硅谷承诺 AI 将治愈疾病。制药公司 CEO 并不买账

来自硅谷的“AI 将在十年内治愈大多数疾病”的说法,遭到熟悉药物开发的人士强烈质疑。评论者指出,尽管 AI 已经在靶点筛选、蛋白质结构预测和试验设计等任务中提供帮助,但真正的瓶颈在于复杂混乱的生物学、缓慢且昂贵的临床试验,以及并不奖励彻底治愈的监管与财务激励。许多人认为 AI 确实有潜力提升制药效率和决策质量,但把近期会出现全面医学突破的承诺视为炒作,而非有根据的预测。

AI 在当今药物发现中的角色

  • 评论者指出,制药业已经将 AI/ML 用作“副驾驶”:靶点筛选、候选分子设计、患者分层,以及复杂数据分析。
  • 许多人认为这很有价值,但远谈不上“AI 自己治愈疾病”。
  • 也有人强调,AI 不必亲自治愈疾病才算有影响力;即便在候选分子质量、试验设计或文书工作上只有温和改进,也可能很重要。

瓶颈:试验、生物学与复杂性

  • 反复被提到的一点是:药物发现不是主要瓶颈;临床测试(6–10 年)和高失败率(常被引用约 80–90%)才是。
  • 生物学被描述为混乱、非决定性且多尺度的;我们缺乏能可靠地从分子预测整个有机体或群体效应的模型。
  • 即使有完美模拟,长期安全性以及不同人类之间的差异性也不能被跳过。

炒作、时间表与被误述的主张

  • 一些评论批评“AI 将在 5–10 年内治愈大多数人类疾病”的说法极其激进或具有误导性。
  • 有人将更温和的说法(AI“可以加速”医学)与更强的说法(“治愈大多数疾病”)区分开来,认为媒体把它们混为一谈。
  • 也有人把这与过去的技术炒作(加密货币、NFT)相比,认为又是一个被夸大的承诺。

数据、模拟与“AI 形状”的问题

  • 缺乏全面、带标签的临床试验数据(成功与失败)被视为一个核心限制。
  • 一些人认为,AI 驱动的试验结果预测或更好的停止规则是可行的,即便只是小幅改进。
  • 另一些人则认为,人类生物学中的输入—输出映射过于复杂,不像数学或代码那样容易适配当前的 ML。

伦理、激励与官僚主义

  • 对官僚体系主要是在保护安全,还是在无谓拖慢进展,存在分歧;有些人援引“系统的目的就是它们实际做的事”这一观点。
  • 对制药激励机制持怀疑态度:有人声称公司更偏好慢性管理而非治愈,而监管和利润会塑造哪些“解决方案”被视为可接受。
  • 一些人希望 AI 能够浮现出禁忌或政治上令人不适的生物医学策略(例如胚系干预),而另一些人警告,AI 本身也会受到政治、偏见和中心化的影响。

自动化、湿实验室与风险

  • 有人对闭环系统感兴趣,在这类系统中 AI 设计实验,而自动化实验室负责执行;这既被视为有前景,也可能很危险(例如加速生物风险)。
  • 多位评论者强调,任何可想象的“全自动实验室”都无法消除对人类试验和长期观察的需求。