AI 说十年内能治愈癌症，它究竟看到了什么？

本文来自微信公众号： AIGC从0到1 ，作者：王零壹

2026年11月10日，Anthropic CEO Dario Amodei在IPO路演里说，如果看癌症、阿尔茨海默病、心脏病和精神疾病，它们可能会在不到十年内成为“过去的遗物”。

一种熟悉的科技叙事：AI又要“颠覆医疗”，模型再进步几代，疾病就会像旧软件里的Bug一样被修掉。

但如果认真看Amodei从2024年《Machines of Loving Grace》开始铺陈的逻辑，会发现他真正押注的是另一件事：

当AI能够持续提出假设、调用专业模型、设计实验、读取结果、再根据结果调整下一步策略时，科学发现本身会不会被改造成一种可以高速迭代的系统？

这和“AI给医生一个建议”、“AI帮药企筛几个分子”，已经不是同一件事。

过去两年，AI已经在生物医学研究的几个关键位置取得了真实进展：预测分子结构、设计蛋白质结合分子、在海量DNA数据中发现可供验证的新模式、控制实验设备、把真实湿实验结果重新喂回下一轮探索。

但从这里到“重大疾病成为过去”，中间还隔着一条很长的链条：

科学发现→机制确认→治疗靶点→候选分子→临床前研究→人体试验→监管审批→制造与支付→患者真正获益。

AI已经开始改变这条链条的前半段。

它能不能改变后半段，才决定了这是不是一次医学革命。

一、Amodei真正预测的，是“被压缩的医学研究”

在《Machines of Loving Grace》中，Amodei的论证有一个常被忽略的前提。

他说的不是“从今天开始，五到十年内疾病会自动消失”；而是，假如出现一种具有顶尖科学研究能力、能长时间自主工作、能调用大量工具与实验资源的强大AI，那么在它出现后的五到十年里，人类原本可能需要几十年推进的生物医学研究，有机会被大幅压缩。

这个设想依赖至少五个条件：

1. AI不只是回答问题，而是能完成持续数天、数周的研究任务；

2. 它能同时探索大量互不完全重叠的科学路径；

3. 它能在已有知识之外，提出值得检验的新假设；

4. 它能调用计算工具、实验设备与外部研究资源；

5. 真实实验、临床、监管和医疗体系也能随之提速。

前四项，已经开始出现一些早期证据。

第五项，仍是最大的未知数。

因为医学不是纯粹的智力竞赛。

证明一个蛋白质可能与某种疾病有关，和证明干预它能改善患者结局，中间差着无数次失败。一个候选药物在培养皿里有效，不等于它能进入目标组织；能进入目标组织，不等于它没有毒性；没有明显毒性，也不等于它在随机对照试验中真能改善生存、功能或生活质量。

所以，Amodei的预测真正要接受检验的，是：

AI在研究端获得的速度，能否穿过真实实验、人体差异、临床试验和医疗部署这些最慢的环节。

二、AI早已经从“读论文”走进了实验室

要理解今天的变化，先要区分两类能力。

第一类，是在已有知识中做得更快。

例如读论文、整理证据、预测蛋白质结构、筛选候选分子。这些任务本身已经非常重要，但本质上仍是在一个相对明确的搜索空间中找答案。

第二类，是在未知空间中发现新问题。

它要求系统不仅能说“这个分子可能结合”，还要问：为什么会结合？哪一个机制值得验证？如果实验失败，下一步应该改变什么？哪些变量造成了失败？

这才接近科学发现。

AlphaFold是前一类能力最有代表性的标志。

AlphaFold 2曾经让很多结构生物学研究者第一次感受到：过去需要花很长时间才能获得的蛋白质结构信息，现在可以快速得到高质量预测。AlphaFold 3又把预测范围扩展到蛋白质、核酸、小分子、离子等生物分子及其相互作用。

它的意义很大，但结构预测不等于功能理解。

预测一个小分子可能和蛋白质结合，不等于它能在人体内成为药物。静态结构也不等于分子在不同环境、不同时间尺度、不同细胞中的真实动态行为。

AlphaFold改变的是一部分生物学问题的成本曲线。

它没有跳过实验。

真正值得关注的新变化，是AI开始承担“把这些模型、数据和实验接起来”的工作。

三、从设计一个分子，到发现一种现象

今年8月，Anthropic公布了一项蛋白质结合分子设计实验。

研究团队让Claude配合专业蛋白质设计和共折叠模型，对15个靶点进行从头设计。Anthropic报告称，其中14个靶点得到了成功结合的候选分子；不同设置下，单个设计的结合命中率约为22%—35%。这些候选分子随后由外部实验机构生产和测试，而不是只停在计算机里。

这很重要，它至少说明，通用Agent已经可以协调专业模型、检索资料、选择结合区域、生成和筛选候选序列，并把结果送进真实湿实验验证。

但它离“新药”还很远。

一个蛋白质结合分子，首先要证明结合；接着要证明它具有预期功能；再证明它稳定、可制造、可递送、毒性可控；最后还要在人身上证明风险收益成立。

真正的药物研发，不是一场单项成绩赛。

它是一系列互相冲突的指标：结合能力、选择性、稳定性、免疫原性、代谢、毒理、生产成本、给药方式和临床效果。任何一个环节失手，前面所有漂亮的设计都可能归零。

Anthropic在9月公布的另一项工作，则更接近“原创发现”的含义。

Claude在大量DNA与相关酶序列中，识别出一个与重复DNA序列相关、此前没有被充分认识的逆转录酶系统。团队将它称为ART，Array-associated Reverse Transcriptases。它和CRISPR的类比不在于“AI又发明了一个CRISPR”，而在于：AI从大规模、未被充分解释的生物学材料里，找出了一个值得进一步研究的新现象。

这一类结果的价值，而在于科学研究的起点正在变化。

过去，发现一个值得验证的异常，往往取决于研究者在庞杂数据里看见一个“有点不对劲”的地方。未来，AI可以把这种搜索做得更广、更持续，也更不受单个实验室注意力的限制。

但必须马上补上一句：找到异常，不等于理解异常。

AI可以从相关性里挑出候选模式，却不能自动证明因果关系。

某种蛋白在肿瘤里升高，可能是它推动了肿瘤，也可能只是肿瘤生长后的结果，或者二者共同受第三个因素影响。真正的科学发现，需要进入干预：敲除会怎样？抑制会怎样？是否存在剂量效应？不同患者、不同细胞类型、不同模型里是否一致？

AI可以帮忙设计这些实验。

世界仍然要用真实实验回答它。

四、真正的分水岭：AI开始决定“下一次实验做什么”

如果说AlphaFold和生成式分子设计，让AI在计算空间里走得更快；那么自动化湿实验室，正在尝试让AI把推理延伸到现实世界。

Google Research在今年10月发布了一组“自主湿实验室”研究。

其中一个关键项目叫VERID。它试图把真实实验台变成一个带实时状态的“数字孪生”：机器人手臂在哪里、孔板里还剩多少液体、试剂是什么、移液枪头是否足够、某个动作是否会碰撞，都被持续记录和模拟。

它解决的是一个极其现实的问题：

一条对语言模型而言“语法正确”的实验指令，在实验室里可能根本无法执行。

比如，移液器无法伸进一个太窄的容器；某个孔已经没有足够液体；试剂在等待期间发生了蒸发；一次操作在代码上看没有问题，却会因为液体分层、残留和位置偏差，破坏整个实验。

Google的做法是让Agent在行动前模拟、在行动中记录、在失败后根据视频与状态日志重新规划。其研究展示了Agent在真实实验循环中修正操作策略，并在多个轮次中提高结果的案例。

这才是“科学Agent”最值得关注的地方，它是一个开始进入闭环的人造研究系统：

这条链条里最重要的不是“AI能跑多少次实验”。

而是：它能否从真实世界的反馈中，逐步改进自己的研究策略。

不过，实验闭环也有一个典型陷阱。

如果你让系统最大化“结合成功率”，它可能学会挑最容易结合、最容易测量的分子；如果你让它最大化某个细胞指标，它可能牺牲稳定性、安全性或人体相关性；如果实验设备存在系统性偏差，Agent甚至可能越来越擅长利用偏差，而不是理解生物学。

所以，AI科学系统不只需要更强的模型，同样需要可靠的评价函数、独立验证、实验设计和停止规则。

五、AI新药已经走到哪里了？

既然AI能设计分子、跑实验、发现机制，那么AI药物是不是已经快要批量上市？

现实没有这么快，但也不是零。

Rentosertib是Insilico Medicine开发的TNIK抑制剂，目标适应证是特发性肺纤维化。该项目的意义在于，AI参与了靶点发现和分子设计；它已经不只是“计算机里看起来不错的候选物”。

2025年，Rentosertib的IIa期随机、双盲、安慰剂对照研究发表于《Nature Medicine》。这意味着它已经跨过了早期研发和动物实验，进入了人体临床证据层面。

IIa期通常只是在较小规模人群中观察安全性、剂量和初步疗效信号。后续还要面对更大规模、更长时间、更严格的临床验证。即使最终获批，也只能说明一个具体项目在一种具体疾病中的成功，不能自动证明“AI已解决临床失败问题”。

这是理解AI医药时最应该守住的分层：

这张表看起来像是在泼冷水，但它其实是在保护真正的进步。

如果我们把每一次湿实验成功都夸成“治愈疾病”，公众很快会对真实而缓慢的临床进展失去耐心；如果我们把所有谨慎都理解成保守，也会看不到正在发生的研究范式变化。

AI药物研发最值得期待的，不是明天突然出现一颗万能药。

而是它可能持续提高早期发现的质量、缩短试错周期、减少无效实验，并让更多此前没有人力覆盖的靶点、机制和患者亚群进入研究视野。

六、为什么疾病不会像软件Bug一样被修掉

癌症、阿尔茨海默病、心脏病和精神疾病，从医学上看，它们不是同一种挑战。

癌症不是一个疾病，而是一大类具有不同突变、不同微环境、不同演化路径的疾病。某些癌种已经能被长期控制，另一些依然极难治疗。AI可能帮助找到更多靶点、设计更精准的药物，却不能让所有肿瘤异质性突然消失。

阿尔茨海默病的难点，则不只在于找到某个分子标志物。很多神经退行性改变在症状出现前已经积累多年；即使干预某条机制，也未必能逆转已经发生的神经损伤。

心脏病牵涉遗传、饮食、运动、吸烟、环境、医疗可及性和长期行为。即使AI发明更好的治疗，也不自动改变人群暴露的风险结构。

精神疾病的挑战更复杂。诊断边界、病因机制、患者异质性、社会环境和治疗目标彼此交织。更好的预测工具和个体化治疗可能有价值，但不等于一个统一算法能“消灭精神疾病”。

更现实的障碍还有：

• 细胞生长、动物观察和长期随访需要时间；

• 人体试验必须处理安全性和个体差异；

• 临床试验需要患者、医院、资金和高质量研究设计；

• 新疗法需要制造能力、支付体系和长期监测；

• 有效的疗法不一定能被大多数人获得。

AI可以压缩其中一些环节，它无法通过算力取消全部的物理、伦理、制度和社会时间。

这也是为什么，对“十年内重大疾病成为过去”最合理的回应，不是简单说“绝无可能”，也不是跟着喊“医学奇点来了”。

按照前文解耦思维新技术正在逼我们升级思维的操作系统，更好的说法是：

AI很可能显著改变医学研究的速度；但“研究速度”能否稳定传导到“患者获益”，还要经过一条目前尚未被证明可以整体压缩的临床链条。

七、未来医学里，真正稀缺的会是什么？

如果AI可以快速读完所有论文、生成大量假设、设计几千个候选分子，医学研究的稀缺资源会发生迁移。

过去稀缺的是阅读能力、计算能力、专家时间和候选假设。

未来更稀缺的，可能是：

• 高质量、可共享、可追溯的实验数据；

• 稀有且有代表性的患者队列；

• 能反映真实疾病过程的模型；

• 能真正区分因果关系的实验设计；

• 能完成严格临床验证的医院和研究网络；

• 能判断什么值得继续投入的人类研究者；

• 能让有效治疗被患者获得的制造与支付体系。

这会改变医药产业的组织方式。

一个很小的研究团队，未来可能通过AI调度专业模型、自动化实验平台、合同研究机构和临床资源，完成过去需要更大组织才能推进的早期探索。

但降低研发运营成本，不等于自动提高临床成功率。

管理效率改善，也不等于实验验证可以省略。

未来的赢家未必是拥有最大模型的公司，而可能是最擅长把模型、实验、数据、临床资源和监管能力接成闭环的机构。

还有一个更容易被技术乐观主义遮住的问题：普惠。

一项疗法可能很有效，却仍然昂贵、难制造、难交付，或者只在少数医疗中心可得。

所以，衡量AI医学革命至少要问三件事：

它能不能发现？

它能不能治疗？

普通人能不能获得治疗？

这三件事的答案，可能完全不同。

八、不要等到2036年，今天就可以验证这场革命

“十年后疾病会不会成为过去”太大，更好的方式，是从现在开始追踪四层结果。

L1的繁荣，不等于L3的到来。

L3的成功，也不自动证明L4会发生。

但如果到2030年前，我们看到以下变化，就有理由提高对AI医学加速的判断：

• 多个独立实验室复现AI主导的原创发现；

• AI系统能跨任务、跨疾病地持续改进实验策略；

• 从靶点到临床前候选的时间和成本明显下降；

• AI深度参与的项目在后期临床中出现一批经得起检验的成功案例；

• 新疗法开始在真实世界中改善患者结局，而不只是提高论文和管线数量。

反过来，如果AI长期只停在演示、早期候选筛选和漂亮实验图上，后期临床成功率没有变化，那么“医学革命”的可信度就应该下降。

它只意味着，AI改变了医学工具，却还没有改变医学最深的约束。

九、奇迹时代，首先会是一个更会做实验的时代

“AI能不能在十年内治愈癌症”并不是一个特别好的问题。

它太像一个二选一的赌局：要么奇迹发生，要么泡沫破裂。

真正值得问的是：

当人类第一次拥有一种能持续阅读、推理、提出假设、设计实验、调用工具，并根据真实结果重新规划下一步的智能系统时，科学研究会不会从根本上改变？

答案很可能是：会。

但它首先改变的，不会是病房里的最后一刻。

它会先改变实验室里的第一步：哪些问题被提出，哪些假设被验证，哪些失败被记录，哪些路径被更早放弃，哪些原本无人注意的生命机制开始进入视野。

它可能让人类第一次拥有一种新的能力：更快、更广、更持续地理解生命系统，并把这种理解一轮轮推向真实世界。

医学革命如果会发生，起点大概不是一句“AI治愈了疾病”。

而是实验室开始以一种从前不可能的速度，学会从现实中纠正自己。