为什么AI短期内无法治愈癌症

“在当下，说AI将治愈癌症，与其说鼓舞人心，不如说已是陈词滥调，而且大多数人认为这具有欺骗性，”Anthropic首席执行官达里奥·阿莫迪上周末在推特上写道。“真正有效的是实际治愈癌症。我认为，对包括Anthropic在内的AI公司最中肯的批评是，我们尚未兑现造福世界的重大承诺。这完全是我们自己的责任。”

一段时间以来，提及“治愈癌症”——如果不是“治愈所有疾病”——几乎已成为AI首席执行官们传达信息的普遍特征。

“如果AI沿着我们认为的轨迹发展，那么惊人的事情将成为可能，”OpenAI首席执行官萨姆·奥尔特曼去年9月在博客中写道。“也许有了10吉瓦的计算能力，AI就能找出治愈癌症的方法。”

2020年至2024年间，超过700亿美元被投入将AI融入生命科学领域。全球范围内，AI数据中心已利用估计30吉瓦的计算能力，每周都有新合同和建设项目公布。然而，每周仍有超过18.8万人死于癌症。没有一种AI发现的药物——至少没有一种被如此标注的药物——上市。

阿莫迪推文传达的信息是，AI行业未能赢得公众信任，而其救赎之路在很大程度上取决于实现生物医学奇迹。前沿AI开发者正竞相构建自我改进的AI模型，其假设是：要解决像癌症这样令人绞尽脑汁的难题（更不用说所有疾病了），我们需要超级智能。事实上，对超级智能是否足够的怀疑，常常被斥为未能理解超级智能AI全部辉煌潜力的表现。

作为一个凡人，我很想打开一个聊天窗口，自信地输入：“治愈癌症。不要犯任何错误。——危险地跳过权限。”但有很多理由说明，无论数据中心里有多少天才，都无法突破一些令人沮丧的人类问题——这些问题横亘在我们与无癌未来之间——至少不会像阿莫迪期望的那么快。

要将原始智能转化为可操作的发现，你需要仪器、机构，最重要的是，真实世界的数据。细胞不会瞬间分裂，小鼠需要时间繁殖。人类可能需要整整一生来生病和康复。无论多么神一般的硅基大脑，都无法绕过这一点。

五年前，就在新冠疫苗让大学实验室大多重新开放几个月后，我和一位研究生时期的朋友一起吃了墨西哥卷饼。他是一位结构生物学家，深入研究神经元膜上的一种特定蛋白质，将细胞快速冷冻，然后在电子显微镜下拍照。

“你看到这个新的AlphaFold数据库了吗？”他问道。“我觉得我一直在研究的一切……都做完了。”

蛋白质是由氨基酸组成的长链，以精确的三维结构缠绕在一起，这决定了它们能附着在什么上。而弄清蛋白质的精确形状历来非常困难。我的朋友用极其强大的显微镜拍摄蛋白质照片，这些照片看起来像灰色的斑点，暗示着下面缠绕的绳索。要让少量蛋白质在分离状态下存活足够长的时间以便被拍摄到，可能要让一位博士生研究人员耗费二十多岁的大好年华。

2021年7月的那一天，DeepMind发布了人体内每种蛋白质的预测三维结构。人类研究人员花了大约50年时间才手动完成其中一半工作，这一成果在2024年获得了诺贝尔奖认可。

数据瓶颈可能减缓超级智能竞赛

它之所以效果这么好，是因为它解决了生物学中最容易处理的问题之一。巧的是，DeepMind可以访问蛋白质数据银行（Protein Data Bank），这是一个预先存在的、包含干净标准化输入的大型数据集。它还确切知道要输出什么：一个三维形状，就像它被训练的那样。而且科学家们已经有工具来检查预测是否正确——他们世世代代都在自己做这件事。结构生物学家实际上被当作训练数据来挖掘。

“治愈癌症”是一个棘手得多的问题。没有癌症数据银行，我们希望AI产出的东西可能是从一个小分子药物到活细胞疗法的任何东西。科学家需要的数据并不存放在某个低温冷冻柜里等待整理。它必须以自然衰老的速度生长，且不完美。超级智能无法加速时间。

生物学跨越多个抽象层次，从单个分子到整个生物体。处于分子层面的问题对AlphaFold等AI模型来说最容易解决，但也离AI公司需要治愈的疾病最远。

虽然囊性纤维化和镰状细胞贫血等疾病可以归因于单一的分子元凶，但绝大多数人随着年龄增长不得不担心的疾病——癌症、心脏病以及阿尔茨海默病等神经退行性疾病——却无法如此归因。这些病症甚至算不上严格意义上的“疾病”。“癌症”一词实际上涵盖了200多种不同的疾病，每种都影响不同的细胞类型和身体部位组合。即使是听起来很局部的疾病，比如乳腺癌，其影响也远不止乳腺组织。在单个肿瘤细胞转移之前，它就已经通过血液向其他器官发送化学信号——蛋白质——为癌症的到来做准备。AlphaFold可以完美预测所有现存蛋白质的结构，甚至更多，但我们仍然无法更接近理解它们为何会触发转移，或如何阻止转移。

在计算机上模拟分子间的相互作用，甚至在培养皿中摆弄细胞，都无法捕捉这些复杂性。要理解多个器官系统如何在疾病和健康状态下协同工作，研究人员需要在真实的生活实验室中观察它们——至少目前，是在活生生的、会呼吸的、会长肿瘤的动物体内。“对于需要我们生成无法规模化扩展的数据的问题，AI将遇到瓶颈，”Gordian Biotechnology的创始人兼首席科学官Martin Borch Jensen告诉Transformer。

AI在科学领域发挥作用已有多年。基础的机器学习技术在大规模生物医学研究中几乎无处不在，并且被用于开发本周登上头条的Moderna癌症疫苗。但将此作为“癌症疫苗现在正被AI发现”的证据——正如许多硅谷人士在X平台上所做的那样——是极大的牵强附会。一期临床试验始于2022年9月，比ChatGPT的发布早了几个月。临床前药物开发在那之前已经进行了多年。

你说的是今天的AI模型！一旦有数十亿超级智能和机器人军队运营实验室，它们会设计出比我们更好的实验。它们需要的测量更少，并能模拟我们无法进行的测量。它们会在被遗忘的数据集和PDF文档中发现模式。你只是没有感受到ASI（超级人工智能）的力量，兄弟。相信我，兄弟。它会从第一性原理模拟人类状况。

诚然，生物学中的许多问题可以借助一点额外的智能来解决。天知道我在神经科学博士期间编写的脚本有多么令人尴尬，AI本可以大大改进它们。超人AI可以显著改善每位研究人员的工作流程，从锁定哪些实验值得进行到简化数据处理管道。

但当一种疾病的进展尚未在活体内被完整记录时，AI无法模拟其进展。与气象学等领域不同——研究人员可以用方程描述大气——我们并不理解生物学的规则。我们无法列出身体所含的一切，更不用说每种成分的作用了。AlphaFold并不是从第一性原理推导出蛋白质结构的——它是从一代又一代生物学家拍摄真实蛋白质的照片中学习而来的。

未被测量的东西无法成为训练数据。而必须测量的东西往往极其难以测量。假设你试图弄清楚为什么肿瘤对药物不再响应，于是你进行活检。该组织样本给你一组细胞，定格在某一时刻——聊胜于无，但对于一群携带不同基因突变、快速生长的细胞来说，这是一个极其不完整的代表。你无法观察它们进化，因为测量细胞内的物质会杀死细胞。而任何你可以观察进化的癌症模型，比如培养皿中实验室培养的组织培养物，几乎无法捕捉活人体内的复杂性。

人们或许梦想着这样一个世界：极其灵巧的机器人可以为我们完成这一切，在满是患癌实验鼠的仓库中不知疲倦地测试候选药物。但专注于长寿的生物技术公司NewLimit的联合创始人兼CEO Jacob Kimmel表示，工业机器人仍然难以胜任生物学研究，无论人们多么渴望将实验室工作分配给机器人。

与制造业不同——在制造业中，机器人可以一遍又一遍地重复相同的编码运动序列——生物医学研究需要基于微弱信号做出大量微小的实时决策。基梅尔认为，超级智能与物理硬件开发相结合，可以使自主湿实验室研究变得更加现实。在某些情况下，机器人已经在湿实验室中执行某些易于自动化的任务。但基梅尔表示，“人类的手仍然是一个极其复杂的物体，我们无法复制任何接近它的东西。”要做到这一点，我们首先需要解决物理智能这一极其困难的问题。即使机器人技术以超人般的速度进步，该领域仍需要数年甚至数十年的时间，才能制造出能够处理扭动的小鼠幼崽、或感知电极放置不当所产生的阻力感的机器。

但我们的ASI拥趸朋友插话说，人们做生物医学研究已经几十年了，周围肯定积累了一堆数据！为什么AI公司不直接抓取这些数据，就像Anthropic抓取那些旧书一样？

虽然确实有一堆生物医学数据散落各处，但大多数软件工程师看到这些数据的状况都会感到震惊。不到十年前我刚开始读研究生时，老师教我用老式电脑上运行的小众授权桌面软件，并把手术测量结果记录在普通的宽行笔记本上。“没错，我们有一堆又一堆的数据，”药物化学家德里克·洛写道。“但我们不知道如何清理和分类这些数据……说实话，我们甚至不知道它们是否还能被清理。”在生物医学的大部分历史中，数据的收集并不是为了喂给大语言模型。重要的变量几乎肯定没有被记录，或者被困在布满灰尘的软盘和实验室笔记本中。

越来越多的生物技术公司正在承担大规模开展湿实验室实验的使命，为未来的AI创建高质量的生理训练数据集。Playground Global的乔里·贝尔负责AI驱动的生物学投资，他告诉Transformer，如今他那些以AI为核心的生物技术投资倾向于青睐“那些在目前缺乏现有数据集的生物学领域或模式中工作、并开发出独特方法来构建该数据集的公司”。

其中一些实验可以实现自动化，由机器人在数百个组织样本上并行运行对照试验。但在许多情况下，研究人员无法逃避这样一个事实：无论AI能力多强，生命都以一定的速度向前推进。最重要的测量——包括一种药物是否能切实延长癌症患者的生命——需要最长时间才能完成。研究长寿问题的基梅尔深切感受到了这一瓶颈的压力。例如，当你在优化灵长类动物的寿命时，“你就是无法以任何务实的方式扩展‘灵长类动物寿命’的测量。”

在他最近的论文《AI指数时代的政策》中，达里奥·阿莫迪写道：“……虽然AI本身可能会带来迅速出现且我们毫无处理经验的新挑战，但被AI加速的其他领域可能会遇到一个截然不同的问题：为较慢创新速度而设计的监管体系，尚未准备好应对AI将带来的新产品和新进展的洪流。”

具体而言，他预测了一个AI大幅提高新药数量和质量未来，并呼吁进行监管改革，让高质量候选药物能够快速通过审批流程。“如果我对AI的预测是正确的，”阿莫迪写道，“很快就会出现许多效果出奇地好的干预措施，监管体系应该准备好认真对待它们，而不是采取过度怀疑的姿态。”

马克·扎克伯格在本月早些时候发表的宣言（这份宣言确实奇怪且广受批评）中，也呼吁美国政府“通过简化FDA和其他监管机构测试和批准新疗法的方式，加速社会开发新疗法的能力”。总体情绪似乎是：科学即将突飞猛进，监管机构需要让路。

AI测试是危险的。它能被修复吗？

说临床试验体系需要改革远非惊人之论——许多科学家都会同意。但撰写药物开发相关文章的科学家鲁克桑德拉·特斯洛反对阿莫迪提出的那种改革方案。诚然，官僚主义慢得令人沮丧。但拖慢临床试验的部分原因是其终点指标。要确定一种新型癌症治疗是否能提高生存几率，或增加患者至少五年保持完全缓解的可能性，你只能等待。特斯洛指出，提高药物有效的概率并不会加快证明这一点的过程。

她主张开展更多、更快的早期人体试验，而阿莫迪则希望这些试验能降低门槛。双方都希望有更好的终点指标，从而将等待时间从“直到患者死亡”缩短到“直到某生物标志物达到某水平”。这多少有些循环论证：强大的AI可以帮助验证生物标志物，从而加速人体临床试验。但训练这些模型所需的数据，首先必须来自人体临床试验——而就目前而言，这些试验仍只能以现有的速度推进。

“AI能治愈癌症吗？不能，”Dyno Therapeutics联合创始人兼CEO埃里克·凯尔西克表示。“AI会成为我们治愈所有疾病的关键一环，并以此治愈癌症吗？”他继续说道，“绝对会。”

如果你抛开那些宣称“解决所有疾病”或“解码生物学，从根本上改善生活”的夺目口号，就会发现，即便是最乐观的CEO们，也会在项目规划中考虑到AI无法逾越的生物学和时间限制。“你必须找到一个AI方法能直接给出答案的问题，”贝尔说。

作为投资人，贝尔担心的是，那些以治愈所有疾病为承诺、融了数百万甚至数十亿美元的公司，如果最终未能兑现承诺，可能面临的反噬。可能会出现“对AI破解生物学复杂性能力的幻灭循环”，他说。“那些公司，你知道的，可能是在污染水源，”削弱人们对AI实用性的信心。

AI公司宣称要治愈癌症的时间越久，人们就越会期待癌症真的被治愈。在不久的将来的某个时刻——或者也许，就在不久前的过去——AI带来的所有切肤之痛都将不再值得。伯克利AI教授艾玛·皮尔森曾是达里奥·阿莫迪的学生，她携带一种基因突变，使她患乳腺癌的概率约为四分之一。尽管如此，她写道：“我愿意为治愈多等一段时间——即使这意味着失去生育能力、活在风险的阴影之下——如果这能让我们更谨慎地走近这个新世界，确保在治愈癌症的同时，不失去那些让癌症值得被治愈的东西。”

无论如何，当下这种“相当强大但尚未达到超级智能”的AI，仍然可以也应该被应用于生命科学领域。它的效用是不均衡的：在数据已存在的地方能带来颠覆性改变，在数据缺失的地方则为时过早。结构预测模型已经让设计和优化新药变得更容易，至少加速了研发管线中一个重要环节。正如阿莫迪所预测的那样，从长远来看，这可能让一些临床试验变得更快、更便宜。人类研究人员带着比十年前更充分的认知，可以开始填补生理学上的空白，教会他们的硅基实验室伙伴足够多的生物学知识，让它们有朝一日能够模拟生物学那纷繁复杂的全部面貌。人类——尤其是美国人——也可以开始修复他们严重破损的生物医学研究体系。

“生物医学和整个科学最终的瓶颈，不仅在于我们拥有多少聪明才智——无论这聪明才智来自电子，还是来自曾经是食物的电子——更在于我们走出去收集宇宙中最有用观察的能力，”基梅尔说。科学家仍然需要测试药物、分析活检样本、观察结果。AI不会简单地“治愈癌症”。但它可以指引科学家走向那些缓慢、不起眼、需要亲身实践的物理工作——而正是这些工作，或许终将带来治愈。