全球科學界的熱點在哪兒，頂科論壇的聚光燈就在哪兒。“AI制藥”和“AI for Science”無疑是今年最燙手的關鍵詞。

AI制藥到底走到了哪一步？AI設計出的新藥算不算科學發現？AI會取代科研人員嗎？圍繞這些問題，大江東-復旦融媒體創新工作室對話三位出席頂科論壇的頂尖科學家，聽他們談AI制藥的現在與未來，談AI時代的科學與人。

出場人物

邁克爾·萊維特：2013年諾貝爾化學獎得主、美國斯坦福大學結構生物系教授

丹妮拉·羅茲：2023年世界頂尖科學家協會獎“生命科學或醫學獎”得主、英國劍橋MRC分子生物學實驗室名譽課題組負責人

帕斯卡爾·梅耶：2022年生命科學突破獎得主、Alphanosos公司聯合創始人兼首席執行官

01

患者模型能代替人體試驗嗎？

大江東：臨床試驗得靠雙盲試驗和受試者來驗証安全性和有效性。未來有沒有可能，讓AI訓練出來的“患者模型”先替人類試一遍？訓練這樣的模型需要哪些數據？離實際應用還有多遠？

萊維特：一些新藥對你療效很好，對另一個人卻副作用很大。如果我們擁有虛擬的患者模型就好了——數字替身，可以記錄一個人的各項體征，試藥時模型會提示：該藥對攜帶這類基因、這個年齡、這個地域、這個性別的人，會引發胃痛等副作用。算法能測量生化系統，直接給出結論。30多年前就有人做糖尿病的計算機模型，現在我們隻需要把這種方法拓展到所有疾病上。

我們已有毒性相關模型：哪些物質有毒、哪些無毒、哪些代謝后變毒物、哪些兩兩混合才產生毒性。但訓練“患者模型”需要海量臨床試驗數據，當前最大瓶頸是數據匱乏。不過我不悲觀——試想20年前，如果有人想“發明AI”，數據也是不夠的，但今天AI做到了。參照自動駕駛，雖然仍會犯錯，事故率卻比人類駕駛低得多。醫學同理：目前很多藥隻有六成有效，如果患者模型能把藥效從六成提到九成，就是巨大的進步。

當然，真人臨床試驗依舊必不可少，雖然前期可在虛擬模型上完成大量初篩。AI在健康領域的應用要厘清邊界，可以幫你優化生活方式，但復雜重病必須找真人醫生，絕對不能直接讓AI開藥。

羅茲：迄今為止，大多數藥物實際上隻在男性身上做過試驗，而且基本上是某個特定年齡段的男性。如果有“患者模型”，我們就可以把人體復雜性和個體差異考慮進去了。

梅耶：訓練患者模型的想法有道理，但會受系統反饋限制。人體是復雜系統，只要缺失一小部分，整體就可能變得不可預測。基於實驗和實証的路徑更可靠，真正的產品要靠實証驗証，因為我們缺失的知識實在太多。

02

AI制藥，有望打破“耗時十年、耗資十億美金、成功率不足10%”魔咒？

大江東：這幾年“AI制藥”很熱，但也有人說泡沫不小。以你們的觀察，AI制藥走到了哪一步？是噱頭，還是已經改變新藥研發流程？

梅耶：AI確實能縮短研發時間——更快篩選藥物分子，先導化合物優化更快。但我不認為它能顯著提升制藥成功率，因為失敗的種子埋在人體的復雜性裡。只要我們對生命體的認知還有缺口，藥效的測試就會有偏差。AI只能加速那些本來就做得好的事情，但無法從根本上改變新藥研發方法。

羅茲：整個AI領域的確存在一些炒作。為什麼世界上最富有的人大部分來自AI行業？我擔心炒作背后有利益驅動。各國政府都需要參與監督AI，確保它被正確使用。

AI制藥主要依托既有數據庫——蛋白質數據、藥物分子結構、動物實驗數據等。但在我們知之甚少的領域，AI能起到多大作用？

萊維特：我倒是認為，未來5-10年，醫療會因為AI改善很多。AI降低了藥物設計門檻，幫助篩選更多副作用更小的優質藥物。我從2014年起就和一家AI制藥公司合作。他們已經有好幾款藥進入臨床試驗。一些大藥企也在用AI輔助制藥。醫學的未來充滿希望。

大江東：AI設計的藥已進入臨床試驗，有人說是科學的進步，也有人說是危險的賭博，連設計者都說不清哪個分子起了作用，這樣的藥敢給患者服用嗎？還有一種說法，AI制藥越快，實驗室越忙，因為AI降低門檻，分分鐘設計出大量候選新藥，意味著更多藥物分子要進入實驗室驗証，但真正有效的寥寥無幾，你們怎麼看？

萊維特：人類很少能徹底弄懂一款藥的全部機理。止痛藥，我們能說出部分起效機理，卻談不上完全理解。藥監部門要求嚴格的臨床測試，但並不強制闡明全部作用機理。

一些數學家把AI稱為“黑箱”，因為搞不清楚它的解題思路。其實細胞就是“黑箱”，生物學研究一直在和“黑箱”打交道。拿到一個黑箱系統，就輸入大量已知標准答案的案例做測試。

生命體相當復雜，你推理出這裡的結構，那裡卻發生變化。所以某些方面，機器學習需要向生物學學習。即便AI設計出的新藥確實有效，也一樣要嚴格測試驗証。

信任建立在嚴苛檢驗之上。科學領域大量已發表論文的結論其實都是錯的。但科學的好處在於，正確的結果可以被復現。

未來會出現錯誤模型，也會有人打磨出可靠模型，壓縮新藥研發周期。即便模型很好，真人臨床試驗依舊不能省略，總會有少數特殊個體，是模型覆蓋不到的。

羅茲：你可能設計了一種藥物作用於特定靶點，但仍不知道它究竟如何在人體裡起作用。AI 能在很短的時間內分析出可能對某種突變蛋白有效的分子，確實了不起，但仍需實驗驗証效果、研究藥物的生物化學特性，弄清楚它真正的作用機制。

03

AI科研能力見長，科學家會被AI取代嗎？

大江東：最近，OpenAI一次性發布722篇AI生成的數學手稿后，引發數學界強烈爭議。人類數學協會呼吁數學家停止與其合作，逾1600位數學家在線聯署，認為AI正在“攻陷”數學。從AlphaFold預測蛋白質結構開始，類似爭論在生物學界也出現過。您怎麼看待AI對傳統科研范式的重塑？它會取代科學家嗎？

萊維特：我原以為數學家應該興奮，試想如果你的博士生解決了同樣的問題，你首先想到的是“好，問題解決了，科研又向前邁進，那我能展示點別的嗎？”

你不能說“我不用AI，因為它犯過錯”，這像在說“我永不和學生合作，因為他犯過錯”。犯錯對科研很重要，優秀的科學家總是期待犯錯，如果你一直是對的，說明課題太簡單了。

AI會取代科研人員嗎？我自己就是反例。過去近四年，AI從新奇玩物到處理簡單工作的幫手，再到水平堪比博士后、研究員。而今，AI對我而言已相當於一整個科研小組。

羅茲：提出問題的是科學家，判斷答案是否成立的也必須是科學家。AI能設計藥物，是因為它掌握了化學知識。而這些知識是科學家們發現的。

迄今為止AI所做的一切都基於人類獲取的知識和數據。AlphaFold使用的就是人類用實驗的方法測定並積累起來的數據庫。AlphaFold能做很棒的預測，但預測終究是預測，需要人類去驗証。

梅耶：AI將在每個學科發揮巨大作用。數學曾被視作只能靠人類智力去鑽研的領域，而AI加速了人類的研究。真正的問題是，未來的研究還需要人類參與嗎？我們身處競爭激烈的時代，沒有人能回避使用AI。而一旦所有人都用起來，就會不斷喂養這些系統，讓它們越來越強大，直到最終取代我們。到時會怎樣，無人知曉。

不過我不擔心人類會因此失去對生物學的理解。我們依然足夠聰明，能真正理解AI做了什麼，並去驗証它。生物學家仍有優勢，比如能量效率。我們的大腦高效得多。

大江東：現在科研界有一種焦慮：AI正在“殺死”基礎研究工作，而年輕研究者恰恰是通過做基礎研究工作才學會做科研的。AI時代的年輕人需要具備什麼樣的能力？您有什麼建議？

羅茲：不要讓AI包辦一切，你必須鍛煉自己的大腦。在AI面前，我們不要失去科學中真正重要的好奇心，以及提出正確問題所需的知識。

對我這個實驗科學家來說，科學的樂趣在於動用頭腦和雙手。很難想象，當90%的工作都可以用計算機完成，年輕人還怎麼踏入科研之門。甚至無法想象，缺失了自己親手摸索的過程，他們該如何儲備知識？怎樣學習判斷什麼值得追問，最終提出重要的問題？

我從2018年就開始在工作中運用機器學習了，但日常生活中我不怎麼用AI，我的生活不靠AI運轉。很多人不停地跟AI聊天，但我更喜歡與人交談、讀書。

萊維特：這是個老擔憂。每回發生科技革命，總有人擔心，總懷念過去，覺得舊時代一切更好。可實際上過去的生活要艱難得多。

年輕的科研人員最該學會的是不斷質疑，應當像孩子那樣不停地問“為什麼”，把家長問得頭大。面對AI，你就要不停地問：你為什麼得出這個結論？很多時候AI會說：“抱歉，我思考得不夠充分，我換個答案。”當AI把答案A改成答案B，你就要判斷到底是A還是B。這就是辯証思辨。古希臘人就崇尚提問的藝術，我認為在AI時代，對話思辨的能力會變得愈發重要。和AI互動的過程本身，就在訓練你成為更好的研究者。

如果科學家抵觸AI，抱怨AI會犯錯，那他們會陷入被動。但我相信全球的科研工作者，都會擁抱AI，加快科學的進程。

統籌：吳焰 李泓冰 伍靜

記者：黃曉慧

實習生：高寒、陳欣越、侯天澤、張甲怡

特邀顧問：復旦大學新聞學院教師邢夢瑩

出品：大江東-復旦融媒體創新工作室