AI 能否帮助构建更健康的未来?——微软研究院播客探讨医学与生物学的 AI 前景
Can AI help build a healthier future? - Microsoft Research
微软研究院播客《The Shape of Things to Come》中,Doug Burger 与 Ava Amini、Eric Horvitz、Eric Topol 讨论了 AI 在医学与生物学中的前景,涉及 AI 辅助诊断、医学影像、全患者模型、虚拟细胞和生物基础模型。嘉宾还分析了有前景的研究为何难以快速惠及患者,以及 AI 如何指导实验与药物发现,并强调更好的生物数据和真实世界验证仍然不可或缺。
正文 · AI 翻译
技术进步的速度如此之快,以至于我们很难界定我们正在努力创造的明天是什么样子。在《The Shape of Things to Come》中,微软研究院负责人 Doug Burger 与来自各学科的专家一道,梳理出当今技术人员、政策制定者、企业决策者及其他利益相关者所面临的最棘手的人工智能问题。其目标是:增进共同理解,以构建一个 AI 转型带来净正向影响的未来。
微软首席研究经理 Ava Amini、微软首席科学官 Eric Horvitz,以及来自斯克里普斯研究所的医师科学家、微软 AI 健康顾问 Eric Topol(在新标签页中打开),与 Burger 一同探讨一个对地球上每个人都影响深远的问题:有了 AI,医学的未来可能是什么样子,而在此之前又需要先发生什么?
结合在机器学习、生物科学和临床护理方面的经验,该小组探讨了 AI 辅助的医学诊断、在医学影像中利用 AI 的未开发潜力、全患者模型、虚拟细胞,以及生物基础模型在科学发现中的作用。该小组还审视了为何有前景的研究可能迟迟难以惠及患者、AI 如何指导实验和药物发现,以及为何更好的生物数据和真实世界验证仍然不可或缺。
本期节目呈现了一场以研究为基础的对话,探讨 AI 如今在健康领域能做什么、前方仍存在的挑战与机遇,以及未来的发展形态。
DOUG BURGER:这里是《The Shape of Things to Come》,一档微软研究院播客。我是你们的主持人 Doug Burger。在本系列中,我们将深入探索 AI 能力的最前沿,钻研其基本原理,真正努力去理解它们,并思考这些能力将如何改变世界——无论好坏。
今天,我请来了三位生物医学领域的专家,他们工作在 AI、生物学和医学的前沿,来探讨医疗健康将走向何方、对生物学的深入理解将走向何方、哪些医学进步即将到来,以及 AI 将如何改变健康的未来。这些问题非常重要,因为它们将决定未来的发展形态。
[音乐渐弱]
在今天的播客中,我邀请了三位在医学、生物学和机器学习/AI 领域的顶尖研究者。
Eric Horvitz 是微软的首席科学家[首席科学官],同时拥有博士学位和医学博士学位。我不知道你是怎么在学校度过那么多年的。我认识 Eric 几十年了,他的工作塑造了整个机器学习领域。他是机器学习界的传奇人物,也是一位好朋友。
Eric Topol 是我们的第二位嘉宾。他是斯克里普斯研究所(在新标签页中打开)的执行副总裁,该研究所是美国最大的非营利生物医学研究机构。他发表了 1300 多篇同行评审论文。令人震惊,[笑声] 令人震惊地高产。著有四本书(在新标签页中打开)。真是一位令人惊叹、多产的科学家和医生。
最后,Ava Amini 是微软研究院的首席研究经理。她是我们组织中一颗冉冉升起的新星,是 AI 与精准医学交叉领域的专家,也是 Project Ex Vivo 的共同负责人,这是微软与 Broad Institute 之间的一项合作项目,专注于定义、工程化和靶向癌症中的细胞状态。
那么,感谢大家今天前来参加。我认为我们拥有一个非常非常出色的人员组合,当然不包括我自己。我想先从我这里的嘉宾开始。
很明显,当下在生物学、医学与 AI 的交叉领域正发生着巨大的变革。你知道,我们看到各种事情、各种突破正以加速的步伐发生。模型正在帮助我们发现有结构,并创建对推动医学领域前进真正有用的抽象。我最近看到一些演讲,癌症科学家用 AI 为自己设计药物。我的意思是,简直难以置信。
今天,我有一些长期性的问题要供我们讨论,也许有点挑衅性。但我想先从你们每个人所看到的当下正在发生的事情谈起,比如,在医学、生物学与 AI 的交叉领域。
我认为你们每个人都有独特的视角。我会依次请各位发言,我知道,Eric,你有一篇《科学》杂志(在新标签页中打开)的封面文章,非常令人兴奋,所以也许你可以稍微谈谈那篇文章。那么我就从你开始,然后请 Eric Topol,再请 Ava。
ERIC HORVITZ:谢谢,Doug。
我认为医疗保健和生物科学是幸运的学科,因为内容已经实现了数字化——无论是数十年来的蛋白质结构,还是电子健康记录等等——这使得这些领域能够随时为 AI 推理和创新做好准备。因此,我对长期未来以及我们在生物科学和医疗保健领域 AI 前沿早期将会看到的东西一直极为乐观。
仅仅在过去五到八年里,生物科学领域在判别式和生成式 AI 模型方面所发生的一切,实在非同寻常。你知道,AlphaFold(在新标签页中打开)的突破只是冰山一角,我们现在看到,在某种程度上,可能性之浪正涌起并拍打而下,涉及实验平台、实验设计、生物科学中的数据解读、假设生成——我应该说,作为科学推理者和人类科学家的助手和伙伴。
在医疗保健领域,我们有一个非凡的机会来应对患者安全、及时诊断和医疗保健可及性方面的长期挑战。经过几年的密集工作,我和微软出色的同事们密集地研究了 AI 应用和基准测试方面的医疗保健挑战——例如医学诊断挑战——并将其推进到我所说的医学认知领域,在那里,我们不是把整个病例交给 AI 系统,看它诊断某种鉴别诊断的能力所报告的准确率,而是把 AI 系统置于临床医生的位置。
你会得到一组初始症状、主诉、一些病史,以及患者来到门诊环境时情况的一点窗口,然后由临床医生来提出正确的问题,进而考虑检查,在信息的价值与检查的成本之间进行权衡。这就是序贯诊断挑战。我们将 AI 应用于其中制定假设的部分,以及关于下一步最佳检查、要问的问题的决策,还有何时做出诊断——即使在不确定的情况下——作为最终的收敛诊断,并例如继续进行治疗。我认为,这展示了若干前沿语言模型做出出色工作的非凡能力。
而且,你知道,再次,我们与人类全科医生做了一些比较,这些比较必须按表面价值来看待,我们在比较中所做的事情也有局限性,但仍然展示了这些方法在未来协助临床医生的前景。
BURGER:嗯,祝贺这篇论文。这真是件大事。
Eric [Topol],接下来到你。你知道,你是播客上唯一不是微软员工的人[笑声],所以我认为你看到的东西与我们从这个有利位置可能看到的非常不同,尽管我认为我们三个人总体上看到的东西各不相同。
你能不能告诉我们你看到了什么?比如,对一位听众来说,你知道,我们有来自各个不同群体的广泛听众,不仅仅是 AI 或医学专家。比如,你看到了什么,是你那种技术型、聪明、普通听众能够领会到的?
ERIC TOPOL:是的,当然,Doug。我的意思是,我想首先我也确实想祝贺 Eric 和微软的团队,因为这是《科学》杂志上的一篇开创性论文。这是有史以来第一次采用智能体系统,不仅与医生相比,而且与许多其他前沿模型相比,做出更准确的诊断。准确率显著高于医生,几乎翻倍,但成本更低。我的意思是,这是我们从未见过的东西。我们见过的是,你知道,用 AI 来升级编码,用 AI 来可能提高成本。这确实是首次证明你可以以更低的成本获得更高的准确率。这有点像多吃还减重,[笑声] 或者味道更好,你知道。总之,这是相当令人印象深刻的工作。
现在,我所看到的是,引人注目的是,我们都关注生成式 AI 这个闪亮的新事物,这很好。你知道,已经四年了。但我们不知何故错过了使用它更有 proven 的地方,也就是图像阶段,医学图像的深度学习。无论是视网膜、胸部 X 光、心电图,所有这些。
所以存在这样一个真正的悖论:例如,我们没有实施我们从乳腺钼靶检查——一项随机试验中超过十万名女性(在新标签页中打开)——或结肠镜检查——44 项随机试验(在新标签页中打开)——中学到的一切,也没有榨取人类看不到但 AI 能从我们所知的每一种医学图像中解读出的所有嵌入信息。所以我们没有收获那个机会。
那么,为什么这很重要呢?嗯,AI的下一阶段,你知道,我想,就是我所称的“全患者模型”,在这种模型中,正如Eric提到的,我们会拥有电子健康记录;我们会拥有所有图像、原始图像以及其他层次的数据。它可能是基因组学,可能是蛋白质组学;也可能是,你知道,暴露组——所有这些层次的数据。
但我们只有在个体层面才能最大限度地利用这些数据,从而能够预测疾病、预测疾病可能何时发生,以及在如果我们改变某些因素以推迟或预防疾病时的假设情景,并利用这些,你知道,非凡的数据集,以前所未有的方式真正改变医疗护理。所以对此我很兴奋。但我们仍在空转。我们还没有利用已经完成的工作来影响患者护理。我仍在等待那一切发生。至少可以说,这令人烦恼。
BURGER:在我转向Ava之前,你知道,既然你提到了这一点,你认为社区应该采取什么不同的做法,以免我们错失那个机会?我的意思是,有大量研究正在进行;有大量工作;有企业在采用AI。社区遗漏了什么?
TOPOL:嗯,它遗漏的是实施。所以这一切都停留在那些伟大的期刊里,你知道,经过了同行评审,数据令人印象深刻,尤其是那些在真实世界中进行的随机试验,却没有被用于护理患者或帮助患者。
所以没有真正充分的理由说明为什么这件事没有向前推进。有很多借口,[笑声] 但是,你知道,医学界采用变革很慢。通常存在财务限制;在卫生系统层面存在不愿投资的情况,因为,你知道,他们是在非常低的利润率下运营……
BURGER:对。
TOPOL:……而且,你知道,他们不,他们不想涉足自己没有完全信心的东西。
你知道,有一件事值得注意,那就是医生们并没有在呼吁这些进步。我的意思是,如果我——或者患者们。如果你是一位正在接受乳腺X线摄影的女性,而你得不到最先进的AI,几乎,你知道,美国没有女性能得到,你会觉得自己可能会发起一场反抗。或者你必须付费才能在一个非常有限的网络中获得那种解读。有太多这类东西是人们得不到的……要么是为患者发声的医生,要么是患者自己,也许这正是我们推动这件事向前发展所需要的。
BURGER:我稍后会回到这一点。我认为这是一个非常重要的点,因为它涉及系统的经济性。
但是,Ava,让我,让我转向你。你深入其中,对吧?你在摆弄这些模型,与,你知道,外部组织合作,并且实际上在推进,你知道,疾病状态方面的工作。那么你现在看到了什么?
AVA AMINI:是的,从我所处的具体位置来看,它处于AI与生物学的交叉点。所以更侧重于生物科学,而不是医学和医疗保健,但这一视角与Eric和Eric两人所提到的内容非常互补,因为现在我们正处于极度兴奋的阶段,有很多乐观情绪、很多能量、很多投资。但当一切归结到底时,现实再次是实施,我们对构建用于生物学的预测性和生成性模型、AI模型充满热情。但真正在我心中的问题是:这些究竟将解决什么?我们可以把它们部署到哪些问题上?我们将如何实施它们?它们将如何被实验科学家采用并整合到我们的工作流程中?
而我认为这仍是社区需要弥合的差距。我们正在朝着弥合这一差距迈出步伐。例如,通过与Broad Institute的合作,我们真的在自下而上地构建一项联合研究事业,将AI方面和生物学方面结合起来。因此,在下一阶段,我认为真正的挑战和考验将是:我们如何以有意义的方式将这些模型和系统实施到有意义的问题上?
然后我看到的第二个重要部分,也是我非常坚持的,与全患者模型的愿景高度一致。这归结于一个事实:生物学极其复杂,因为它本质上是多尺度的,对吧。我们在分子层面进行操作,然后延伸到单个细胞层面,细胞组织成组织和器官系统,而这些器官系统都在一个生物体内以极其协调的方式运作。这是一个机器学习和计算方面的挑战,在任何其他领域都很难找到——你如何真正以协调的方式跨越这些层级尺度进行整合,使得从最底层的分子层面的上下文和信息能够被有意义地提升为患者层面或人类层面的洞见。
因此,正因为这些复杂性,也存在着巨大的机会,让我们在真正的AI创新方面大有可为——无论是在如何将数据提供给这些模型、如何表示数据、需要什么类型的数据、需要多少数据、数据应该有多多样化方面。所有这些都是非常基础的技术问题。然后再与真正的生物学问题并置,比如说,假设我们真的有了一个全患者模型。我们会把这样一个系统部署在哪些第一、第二或第三优先的事项上?还是说我们要民主化,去追求应用的广度而非深度?所以,由于这些原因,无论对计算方面还是生物学方面的研究来说,这确实都是一个极其激动人心的时刻。
BURGER:我们总是回到全患者模型这个话题。所以我想抛出一个也许有点挑衅性的问题,我会利用我的平台把话题拉回我过去的历史领域。
你们知道,所以我……我想你们都知道,我受的训练是计算机架构师,所以是用芯片、软件和导线来构建系统,而且,你们知道,在计算这个领域里,有一件事是,我们人类已经构建了这些极其复杂的系统,比如在一枚邮票大小的芯片上实实在在地有数十亿个电路。但我们对它们几乎了如指掌,因为我们是从底层开始构建它们的。我们创造了抽象层;我们创造了,你们知道,从一层到另一层的规则。但当然,在深处,你们知道,晶体管结,那是一场混乱的随机之舞、量子之舞,是静电力和,你们知道,p-n结实际上是随机器件,但我们只是构建了这些干净的抽象。
你们大家有没有想过,我们会不会达到这样一个阶段,生物学也变得一样?比如我们足够好地理解它,我们有一套抽象的层级体系,我们知道每样东西是做什么的,我们可以指着系统的任何部分说:“就是它”?还是说它永远都会是这种混乱的东西,复杂到我们根本不可能理解?
HORVITZ:Doug,我能不能说,一旦我们在你职业生涯中提供的那套非常清晰、精确的抽象之上运行一个深度生成模型,我们在真正试图理解算法行为时,就又回到了混乱之中,尤其是当它是随机的时候。我的感觉是——把这个类比推演到一个多尺度的动力系统,即人体——当涉及不同抽象层级上各部分的动力学和相互作用时,将会存在非常高度的复杂性。因此,我们将不得不思考,在我们的推断中、在我们的测试中、在我们的研究中、在我们的数据收集中,有哪些方法可以管理这种复杂性,以便我们能够,能够——再次保持……推进这个类比——想出一些技术,用于对我们所看到的以及我们可以干预的东西进行可解释性分析,同时还有因果模型和抽象,帮助我们理解层级内和跨层级的相互作用。
BURGER:我觉得那是个“不”。[笑声]
HORVITZ:嗯,你知道,那是个“不”,意思是我们要……我们永远无法理解那些细节——那些至关重要的细节——精确到你在架构和系统设计中所拥有并一直拥有的那种原子级别。所以,是的,我本应该……我本可以非常……我本可以直接说“不”。
BURGER:不,不,不。[笑声]我只是,我只是想为听众简化一下,对吧?因为……
HORVITZ:抱歉,抱歉,各位听众。我讲了很长一段。
BURGER:我,我对Eric Horvitz做了一个低秩近似[笑声],得到了一个比特。抱歉把你简化了。
HORVITZ:这,这很有帮助。
BURGER:这里还有别的评论吗?
TOPOL:是的,我就抛出一个……
BURGER:有人不同意吗?
TOPOL:……这里有几个。首先,你们知道,现在对创建虚拟细胞有很大的兴趣,……
BURGER:是的。
TOPOL:……在那里你可以做任意数量的扰动并预测其反应,这将有助于无论是发现药物还是揭示大量生物学机制。
现在,在患者……人类……虚拟人类层面,我们现在太弱了。我们甚至还没有——虚拟细胞还有很长的路要走,但虚拟患者的类比,比如说,如果你有一个多基因风险评分,甚至一个基因组序列,你可能会说,哦,这个人有患比如心脏病的风险。但我们不知道是50岁还是90岁。你知道,那其实没那么有用。
所以结果是,当你……即使是迄今为止已完成并发表的模型,它们已经能给我们一些时间信息。它们已经能给这一点上色。而我们仍在寻找深度的……那还只是用电子健康记录和生活方式,或者电子健康记录和多基因风险评分。我们还没有大规模的深度和长期数据。等我们有了再说。所以我确实认为,在我们到达虚拟细胞之前,我们实际上会先得到一些更成熟的全患者模型。我们永远无法做到在细胞层面可以做的所有扰动,但体内有很多不同的细胞。
BURGER:是的。
TOPOL:但关于这一点还有一点,就是我们真的需要超越“你有风险”这种说法。我们有一个真正的机会来实现预防,而我们在医疗保健中从未以任何有意义的方式真正做到过这一点。所以我认为这是令人兴奋的一步,但要让它成为现实还需要付出大量努力。
BURGER:上周末我参加了一个关于AI与医学交叉领域的会议,Eric,那个话题被提出来了:预防。我认为一些非常有见地的演讲者提出的论点是,我们的医疗保健经济模式与预防医学从根本上就不一致。比如,这个体系并没有被激励去做这件事。人们可以选择去做,但是,你知道,你生病了去看医生,医院给你治疗,然后你——他们可能会给你一些建议。但除了你的全科医生之外,这个体系从根本上没有动力去投资预防未来的问题。你同意这一点吗?
TOPOL:嗯,我只能说欢迎来到美国。[笑声]这就是那个模式。但如果你去别的地方,你会发现那里有激励措施来保持人群健康。巨大的经济激励,同样也是健康负担方面的激励。所以我们处于这种奇特而独特的情况中,由于所有的结构,你知道,一年的保险覆盖期,我们存在反向激励。他们为什么要关心预防疾病……
BURGER:是的。
TOPOL:……当他们有如此短期的利益时?而且,你知道,从结构上讲,要做出这种转变非常糟糕。但这并不意味着它不会发生。它可能不会在这里发生,或者只在这里的某些特定实体中发生,比如Kaiser的项目或某些更适合这种转变的机构。
BURGER:Ava,我想转向你,回到最初的问题。比如,数字系统是建立在随机混乱之上的精确抽象。你认为我们能够在所有随机混乱之上获得关于生物学的精确规则吗,即使它更复杂?
AMINI:我几乎想把这个问题反过来。与其说“我们能否达到那里”,不如问我们是否需要达到那里?我想说的是,也许并不需要拥有那种完整的、你知道,原子级别或可解释性,即知道细胞中每个分子在任何给定时间的位置以及它如何对这种扰动做出反应等等。我认为更重要的是思考,一个模型或一个由许多模型编排而成的系统的必要输出是什么,才能真正实现科学家想要进行的发现?
而且对于很多事情,你知道,在能够展望一年、两年后进行实验验证方面是直接的,我不认为我们需要那种程度的可解释性。我们是否达到那里,你知道,我认为我们可以对此进行辩论。我会倾向于Eric H.那边,说也许……我不认为我们永远能精确地达到那里,因为生物学固有的熵和动态。但我会采取坚定的立场说,我认为这是必要的吗?不。
HORVITZ:是的,Doug,有巨大的空间,在你所要求的系统架构师和硬件架构师的精确度之间,以及我们能在一定不确定性下、在随机性下、通过对人类生理学各层次理解中关于因果关系的更深入知识,为患者带来不可思议的益处之间。
AMINI:正是如此。你知道,我们需要什么程度的这种精确度来实现发现或实现更好的干预、治疗或预防措施,对吧?你知道,我不认为细粒度的精确性对此是严格必要的。
BURGER:是的,我当然不认为你需要那种程度的理解才能做非常、非常有用和重要的事情。但我认为你们两位刚才所做的非常好地是在说,“Doug,你被你在自己领域30年的经验过度偏见了,[笑声]别插手,别再试图把你的经验应用到生物学上,”我认为这是一个合理的观点。这并不意味着我会照做,但我听到了反馈。
那么,Eric Topol,转向你一会儿。人们经常谈论AI以及人类的角色和AI的角色,还有,你知道,医生。而且,也许作为一个初步的框架,我现在还看到的是创业活动的爆发。你知道,人们创办公司,人们产生新想法。然后你有这个非常缓慢移动的医疗保健系统,缓慢移动只是因为它的运营规模,对吧。你知道,它在美国经济中占很大一部分。那么你如何看待人与AI共同的角色?我知道这是一个复杂的问题,但你确实比我们任何人都更身处前线。
TOPOL:Doug,这确实是一个难以拆解的问题,因为这方面有太多不同的维度。比如,使用环境记录员来缩短医生和临床医生花在数据录入上的时间,这在美国各地开始真正兴起,而那些经常使用的人确实因为节省了大量键盘时间而获得回报……
BURGER:对。
TOPOL:……所以这是一个要素,某种程度上是运营层面的。但事实证明,一旦你有了数字化的记录,它比几十年来一直放在我们病历里的记录更准确,[笑声]……
BURGER:是的。没错。
TOPOL:……然后它就能做各种各样的事情。你知道,它能做开单、扫描、化验、未来预约和预授权等等。所以它甚至能就就诊时讨论过的事情或其他什么提醒患者。所以这是一个阶段。
Eric提到的那个阶段正开始成为现实,那就是准确性,提升准确性。那是我们的诊断准确性——他提到的是治疗准确性——但我们的诊断准确性糟糕透顶。而患者最终落得各种残疾和死亡,据约翰斯·霍普金斯估计每年有80万例(在新标签页中打开)。这是诊断错误的巨大代价。所以我认为我们将开始看到AI帮助人们。
嗯,然后,然后我们还有这个非常奇特的现象,我从来不会预料到。那就是因为医生、临床医生被挤压,他们与患者相处的时间不多。于是患者转向聊天机器人和AI,发现它们比人类更有同理心(在新标签页中打开)。现在我绝不会预料到这一点,因为机器就算砸到它身上也不知道什么叫同理心。但事实证明它能传导同理心。而患者喜欢能够查看化验结果、回答所有这些问题、拥有无限时间、即时访问等等的想法。
所以这些就是目前正在消费者端发生的一些动向,这很重要;对那些更积极进取、正试图迈出这一步的医生来说,这缓解了他们部分的数据录入职能。我希望我们会看到回归……借助时间的馈赠,患者在某种程度上更加自主,医生有更多时间与患者相处,我们找回这种医患关系。这是在过去几十年里严重侵蚀的东西。
BURGER:对。
TOPOL:但我们有迹象表明我们实际上可以把它找回来。而且我,我希望我们会做到。
BURGER:我还能说出我家庭医生的名字,你知道,在我5到10岁的时候,[笑声]但我却说不出我最近五位医生的名字。
TOPOL:是的。
BURGER:所以这是个很好的例子。
TOPOL:这就对了。
BURGER:你知道,我们谈到了全患者模型,请大家,请各位容忍我一下。你知道,在数字计算领域,我们有摩尔定律,它持续了大约50到60年,我就不必对它的实际内容吹毛求疵了,因为有一个流行文化版本是不正确的。但它确实推动了计算价格每年指数级下降。而我们现在看到的是token成本的下降速度更快,你知道,每年4到10倍。我们不知道这会持续多久,但这令人难以置信。当然,现在模型增长得如此之快,以至于我们看不到那些成本。[笑声]但在固定规模模型上服务一个token的成本一直在骤降。
所以我想知道,当我们谈论,你知道,全患者模型或虚拟细胞以及所有这些数据和医疗系统的成本时,你是否看到这些趋势在推动医疗护理成本下降,以及做这类事情的能力提升?还有其他成本驱动因素在下降吗,还是你认为我们正走向一个世界:为人们做所有这些先进的事情只会变得越来越、越来越、越来越、越来越昂贵,除了少数人之外都将无法负担?
AMINI:是的,我可以,我可以从这个问题开始,因为这里有一个角度,既涉及医学方面,也涉及生物科学方面,以及更早期的发现和实验以及药物发现工作流程。在那里我会说,前景在于这种用计算来换取实验的想法,并在两者之间形成相互作用,其中你在实验室里花费的一些实验周期是那些高置信度的,你知道,实验搜索空间中由模型优先排序的区域,比如说,这样你就可以更高效地利用实验资源——无论是金钱、试剂、物理试剂、人员——从而通过虚拟地进行一些实验(如果你愿意这么说的话)来降低发现成本和前置时间。
因此,在计算机中进行查询,然后以因果方式预测实验结果。给定一个输入状态,遵循这一干预后的输出状态是什么,对吧?因此,你基本上可以通过这种方式来平衡成本支出,从而真正、真正地在现实世界中深入钻研那些最有希望的事情,希望时间线更快,湿实验室实验的总体支出更低。所以这就是……可能是它体现的一种方式。而随着token成本的下降,希望这种加速会放大,因为现在计算侧是整个发现循环中迭代更快的一侧,而不是实验侧。
BURGER:但在我们就这个问题去问Eric——问两位Eric——之前,你知道,在未来五年里,我猜运行这些实验的token成本会下降大约一千到一万倍。那么,这……这难道不会让模拟……现实世界——我称之为模拟世界——成为瓶颈吗?比如……还是说它只是改变了你分配时间的方式?
AMINI:是的。我认为事实是,现实世界永远会是瓶颈,对吧?你无法用虚拟实验完全取代现实世界。我们永远需要现实世界。愿景是,它将聚焦你在现实世界中投入时间和精力的地方和方式,使你所做的那些实验是高置信度的,并且是有可计算的东西作为支撑的,如果你愿意这么说的话。
BURGER:嗯哼。我觉得我们生活在一个非常奇怪的世界里,“现实世界永远会是瓶颈”这句话我们刚刚都听到了,而且大概都同意。[笑]
HORVITZ:但是,Doug,就在……的基础上补充一下……
BURGER:这是一个……请讲,Eric。
HORVITZ:……在Ava刚才所说的基础上补充一下,我的意思是,我最兴奋的生物科学领域,恰恰就在Ava最后一句话结束的地方的前沿。那就是把AI反过来用于计算:在你会看到什么的概率分布给定的情况下,哪里价值最高。换句话说,就是指导实验。而且它……你知道,更快的计算和更便宜的token会帮助我们更好地做到这一点,这基本上直接解决了瓶颈问题。它说的是:“看,给我、给我、给我你的资源约束;我会想办法告诉你,或者与你协作,找出最令人兴奋、最有趣、最令人惊讶的结果可能在哪里。”
BURGER:这是拯救生命的波束成形。
HORVITZ:正是。
AMINI:对。
TOPOL:但是,我的意思是,我认为正如你指出的,Doug,随着token化成本的指数级下降,瓶颈是数据集。也就是说,你知道,我们刚刚看到数十亿资金被分配给生命科学数据集(在新标签页中打开),引入患者长期、深度数据的成本有多大,而这类数据今天几乎不存在。你可以拿到电子健康记录,但那不是你想要的。[笑声]原始图像……你想要所有这些其他层次的数据。我的意思是,所以你知道,记住,Eric早些时候指出,AlphaFold一直是标志性贡献。那是因为我们有蛋白质数据库(在新标签页中打开)。数据集全都在那里。
BURGER:嗯哼。
TOPOL:所需要的只是,你知道,榨取它在AI下能发挥的作用。现在,我们在生命科学或医学中没有任何那样的数据集。所以我认为,这最终会成为阻碍我们从本可以、你知道,真正向前飞跃的地方前进的因素。
BURGER:有一个——这是一个非常、非常有趣的观点。你知道,这里有一个历史类比,因为我的团队在2010年代为RNN构建基础设施、推理服务平台,你知道,那时你需要标注数据来训练模型。所以数据是瓶颈。因此我们在构建好的模型,但后来当Transformer把这些部分拼在一起,你可以直接在无限量的文本上训练而无需标注时,它就把问题从数据问题变成了超级计算问题。然后就说,好,我们能造多大的计算机?当然,这引发了重大的平台变革。
你认为在生物领域也可能出现那样的突破吗?比如,因为现在如你所说我们受限于数据,但我们在2016年也处于同样的境地,然后砰,这件疯狂的事情发生了。
TOPOL:Ava会知道。
HORVITZ:嗯,当然有,我的意思是,一直有——一直存在对数据集的 opportunistic 利用,比如基因组数据集,比如核酸数据集,它们正在提供新型的预测模型,不一定基于,例如,蛋白质序列,也基于观察核酸和核酸文库。所以生物科学中还有其他尚未被挖掘的数据集,它们……
AMINI:是的。
HORVITZ:……展现出一些令人惊讶的效用。
在医学领域,思考这样一个问题很有意思:你知道,如果我们有,如果我们有,哪怕……如果我们有一盏阿拉丁神灯,我们可以要求获得某些形式的临床类数据,或者那些从……把表型临床数据连接到患者的序列层面信息的数据,也就是他们的DNA、他们的表达以及蛋白质等等,我们会要求的数据本质是什么,我们又将如何利用它来真正跳出框框思考?
你知道,而你是采访者。我不想问Ava那个问题,Doug,但我很想听听……[笑声]
BURGER:不,你完全应该问Ava那个问题,对吧?[笑声]
HORVITZ:好,我很想听听,如果你有,如果你有你的魔法棒,[而且]你可以说:“我想要这种类型的数据,而我没有这些数据用于自监督训练或监督训练,我会要求什么?”你只能从三个巨型数据库中选择来提问。[笑声]
AMINI:好,那我拿AlphaFold和PDB[蛋白质数据库]的例子来做个比较,对吧。在那里答案非常准确,对吧。我们看到了那个突破,因为PDB存在,然而它也有局限,因为这些是蛋白质的静态结构,而我们知道蛋白质是动态的、是有活性的,对吧。它们通过活性来执行功能。所以我认为真正缺失的东西是这些,某种程度上,以活性为先的数据集,针对生物栈的不同层次。
第一,你知道,蛋白质是个简单的例子。我们能否创建,你知道,同样规模和多样性的数据,把蛋白质序列映射到一系列功能上?历史上,在这个领域,到处都有孤立的数据集;它们并没有真正规模化。我们如何创造性地利用现有的东西,但是否有新的空间——而且我们确实知道有新的空间——在整个蛋白质生物学中,我们实际上可以走出去,创建首创的基于活性的数据集?而且我认为,在细胞层面上,这或许更加如此。
你知道,有人评论说人体中有那么多不同的细胞类型,我们无法全面映射,你知道,每一个细胞类型会对每一种可能的,你知道,化学扰动做出什么反应,因为空间实在太,太广阔了,尤其是在,在化学空间里。但如果我们聪明且有原则地考虑如何……我们选择那个空间的哪些点来构建多样化的数据集,那也是缺失的。所以我会说,这种生物学的功能性读出——无论是在分子层面、细胞层面还是组织层面——才是真正缺失的。
而在我们的Ex Vivo(在新标签页中打开)合作中,我们正在癌症细胞、癌症细胞测量的背景下解决其中一部分,试图构建我们称之为状态到功能图谱的东西,观察一系列癌症细胞状态并测量功能结果——例如,对免疫疗法的耐药性或对靶向疗法的耐药性——并试图搭建这些桥梁。但这只是其中的一个切片。我认为更多这种对生物学功能性读出的同样理念,百分之百是我会首先去做的。
BURGER:嗯哼。Eric Topol,轮到你说一会儿。我们,我们进行了一场相当广泛的讨论。现在有哪些事情是……你认为人们,我们的听众,需要关注的?你最近看到的一些超级令人兴奋的事情是什么?我想按顺序问一圈,然后我想在最后带我们稍微疯狂一下。所以我会先让我们脚踏实地,然后我会放飞一下。
TOPOL:嗯,你知道,我认为人类中缺失的层次是免疫系统,即免疫组。而我们迄今学到的一切都指向它是健康寿命的关键基础。我们需要达到那一步。我们今天实际上在《自然》上发表了一篇文章[1](在新标签页中打开),关于免疫组……
BURGER:恭喜。
TOPOL:……以及我们如何开始,开始看到一些突破,关于我们如何,你知道,快速、有意义地获得评估,无论是通过AI评估胸腺——此前人们认为胸腺到20岁时会进入退化、惰性模式,而现在我们知道在80岁时,有些人拥有完全完整的胸腺——而且……回到Ava的观点,它可以预测癌症免疫治疗反应和患癌倾向。
我们还有蛋白质组学,我们可以观察免疫系统、一个人的免疫系统相对于其实际年龄的年龄,以及免疫细胞、细胞蛋白质组时钟。我们将进入对功能更加精细的评估。我同意Ava的观点,我们需要的是这些功能相关性,而这是我们缺乏的。
所以我认为,一旦我们做到了这一点,那将是一个真正能帮助我们的层面,因为那个免疫系统——无论是对癌症的易感性,还是大脑中促成神经退行性疾病的过程,或是动脉中促成动脉粥样硬化的过程——都是核心所在。而我们一直没有一种能在人身上测量它的方法,这很惊人。只有在学术实验室里,在活体中,你知道,在20个人身上(在新标签页中打开),而那,你知道,那不是我们所需要的。
BURGER:是的。
TOPOL:所以要把这一点向前推进并纳入模型,我认为那将是非常关键的一步。
HORVITZ:是的,我要往上提一个层次来说,我认为通过探究衰老的基础,我们会得到超出预期的收获。你知道,免疫系统就属于其中,但我认为总的来说,我们不理解为什么许多疾病会随着年龄出现。它们会渗透……甚至,甚至像LRRK——一种叫做LRRK2转座的遗传病变之于帕金森病。它在60多岁和70多岁时出现。但为什么?为什么身体一直拖到那时,然后它才显现出来?对于阿尔茨海默病和其他疾病,正如Eric提到的,神经退行性疾病通常与年龄相关。例如,我们DNA的甲基化——它把我们的细胞定义为特化细胞——发生了什么?
我借用一下你的说法,Doug,稍微借用一点。也许可以说是DIP开关,开启和关闭决定细胞类型的表达。[笑声] 真的,它们就像“开”和“关”。这些开和关的维持以及随年龄增长的一致性发生了什么?这是一个巨大的谜团。如果我们能破解衰老过程中发生的一些基础问题,而不只是发表一些说法——“哦,更多熵,更多混乱”——而是理解干预措施以及其中的一些因果关系,我认为我们将一下子解锁许多疾病,以及如何、如何预防它们。
BURGER:我向你保证,我们会有更多熵。
HORVITZ:哦,是的,我相信那是真的。
BURGER:抱歉开了个物理学的玩笑,是的。Eric Topol写了一本书叫《超级老人》(在新标签页中打开),所以我认为……
HORVITZ:我刚才看到Eric在点头,抱歉,Eric,我闯进了你的地盘。
TOPOL:不,不,完全没有。
BURGER:这……是的,这是很棒、很棒的观点。好,Ava,你对什么感到兴奋?
AMINI:所以当她们两位在说话时,我在想,我试着想什么是最值得兴奋的那一件事。很难 pinpoint 一件。我会说,在……有一个技术层面的和一个生物学层面的。
在技术方面,回到我们关于数据的讨论,我认为那些允许创造性利用现有数据的创新,使得它……我们可以把它变成一个超级计算问题,正如你,正如你指出的,Doug,这对我们这里以及整个领域来说都是非常令人感兴趣和兴奋的事情。因为数据是存在的,对吧?正如我们谈到的,某些类别的数据并不存在,但外面有大量生物数据和生物工具,我们可以创造性地利用它们来进行计算。
在生物学方面,我们还没有真正讨论过的一件事是新的测量技术,它们将能够以新的方式连接生物模态。所以,在生物系统中进行我们以前,你知道,从未做过的新型测量,并回到这个多尺度的主题,对吧,这有望让我们以新的方式连接生物层级中的那些层面,并在这些层面之间建立有意义的联系,以便我们能够获得更多这类,比如,元层面的输出和结果。
而在,某种程度上,更高的层面上,我很喜欢关于免疫组和衰老作为系统层面的,你知道,表型和读出指标去追求的那两个观点,所以那是我真的、真的非常兴奋的事情。摆脱这种也许对虚拟细胞的过度炒作,真正思考系统层面的表型和现象,我认为是极其有前景的。
BURGER:所以我一直很着迷于,你知道,你有一套DNA,而那个DNA编码了一个程序,你知道,去构建一个生物体。但那个程序的执行——比如构建细胞,细胞繁殖,然后它们特化,然后它们形成系统,然后它们形成功能——我是说,那整个,你知道,表观遗传和系统,就像,仅仅人类大脑被编码在DNA中这一事实,不是直接地显然,而是间接地通过那些规则。
你有没有想过,随着理解上的所有这些进步——这也许是我“往远处看”的问题——我们将会理解那些规则,并且能够编写基因程序,来形成并不存在的、功能完整的系统或生物体?就像那样,它只会说:“嘿,我想要,你知道,我想要一团细胞,能够从空气中吸收二氧化碳,然后把藻类吐到海洋里。这就是一个能做到这一点的生物体。而这就是那段DNA序列,它将通过细胞的所有特化和复制来构建那个生物体。”因为在我看来,那个领域比仅仅理解生物系统中的通路要高出一整个层次的复杂性。但这全是你的领域,所以我只是在这里随便说说。你,你觉得我们能走到那一步吗,还是说那太疯狂了,我们甚至不该去想它?
AMINI:是的,我认为这种可编程性,某种程度上,就是那个承诺,对吧。我们能否通过对我们人类来说有意义的界面,对生物学进行功能设计和工程化,无论是自然语言,还是其他模态,甚至也许是图像,如果,你知道,我们能够以视觉方式指定一个功能?那能否由一个蛋白质来执行,对吧?或者通过化学描绘?所有这些关于可编程性的概念。
但真正你所说的,Doug,是,你知道,合成生物学的核心,它是由这样一种精神驱动的:试图让生命变得可编程,并操作和设计能够像我们设计电路作为计算基础那样,在活物质中执行功能的基因回路。这在某种程度上对我来说非常怀旧,因为本科时,这就是我的研究,……
BURGER:哦,我不知道这个。[笑]
AMINI:……在合成生物学,是的。
BURGER:我这里有个高手。太棒了。
AMINI:所以,所以,其实,我觉得你会欣赏这个。我们当时试图在大肠杆菌中实现状态机,通过创建这些基因回路,让它们对不同顺序和组合的化学输入作出响应。而这些只是,某种程度上,一个玩具式的例子。但其原理是把一种计算范式带入一个生命系统,并做——在DNA中设计一个实际的回路,使细胞能够执行那个功能。
而看到我们已经走了多远,如今能够想到,你知道,用自然语言指定一个蛋白质的功能,并且,你知道,有一个AI模型能够设计出一百个符合该功能的候选者,这令人震惊。所以我认为那是,就像,一个长期存在的[笑声]生物学愿景,而它,某种程度上,经历了这些不同的,我想,该用什么词?演化……
AMINI:……关于我们实际上如何到达那里。所以这是对过去几十年该领域的一个很好的视角。
HORVITZ:即使是像添加到……这样的小回路
AMINI:是的。
HORVITZ:……人类细胞中,只是一个能够计数其世代数的系统……
AMINI:正是。是的。
HORVITZ:……所以,你知道,你可以读出,“这是一个,像一千个……”
AMINI:是的。
HORVITZ:“……还是只有四个?是癌症吗?”一个数字,数字化的。
BURGER:Eric Topol,我觉得他们……Eric Horvitz和Ava在主张生物学中的决定论,就像我们[笑声]之前谈到的那样。我觉得他们只是,他们在跟自己争论,这挺有趣的。你们怎么看?
HORVITZ:某种程度上。[笑]
TOPOL:我,你知道,那些东西,我们最近看到的东西,你知道,比如Jay Shendure(在新标签页中打开)在华盛顿大学能够在胚胎发生期间进行基因组编辑并实时进行(在新标签页中打开),来回应你的观点,Doug,关于这些是一两年前,也许甚至一个月前都不可想象的事情。[笑]
所以,不,我确实认为我们会解开那个,编程的那个方面,我们有这么多,你知道,先进的方法,而且,你知道,凭借无与伦比的分析能力,并且会不断变得更好。所以,是的,我……那个……你的想法,拥有能够解决我们所有环境问题的生物体这个想法已经存在一段时间了……
BURGER:当然,它存在过。
TOPOL:……没有任何成功,但它们很原始。你知道,它们不是我们未来几年可能看到的那种东西。所以我……我们迫切需要那些东西,你知道,来应对我们面临的所有问题。所以我希望,事实上,我们会看到它们。而且我认为我们会的;这只是时间问题。
BURGER:是的。好,我想那差不多是我的问题清单了,但也许我会绕一圈,从Ava开始,然后是Eric Horvitz和Eric Topol,来谈谈结束语。就像,我们在这个疯狂且快速移动并加速的领域进行了一次很棒的讨论,你知道,而且模型将带来数量级更多的能力,会进一步加速它。那么你想给我们的听众留下什么?Ava,我从你开始。
阿米尼:是的,有几点。一是这些模型本质上是加速的工具,也是改善干预的工具。而我个人之所以进入计算机科学与生物学交叉的这个领域,是因为我把计算机科学视为一套强大的抽象体系和工具集,我们可以借助它来理解和设计生物学。所以我认为最重要的是,无论是在生物科学领域还是在医疗健康领域,希望观众们记住,我们是在为研究人员、最终为患者以及地球上其他生命谋福祉而推进这套工具集,从最宏大的意义上说是这样。
伯格:太棒了。埃里克·霍维茨。
霍维茨:十年后,普通人、公众会认识到人工智能带来了医疗健康领域的重大突破,这将包括——并且会被明确称为人工智能突破——到那时将多种致命癌症转变为慢性病。以及在延缓阿尔茨海默病的发病和进展方面取得进展,还有其他突破。所以我认为会有好几项,而这两项将是巨大的成就,它们会被视为人工智能的突破。
伯格:太好了。埃里克·托波尔。
托波尔:是的,我的乐观甚至不止于此。我们将能够……我们将有能力预防阿尔茨海默病,预防我们今天还无法预防的癌症。所以我对医学如今能走向何方抱有非凡的乐观。我们已经找出——我们已经讨论过——一些阻碍它发展的因素,但你可以预见,未来几年它不会还是现在这个样子。我希望越早越好。[笑]
伯格:是的。[笑]
托波尔:但我们最终将拥有一种与今天截然不同的医学实践。
伯格:我想感谢你们三位从百忙之中抽出时间来参加我们的节目。我想对我们的听众来说,你知道,这些人是在第一线做着了不起工作的人,离开研究的时间就是离开创造未来的时间。所以感谢大家参与并抽出时间。我真的很享受这次讨论,能坐在这里和你们三位在一起是一种真正的荣幸。
霍维茨:谢谢你,道格。
托波尔:谢谢。很享受。
阿米尼:非常感谢。谢谢大家。
[音乐]
标准结尾:您一直在收听《The Shape of Things to Come》,一档微软研究院播客。请在 aka.ms/researchpodcast(在新标签页中打开)或 YouTube 及各大播客平台收听更多节目。
[音乐渐弱]
[1] 论文《测量免疫健康能否重塑医疗护理?》(在新标签页中打开)于2026年10月27日发表在《自然》上。
了解更多:
用语言模型进行序贯诊断 出版物 | 《科学》 | 2026年10月
医学超级智能:基础与愿景(在新标签页中打开) 出版物 | 《BMJ数字健康与人工智能》 | 2026年10月
在医学中构建和测试人工智能的范式转变(在新标签页中打开) LinkedIn 帖子 | 2025年6月
测量免疫健康能否重塑医疗护理?(在新标签页中打开) 出版物 | 《自然》 | 2026年10月
在新标签页中打开
相关出版物
用语言模型进行序贯诊断
认识作者
道格·伯格
斯克里普斯研究所执行副总裁
医学、健康与基因组学
研究团队
机器学习与统计学
AI 热点