AI巨头宣称能治愈癌症，但现实远非神话。AI加速药物研发，优化效率，却需多年验证，离“消灭疾病”仍有距离。

相关前文：DeepMind掌门人预言：十年内AI将终结所有疾病 - 煎蛋

硅谷的科技大佬们信誓旦旦，宣称疾病的终结指日可待。不是因为癌症研究突飞猛进，也不是因为解决了美国医生短缺的难题，而是归功于生成式AI的突破。Demis Hassabis，Google DeepMind的掌门人，刚凭AI研究摘得诺贝尔奖，他在上周日豪言，AI将在五到十年内破解重大科学难题，助力“治愈所有疾病”。本月早些时候，OpenAI推出新模型，吹嘘它们能“生成并评估生物学新假设”。Anthropic的联合创始人Dario Amodei去年秋天也放言，AI将带来“癌症的终结”。这些高管显然在为自家产品造势，但这些宏伟蓝图里，究竟有多少实现的可能？

过去几周，我走访了多家大学、药企和研究机构，与Pfizer、Moderna、Memorial Sloan Kettering癌症中心的科学家和高管深入交谈，试图弄清AI在癌症研究中能做什么，又有哪些局限。AI公司的宣传确实夸张：即便明天OpenAI或Google的模型提出了一种看似可治愈某种癌症的药物，这药物仍需多年实验室和人体试验来验证安全性和有效性。Alex Zhavoronkov，Insilico Medicine的CEO，这家用AI驱动药物设计的生物技术公司告诉我，药物研发有严格的“交通规则”，这些规则存在是有道理的。

然而，Insilico已用AI设计出多款药物，顺利通过早期试验。Hassabis的AlphaFold模型被制药和生物医学研究者广泛应用。我发现，生成式AI对科学的贡献远超预期，但远不及它的创造者宣称的那样革命——它更像一辆更快的老爷车，而非无人驾驶的跑车。比如，Rafael Gómez-Bombarelli，MIT的化学家，专注于用AI设计材料，他告诉我，科学家如今用AI工具处理信息、总结文献，就像用Deep Research代替Google搜索，省去逐篇阅读十篇论文的麻烦。“这已经是板上钉钉的胜利，”他说。

但好科学家从不盲信AI。Andrea Califano，Columbia的计算生物学家，研究癌症时常向ChatGPT和DeepSeek求助，这已成为他的日常。最近一次，他让AI帮忙整理一份手稿的参考文献，结果AI给出一串令人叹为观止的列表——作者、论文、出版物一应俱全，可惜全是捏造的。OpenAI发现，其最新模型o3和o4-mini“幻觉”(自信地输出错误信息)的概率比前代o1高出两到三倍。即便AI研究工具完美运行，它们的强项也只是总结，而非创新。Gómez-Bombarelli坦言，这些工具在“真正的新推理和创意”上表现不佳。它们被训练来整合现有数据，却常常“无中生有”；被要求创新时，又显得力不从心。

为了驾驭AI的“幻觉”倾向，新一代AI系统被定位为协作工具，辅助判断创意。Google研究者在二月发布了一款“AI共同科学家”系统，由一系列微调的语言模型组成，能研究问题、提出假设并评估，模仿人类科学团队的协作方式。Vivek Natarajan，Google的AI研究员，也是该系统论文的主作者，告诉我，这套系统通过“创意锦标赛”排名假设的质量，类似AI象棋程序通过自我对弈提升。他希望赋予人类科学家“超能力”，至少是更高效的头脑风暴工具。

这种排名的价值可能需要数月甚至数年验证。目前，“AI共同科学家”仍局限于生物医学研究，仍在接受人类科学家的评估。但它的输出已显露潜力。Tiago Costa，伦敦帝国理工学院的传染病研究者，分享了一次测试经历。他的团队在细菌进化问题上取得突破，尚未发表成果，AI训练数据中不可能包含这些信息。他好奇Google的系统能否独立发现这一突破。Costa团队向AI提供了问题概述、相关文献和核心问题。系统运行两天后，返回五个可验证的假设，排名第一的假设与团队的关键实验结果完全吻合。AI似乎重现了他们的发现。

这一假设的推理简单明了，AI通过关联另一研究领域，得出人类团队耗费数年才得到的结论。José Penadés，Costa的合作者，坦言人类被长期假设“蒙蔽”，而AI没有这种偏见，迅速找到答案。“如果五年前有这个工具，研究会快得多，”他说，“答案其实很简单，这让我有点沮丧。”AI并未创造全新范式，只是高效整合了海量信息，而这已足够。人类科学家已积累了浩瀚知识，或许最有用的AI不是取代这种能力，而是锦上添花。

另一种AI则试图“说”生物学的语言。AlphaFold等模型不依赖网络文本，而是基于实验数据训练，比如蛋白质三维结构和基因表达。这些模型能快速应用模式，处理的数据量远超人类团队一生所能分析。传统机器学习算法早已用于此类任务，但生成式AI能让这些工具如虎添翼。比如，AI能挖掘老药新用，或发现体内新受体作为治疗靶点。Sriram Krishnaswami，Pfizer肿瘤学部科学事务负责人告诉我，这能大幅提升“时间效率和成功概率”。Pfizer已用内部AI工具发现两个可能治疗乳腺癌和前列腺癌的靶点，正在测试中。

在药物设计中，生成式AI还能帮助科学家更高效地平衡分子特性、副作用等因素。Wade Davis，Moderna数字业务负责人告诉我，mRNA序列的可能性多到令人咋舌——仅新冠疫苗中编码刺突蛋白的序列就有10⁶³²种，远超宇宙中原子的数量。AI能大幅缩小值得探索的范围。Pratyush Tiwary，Maryland大学的化学物理学家，应用AI方法，他认为AI可能永远不会“发现”新药，但它能缩小搜索空间，减少科学家需亲自验证的可能性。

AI的终极成就，或许只是大幅提升科学效率，就像办公软件优化日常工作。Anaeze Offodile II，MSK的首席战略官，提到药物研发的全周期，“如何压缩时间？”AI可能将周期从20年缩短到15年。Zhavoronkov估计，AI能减少约三年时间，并提高成功率。但局限也很明显。比如，AI在预测蛋白质结构上很成功，但常提出无法合成的分子结构。Gómez-Bombarelli指出，AI要革命生命科学，预测不仅限于蛋白质折叠或受体结合，还需涵盖体内复杂的信号级联，而高质量的生物实验数据稀缺是最大瓶颈。Califano强调：“最重要不是设计最佳算法，而是提出正确问题。”机器需要人类提供的知识，至少在可预见的未来，它们无法自行生成。

但与人类协作或许能改变局面。Gómez-Bombarelli在Lila Sciences担任首席科学官，这家初创公司建了一个实验室，设备由人类科学家和生成式AI共同控制，模型可在循环中测试和优化假设。Insilico在中国也有类似机器人实验室。Califano参与了Chan Zuckerberg Initiative领导的全球项目，打造AI“虚拟细胞”，模拟人体生物过程。提出“新奇”创意不是主要问题，“假设很廉价，”Gómez-Bombarelli说，但“验证假设耗资百万”。将数据丢进黑箱处理已让语言处理大放异彩，但治病远非如此简单。设计科学AI需要理解问题、提出恰当问题、筛选相关数据，并实验验证结果。换句话说，打造科学AI本身就是一门科学。

本文译自 The Atlantic，由 BALI 编辑发布。