云端GPU跑肿瘤AI，一周踩坑

上周团队接了个内部验证，想看看能不能用AI辅助筛选肿瘤免疫相关的数据。痛点很直接，本地M2 Max一开训练脚本，风扇先起飞，数据还没跑完，显存占用先飘红。我们这种三十人创业公司，最怕为一个小demo先买一堆卡，所以我就用已经用了大约一个月的云端GPU搭了个流程。

第一天我主要搭数据清洗。工具用的是GLM Coding Plan，刚上手不到一周，也算这几天在试。它生成Python脚本确实快，把样本编号、突变位点、表达量这些字段对齐，基础代码几分钟就能出来。卡点也来得快，医疗相关公开数据里缺失值、单位不统一、字段名乱写，模型生成的代码看着像对，一跑就报索引错误。我让它改，它改了两三轮，最后我还是加了日志和异常分支。把错误栈直接丢回去，它能比较快定位到是空值还是字段映射错，省了我让初级工程师反复查文档的时间。

第三天我把清洗后的小样本丢到云端GPU上。云端GPU就是把模型放到远端服务器显卡里算，不用自己机房。我这几天在试Lambda，一个云端GPU租赁服务，界面里任务状态从排队到运行，日志里默认批量太大，显存直接爆，改小以后才跑通。真正让我停下来想的是排队和配额。最近看到Arm CEO Rene Haas说AI癌症疗法被芯片短缺拖慢，还说当前建模一个DNA标记，也就是基因变异或表达特征，如何受癌症影响，太复杂。跑了一轮后，我把它看成创业公司的账。你算的是HBM这种高带宽显存、存储芯片、供应链、机房电力和可预留的算力窗口。国产GPU我昨天才刚碰，适配成本还没算完，不敢拿来救火。

一周后，我把这个验证拆成一条小流程。样本不追求多，先跑通从清洗、训练、推理到人工复核。我还试了刚上手两天的AI Agent，能自动跑任务的模型程序，让它整理实验日志和失败原因，但不让它自动改模型或提交结果。自动化之外，必须保留人工复核和日志审计。T细胞、pMHC这些词第一次出现时团队里有人问，我就解释成免疫细胞通过细胞表面片段识别异常细胞，AI的工作是帮人更快缩小候选范围。大西洋月刊那边有文章认为AI不太可能很快治愈癌症，我觉得这个提醒有用，AI能加速筛选，疗法判断仍要人来做。

结论是看情况。如果你已经有数据团队，能处理脏数据，也有临床或生物信息合作方，只是想做原型验证，云端GPU加AI辅助写码这套可以试，它能把过去几周的环境搭建和脚本调试压缩到几天。如果你指望它直接发现癌症疗法，或者现金流紧到无法承担排队、适配、人工复核这些隐形成本，不推荐。落地要先搭起从清洗、训练、推理到人工复核的小流程。医疗AI的竞争可能先从模型转向数据管道和算力调度。小样本里稳定复现结果，比堆模型更重要。

---

📌 本文编译自 Hacker News，原文 https://www.bbc.com/news/articles/c0m39g7xzevo

版权归原作者所有，本文为基于公开报道的编译与独立分析。