形式的学徒实践；数年时间都致力于从该领域最出色的实践者那里学习，大多数情况下是面对面地学习。这是一个几乎不可替代的过程：例如，医学住院医生通过聆听和观察高水平的外科医生所获取的大部分信息，是任何教科书中都没有明确写出来的。通过学校教育和经验，获得有助于在复杂情况下确定最佳答案的直觉特别具有挑战性。这一点对于人工智能和人类都是如此，但对于AI来说，这个问题因其当前的学习方式以及技术人员当前对待这个机会和挑战的方式而变得更加严重。通过研究成千上万个标记过的数据点（“正确”和“错误”的例子）——当前的先进神经网络架构能够弄清楚什么使一个选择比另一个选择更好。我们应该通过使用彼此堆叠的模型来训练AI，而不是仅仅依靠大量的数据，并期望一个生成模型解决所有问题。例如，我们首先应该训练生物学的模型，然后是化学的模型，在这些基础上添加特定于医疗保健或药物设计的数据点。预医学生的目标是成为医生，但他们的课程从化学和生物学的基础开始，而不是诊断疾病的细微差别。如果没有这些基础课程，他们未来提供高质量医疗保健的能力将受到严重限制。同样，设计新疗法的科学家需要经历数年的化学和生物学学习，然后是博士研究，再然后是在经验丰富的药物设计师的指导下工作。这种学习方式可以帮助培养如何处理涉及细微差别的决策的直觉，特别是在分子层面，这些差别真的很重要。例如，雌激素和睾酮只有细微的差别，但它们对人类健康的影响截然不同。
最佳免费选项：[必应](https://www.bing.com/search?q=Bing+AI&showconv=1&FORM=hpcodx)付费选项：通常必应是最好的。对于儿童，来自可汗学院的[Khanmigo](https://www.khanacademy.org/khan-labs)提供由GPT-4驱动的良好的人工智能驱动辅导。如果您打算使用人工智能作为搜索引擎，可能不要这样做。幻觉的风险很高，无论如何，大多数人工智能都没有连接到互联网（这就是为什么我建议你使用必应。Bard，谷歌的人工智能，产生了更多的幻觉）。然而，[根据最近的一项试点研究](https://arxiv.org/abs/2307.01135)，有一些证据表明，如果仔细使用，人工智能通常可以提供比搜索更有用的答案。特别是在搜索引擎不是很好的情况下，[如技术支持、决定在哪里吃饭或获得建议](https://twitter.com/emollick/status/1643718474668097538?s=20)，必应通常比谷歌更好。这是一个正在迅速发展的领域，但您现在应该小心这些用途。[你不想惹麻烦。](https://www.nytimes.com/2023/06/08/nyregion/lawyer-chatgpt-sanctions.html)
我认为大型语言模型已经解决了这个问题，虽然乔姆斯基可能还不认可，但大多数人都已经意识到了。此外，人工智能在神经科学中的应用前景广阔，尤其是现在我们拥有了更先进的人工智能工具，可以广泛用于解码大脑状态和分析各种复杂的脑部活动。这与10到15年前我们所做的工作相比，如今我们具备了更强大的技术手段，能够在这一领域取得更大的进展。